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