本文共1105字
金管會重視金融業法遵與風控，全球人工智慧與分析領域領導者SAS切入這塊藍海市場，SAS台灣總經理陳愷新今（10）日宣布，已助玉山金控（2884）（2884）建置維運化(Ops)流程，讓上百個AI模型得以數分鐘內完成監控與回饋，實現AI規模化應用
玉山金控科技長張智星今日解釋，早前為了讓AI服務能在各事業單位實際發揮商業價值，由智能金融處自建機器學習即服務平台（Machine Learning as a Service，MLaaS），讓各業務單位系統可透過此平台即時呼叫請求AI微服務，可說是打造供應內部單位AI的服務平台。
然而，隨著內部AI應用場景愈來愈多元，連接此平台上包含行銷、風控、服務等AI模型累計數量超過上百個，模型上線後迎來營運端不斷變化的真實資料，要維持一定的預測準確度不易。
例如，早前上線的信用卡盜刷偵測模型，受疫情影響刷卡習慣從實體商店移轉到電商通路，這些改變導致既有盜刷偵測失準，突顯模型監控的重要性。如果模型失準後還需要再投入3到6個月重新訓練，不難想像當面對上百個模型，管理難度與時間耗費多麼驚人。
因此玉山攜手SAS，共同打造一個自動化、透明化的模型維運流程(ModelOps)，藉以將模型管理作到規模化。這流程包含把所有AI(商用或開源)模型版本、分析專案納管在一個中央儲存庫，設定權限讓應用單位機密不外洩；再來把整個模型生命週期的管理流程標準化，提高協作效率也便於監控。
最後打造統一且透明的回饋機制，讓各應用單位權責人員皆可主動監控異況，同時參與簽核把關模型品質。最重要的是透過此平台把整個管理與稽核軌跡留存下來，為邁向法遵規範立穩根基。張智星表示，與SAS的合作，玉山金成功將監控模型作業從3天縮短到數分鐘。
SAS總經理陳愷新建議，企業除了維運化(Ops)，下一波必須掌握「複合式AI」(Composite AI)技術-即在同一個運行框架下，結合不同AI技術，來為複雜商業問題提出最佳解。
譬如一個零售商想要了解如何最佳化定價，過往可使用機器學習技術，運算歷史交易資料、庫存水位、客戶屬性及競品訂價，來定出產品價格區間。但如果想進一步深掘問題層次，像是了解在定價以及促銷策略上該如何取得平衡？最終該最佳化營業額、利潤、市場份額、還是三者間做出情境模擬？
面對這樣複雜的商業問題，就需要運用到橫跨機器學習、需求預測、統計及最佳化等AI技術。
此外，複合式AI還可以從小數據中，以集合式的技術找出洞察，可說是AI價值的再進化。陳愷新也提醒，能養成具備跨AI學科團隊的組織仍是少數，因此企業須尋求可支援複合式AI技術的單一平台，搭配為自身重要商業問題做出定義與排序，制定出「階梯式戰略」才容易取得成功。
※ 歡迎用「轉貼」或「分享」的方式轉傳文章連結；未經授權，請勿複製轉貼文章內容
留言