online gambling singapore online gambling singapore online slot malaysia online slot malaysia mega888 malaysia slot gacor live casino malaysia online betting malaysia mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 mega888 從 2 個月縮減到 15 分鐘!智能服務中台,怎麼加速數據分析串聯商業場景?

摘要: 元宇宙(Metaverse)是近月來科技產業的熱門議題,不論元宇宙這個夢想是否會成真,但有一點可以肯定的是,元宇宙背後所代表的「數位場景創新」已是必然的發展趨勢。

 


images/20220321_7_1.jpg

元宇宙(Metaverse)是近月來科技產業的熱門議題,不論元宇宙這個夢想是否會成真,但有一點可以肯定的是,元宇宙背後所代表的「數位場景創新」已是必然的發展趨勢,未來數位場景的變化只會越來越快且趨向多元,企業必須在各種創新場景中,提供快速且細緻的個人化智能服務,才能穩住競爭優勢。

連八年獲評 Gartner 資料科學與機器學習平台領導者的 SAS,其台灣業務顧問部副總經理陳新銓認為,站在「數位場景創新」的角度來看,會建議企業開始改變 IT 架構,以「智能服務中台」去連接前端多變的場景與後端大量湧入的資料,對資料進行自動化地整理、探勘、建模、分析、再將分析結果回饋到前端應用程式或使用者身上。

而一個理想的智能服務中台應該包含兩個部份:「數據中台」與「智慧中台」,讓中台涵蓋自動化機器學習、AI模型生命週期管理及即時決策等功能,如此才能跟上場景變化的腳步,快速在場景中提供個人化智能服務。

images/20220321_7_2.jpg

注入 DataOps 精神,數據中台確保資料的品質、可靠度

先就數據中台來看,其實就是以DataOps概念進行資料的整理、清理及治理,這是企業在打造智能服務中台的起點。

「因為資料是人工智慧和分析的命脈,如果缺乏有效管理,就會威脅到企業的創新與進步,」陳新銓說明,所謂有效管理就是在取得資料後,以自動化及流程化的方式進行資料清理與治理,不只是確保資料的品質和可信度,還能縮短資料交付的時間,快速提供可靠的資料供決策分析使用,例如:製作報表、模型分析、決策參考,並終結資料孤島困境。

與傳統資料倉儲形式相比,數據中台在資料清理的速度和種類上,更貼近企業現今的使用需求。資料倉儲一般存放結構化資料且批次進行資料清理,分析人員可能要隔一個晚上才能看到清理完的資料,但數據中台能進行批次和即時資料的處理,可以更快速更即時看到清理完的資料,將內部所有資料進行統一的管理和治理,讓資料管家能用更全面的角度去制定使用規則、介接方式、資安等級等資料政策。

陳新銓進一步指出,企業在評估數據中台時,有以下三大重點:

第一、 能否讓使用者自助服務?

數據中台應結合機器學習或人工智慧技術去解析元數據(metadata),並建議資料清理的方式,讓使用者能夠以系統自動配置或拖拉點選的方式,完成資料清理工作,減少寫程式的作業負擔,把資料處理任務交還到使用者手中,而非反覆的對 IT 提出需求,耗盡 IT 洪荒之力。

images/20220321_7_3.jpg

第二、 是否具備使用者協作機制?

整備完的資料應該要能供企業內部其他個人或部門共同使用,才能避免重工,並加快進入後續資料運用流程。

第三、 是否支援雲端架構?

隨著數據量快速成長,雲端具備了可以快速且彈性調度硬體資源的特性,才能在晶片荒的時代,快速滿足企業在分析上的需求。

智慧中台實現 AI 賦能,助企業加速決策腳步

再就智慧中台來看,主要由「自動化機器學習與模型管理」+「即時決策」兩部份所組成,因為 AI 模型勢必要能快速上線及部署,才可以協助業務單位做出精準決策,否則就只會是實驗室的測試,無法發揮模型價值,因此 AI 與決策兩者缺一不可。

近期各界對於AI運算與管理的關鍵技術要求,即在於「自動化機器學習 AutoML」,透過系統自動進行特徵工程、演算法選擇到訓練模型、並自動比較選出最佳模型。除此之外,也會自動解釋模型讓資料科學家能清楚了解每個模型的評比,也提供介面讓資料科學家在 AutoML 建模流程中進行調整,打破黑盒子的迷思。陳新銓表示,與傳統資料科學家自行建模的方式相比,AutoML 對企業的幫助有二點優勢:

第一、提高建模效率:

