美國軟體廠商SAS表示，近兩年環境變動讓企業更仰賴數據分析，SAS台灣總經理陳愷新指出，環境的不確定性，讓組織做判斷的難度大增，因此更仰賴數據來提升決策信心。然而，當數據分析與AI技術被廣用，又帶來另一波規模化的挑戰。這也是為何許多企業開始布局「維運化」（Ops）流程。陳愷新表示，只有讓AI從開發到部署，能在標準流程下被自動監控更新，才能大規模發揮營運價值，解決真實商業問題。
SAS台灣去年營運表現亮眼，主要業務成長動能包括，雲端產品及軟體授權帶來40％的營收成長，獲利領域則包括如風險管理（IFRS17）與詐欺偵測、AI運算管理平台以及智慧醫療方案等。
展望下一波動能，陳愷新表示，將聚焦疫後趨勢與法遵科技，包含數位詐欺、國際保險資本標準（ICS）2.0與氣候風險管理等解決方案，並力推增強的「自動化機器學習（AutoML）」功能，與「維運化（Ops）解決方案」，以確保AI更容易被導入及部署，讓組織的AI投資效益更快體現。
玉山金控打造ModelOps流程 實現AI應用規模化
什麼是維運化（Ops）解決方案？若以實際案例來看，玉山金控為了讓AI服務能在各事業單位實際發揮商業價值，早早就自建機器學習即服務平台（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。
不過，玉山銀行科技長張智星表示，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，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相當不容易。
舉例來說，過去上線的信用卡盜刷偵測模型，新冠肺炎疫情一來，刷卡習慣圖站改變，許多從實體商店的刷卡行為，紛紛移轉到電商通路，導致既有盜刷偵測失準，突顯模型監控的重要性。張智星解釋，然而，監控流程牽涉到使用的業務單位、資訊處及智能金融處等部門各異的管理機制；且一個情景的模型監控，可能就要耗費多個人天，如果模型失準後，還需要再投入3～6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。
最後則是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。
陳愷新建議，企業除了維運化（Ops）以外，下一波必須掌握「複合式AI（Composite AI）技術，簡單來說，就是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。
陳愷新舉例，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。