第14屆CIO價值學院第三堂課 會後報導
綜觀各行各業,金融業算是較早將AI運用於企業營運的產業,相關的應用及團隊運作都日趨成熟,因此談到金融業在於資料治理與AI應用的經驗,確實頗值得其他產業借鏡參考。
靈活導入AI應用 事半功倍成效高
玉山金控科技長張智星表示,資料治理屬於AI的前置作業,較無法看到應用成果,AI應用的成果則相對顯著。環顧玉山金控,約有50幾個AI專案,規模有大有小,隨時有專案啟動、也有專案結束。有些專案走一陣子後,發覺與業管的需求不同、就斷然結束;有些專案走一走可能叉開為兩個專案,只因Scope過大所致,但也有相反的例子,即是兩個專案合併為一。顯見專案起起落落,一直在變化當中。
[ 加入 CIO Taiwan 官方 LINE 與 FB ,與全球CIO同步獲取精華見解 ]
論及較為顯著成功的案例,首推信用卡盜刷偵測,係因若非明顯指向是顧客的疏失,一旦出現信用卡盜刷,銀行需負責賠償,因此玉山努力攔截近 50% 的盜刷案例,大幅降低損失,堪稱功效卓著。
其次的重要應用在於支票金額辨識,玉山每日收到破萬張支票,上面皆有手寫金額、手寫日期單等,絕對不容許識別錯誤,因而藉由AI來協助集中保管部專員執行辨識,最後再搭配人為覆核,現已達到 90% 以上的辨識率。
妙用MLOps與RPA 使AI建模流程更順暢
政治大學數位金融創新實驗室執行長暨風險與保險研究中心主任謝明華指出,其實驗室於兩年前成立,旨在協助傳統金融業推動數位轉型。過去許多金控為了業務創新,所做第一步都是建立360度客戶資料,因而發現過去的資料錯誤率偏高,尤其早期將紙本資料轉成數位化的過程,缺乏良好的稽核方式,以致出現資料品質問題,凸顯資料治理的重要性。亟待將 Missing Value 問題、及過往資訊人員採取的一些較為任意的Rule修正完畢,對於後續AI建模才有正向助益。
[ 推薦閱讀: 謝明華 ─ 透過顛覆式創新展開金融業數位轉型 ]
當然不可否認,金融機構最關切的議題,便是未來如何透過AI來提煉資料、擴大價值。張智星重申資料治理對於此議題的關鍵性,因為所有的資料就像一條河,從上游往下游流動,沿岸有許多人在使用,萬一上面髒了,後頭就跟著全部髒掉,所以如何讓整條河保持乾淨至為重要。
依玉山的經驗,各個業管單位有自己的KPI,有時甚至與其他單位的KPI相衝突,容易導致業管之間不願意分享資料,對公司整體的資料治理絕非好事。所以玉山成立資料治理小組,從金控角度來協調解決部門間的資料分享議題,期望促使資料流程更順暢,唯有如此才能做好KYC、掌握顧客的需求,從而提供更精準、更全方位的服務。
張智星強調,AI的價值已然成形,如何進一步擴大?重點就在於MLOps、也就是讓機器學習結合到營運的流程中,因為當模型被建立起來後,每個模型都有生命週期、會生老病死,如何持續維運並展現價值,著實相當重要。顯見企業必須根據收集到的新資料,重新展開模型訓練,重新上線新模型,藉以不斷提高辨識率,其間需要有一整套有效率的配套流程,讓流程走得更順,即需倚靠MLOps。
[ 推薦閱讀: 資料準備工具-資料分析策略的秘密武器 ]
謝明華則說,金融業在建置AI模型的過程,最大的痛點都落在資料整理部份,且不論企業的資料治理做得多好,一開始在為建模準備資料的花費時間,通常都佔整個專案期程 80% 以上。因此他建議金控可考慮接受RPA流程機器人概念,由它來自動執行資料前處理工作,藉以降低時間與成本、且避免人為出錯。
此外他也觀察到,雖然許多機構都屬於同一金控,但各自的資料仍像是Silo,導致金控難以彙整充足數據,對AI模型訓練難免構成阻礙。建議企業可採取時下頗為熱門的聯邦式學習做法,有效克服短時間內資料現況改善不易的盲點,藉由演算法來尋求突破、顯著提升AI效益。
延攬技術與跨域人才 組成自己的AI團隊
關於金融業投入AI應用,下一個重要議題是,主事者應以什麼樣的態度來看待資料分析與整理事務?張智星認為,企業欲推動AI應用要先找對題目,因此主事者一定要花時間與業管溝通,找到他們的痛點。他同時強調,彼此的對談是Mutual(相互的)、不是 One Way Ticket,並非業管提出什麼需求,主事者就依此做出模型,因為一來需求會隨時間改變,二來不同工作崗位的人,難免出現雞同鴨講情況
「因此現在我會比較謹慎,在啟動一個AI專案時,要求業管必須填妥需求表,」張智星說,業管需要交待的內容,包括資料從哪裡來、資料品質好不好、需不需要與其他單位合作,以及想要做的預測方向為何,更有甚者,假使辨識不良對業管有何影響,這些細節通通要列清楚,達到真正的有憑有據,以利主事者判斷這個AI專案是否值得執行、抑或需要暫緩。
找對題目至關重要,另外也需要依靠高層的支持,因為有些題目做一做三個月就胎死腹中,沒有什麼成果,此時長官若無推動AI的決心、往往就做出「到此為止」的決定,足見長官的支持非常重要。
謝明華說,他曾與一些公司談過,探討如何形成AI的問題,主要仍源自業務部門的痛點。但其實業務部門一開始對於自身的痛點細節尚不明確,所以容易出現本來要求做A、後來卻變成B的狀況。因此政治大學數位金融創新實驗室執行產學案時,通常與公司的面對面互動都至少5、6次,才有辦法寫出規劃內容。
然而真正實作時,公司仍可能一直改變心意,只因商業流程變化萬千,必須因應業務部門的真正最後需求,再做建模動作。建完後就展開生命週期,模型仍需不停改變與調校,但只要把相關流程建立起來,其實還算可行、沒有大礙。
有人曾說,人才與執行團隊,一直是企業跨足AI應用的最大挑戰之一。對此張智星給出建議,產業界可以與學校建立產學合作關係,這是最直接的方式,因為最新的科技、最新的嘗試及各式各樣的新模型,都會先在學校發生。玉山亦知道此事十分重要,因此與台大、陽明交大、中研院等機構,都已建立長期大型的產學合作案。
此外張智星也認為,企業仍須聘雇一、兩位AI人才進駐,甚至自己能夠培養AI人才,如此才能符合公司內部需求;依現狀,企業當然可以把AI業務外包,但意謂必須將資料送到外部,多數公司並不樂見此事發生。因此企業建立自己的AI部門、分析自己的資料,應該只是遲早的事。
謝明華也呼應張智星的說法,建議企業打造自己的AI團隊。而團隊裡面需要很多技術人才,以便能執行建模工作,但除此之外還需要一些跨域人才,政大長年培養不少這樣的人才,可為企業加以晉用。(文/明雲青)
( 本文授權非營利轉載,請註明出處:CIO Taiwan )