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
   12   13   14   15   16   17   18   19   20   21   22