從特徵工程到最佳化模型,都可以在智慧中台上自動完成,大幅節省人工作業的時間。以模型的參數調整為例,透過智慧中台 SAS 曾經協助客戶最佳化AI模型參數,從過往以人工作業至少需要 2 個月的時間縮減到只要 15 分鐘,等於節省了 95% 以上的模型訓練時間。

images/20220321_7_4.jpg

第二、在內部培養平民資料科學家。

目前多數企業都是將資料科學家獨立成一個單位,集中處理業務端的資料分析需求,然而隨著需求越來越多,超出 AI 團隊可承受的工作負擔後,資料科學家就會優先從規模較大、或較受重視的需求開始,而業務上很多的優化或改變偏偏都是在小地方。因此,這種由資料科學家建模的作法,可能會讓企業失去很多改變機會,如果能朝資料科學平民化發展,將繁雜的建模工作交給智慧中台,使用者只要準備好資料,AutoML就會直接產出最佳模型,不只加快模型迭代速度,還能帶來更多創新服務。

自動產出模型後,智慧中台還肩負運行 ModelOps 流程,在模型的生命週期內進行有效管理,並以此為基礎結合業務規則去建立即時決策能力。陳新銓強調, ModelOps 流程的特點有三個:

第一、模型的儲存管理

即針對模型檔案、屬性、變數、版本等 Model Metadata 的管理,集中管理資料科學家產生出來的模型,才能將模型化為企業的資產。

第二、模型效能的監控管理

亦即監控模型運行的效能,當模型效度衰退時,如:誤判件數大於多少、準確度小於多少等,可以自動觸發重新訓練,或發出警訊通知資料科學家,確保模型可以維持最佳效能。

第三、模型部署的流程管理

在在實務運作上,通常是由分析部門產出模型、IT 人員部署模型,因此模型部署流程需要跨部門合作,而透過 ModelOps 將部署流程自動化,且集中留存每個部門的簽核軌跡,不只方便追蹤進度,亦能縮短從模型產出到部署上線的時間差。

延續第三點模型部署議題,陳新銓另外提出自動產出 API、自動部署的重要性。目前企業在開發前端應用程式時,大多使用 Java 語言,而以 Python 等程式語言,AI 模型,很難直接套入 Java 程式中,這也導致 IT 人員必須重新寫程式並進行來回驗證測試,倘若測試結果與原本模型產出的結果不同,還得回頭與資料科學家討論原因,耗時又費力。

「因此,理想的智慧中台還要具備自動部署功能,使用者一鍵點擊就能產出 API,提供給前端的應用系統直接呼叫,才能確保模型部署的效率與正確性,」陳新銓說。

即時串聯資料,為各產業帶來元宇宙般的創新服務體驗

目前許多產業包括金融、保險、製造業都在嘗試運用智能服務中台的力量,縮短決策過程以即時回應創新場景下的客戶需求。

images/20220321_7_5.jpg

以金融業為例,因應開放金融的趨勢,企業需要根據客戶本身的財務狀況、風險及需求,快速在場景中提供金融服務。像國內即有銀行以智慧平台為基礎推出信用卡臨時調額服務,當優質客戶刷卡超出額度時,決策系統即時判斷應主動推播簡訊詢問是否需要臨時調額,後續成功帶動刷卡金額的成長。又如某保險業者創新旅平險的商品設計,客戶只要選擇旅遊地區或路線,該保險業者就能即時依據客戶的旅遊規劃、購買需求、過往紀錄、風險等級等資訊,推薦適合的保險商品。

再看製造業,美國汽車大廠 Kia Motors 的客戶體驗創新。過往僅針對零件故障維修料件管理,來提供維修服務。但後續導入 SAS 數據中台後,即可新增資料源利用自然語言處理(NLP),使模型自動對維修顧問滿意度中的投訴類型進行分類和提取,結合不同年份製造的車輛故障資訊,進一步於智慧中台進行建模與業務決策,協助車廠師傅把汽車故障問題查找時間由原本的數天縮短到 30 分鐘,不只優化客戶的維修體驗,還能分享給經銷商及內部研發團隊,並作為日後產品設計和製造的參考。

從上述多樣化的應用可看出,在滿足顧客需求的背後,需要一個整合資料處理、AI應用到業務決策的中台,才能快速因應前端場景的變化,提供適切的支持。而智能服務中台不只整合資料、AI 及決策,更包含治理與 Ops 的精神,讓企業在應用時,無論是分階段導入或是與既有流程整合,皆能無縫接軌。陳新銓也提醒佈局中台時,可進一步考量是否能支援雲原生架構,讓企業在注入智能化 DNA 的同時,也能接軌穩定且敏捷彈性的架構,才可更有效益地運用資料實現協助營運、支持業務、創造商機的三階段進程。

轉貼自Source: buzzorange.com

若喜歡本文,請關注我們的臉書 Please Like our Facebook Page:    Big Data In Finance

 


留下你的回應

以訪客張貼回應

0
  • 找不到回應

YOU MAY BE INTERESTED

Popular Tags