Page 17 - SPARK Xpress-202209-Vol7
P. 17
資料來源：新光銀行、Gartner
關鍵思維 1： 關鍵思維 3：
定義業務和技術成功標準 準確與價值間平衡取捨
首先，要思考投入 AI/ML 時，到 許多從事 AI/ML 人員會追求建置
底對於業務有甚麼實質的幫助？要 模型要「很準」，那就必須先定義
找出導入 AI 與業務的關聯，將模 好何謂「很準」。例如，一個信用
型佈署在重要且正確的流程中，並 評分模型很準，代表導流一位信貸
與業績指標 KPI 連結，才能真正提 客戶並確保他不會倒債或違約。在
升實際效益。 建構模型時，視角也必須要延伸至
客戶需求，顧客有沒有保險需求，
關鍵思維 2： 跟是否願意向新光投保是二回事。
最小可行資料集 如何在準確與價值中找到平衡，有
在蒐集資料時，目前常見的作法 三種最佳做法：將最小可行模型構
是，盡量獲得大量數據且種類越完 建作為基礎，透過測試確認能否產
整越好。但是李正國認為這會有幾 生業務價值；透過迭代提高模型的
個盲點，包含花太多時間在複雜的 準確性，同時確保業務價值不受影
數據工程與準備過程；過多的數據 響；在最短時間內為利益相關者提
導致專案複雜性提升；專案陷入 供價值。
漫長過程，利益相關者參與度下
關鍵思維 4：
降，降低使用者對於 ML 的信心與
業務指標重於模型準確
熱情。因此，最佳實務方式是重視
少量但有品質的數據；用最少的時 最後，業界容易忽視建模人員不
間和資源建構資料庫；應用上以產 熟悉業務與目標的狀況。所以建模
生可運作的基準模型，之後再透過 專家必須與數據科學家、金融領域
數據源逐漸補充與優化；捨棄無法 專家共同合作交流，熟悉業務應用
按時交付或無法保證適當品質的數 知識，並透過跨團隊運作導入 ML
據；與業務相關且可展現價值，讓 專案，將建模技術與業務價值融
專案動力和熱情持續存在。 合，才能最佳化 AI/ML 所帶來的
價值目標。 17
