Leo Yeh's Blog

SAS Viya (63)

教學目標

初步了解 SAS Viya 平台資料和分析趨勢應用的基本概念。

重點概念

首先 Gartner 在 2019 年提出十大資料和分析的科技預測趨勢,第一大趨勢為增強分析 (Augmented Analytics) 主要是資料和分析市場的下一波趨勢,其使用機器學習和人工智慧技術來轉換分析內容的開發,消費和共享方式,並且在 2020 年,增強分析將成為新購買分析、商業智慧、資料科學和機器學習平台以及嵌入式分析的主要驅動力。而資料和分析領導者應該在平台功能成熟時採用增強分析,像是 SAS Viya 平台就能夠提供資料科學家的視覺化操作界面,透過自動化提升提高生產力以及自動化演算法探索更多假設。

接著第二大趨勢為增強資料管理 (Augmented Data Management) 主要是利用機器學習功能和人工智慧引擎來客製企業資訊管理類別,其中包括資料品質,中繼資料管理,資料管理,資料整合以及資料庫管理系統自我設定和調整,其使許多手動任務自動化,並且允許非技術的使用者更加自主的使用資料,同時更允許技術的使用者專注於更高價值的任務。而至 2022 年底將主要會透過機器學習和自動化服務管理,並且資料手動管理的任務將減少 45%,像是 SAS Viya 平台就能夠簡化對傳統和新興資料的存取,並且透過統計人工智慧實現更智慧的整合,以及清理資料以將品質建立至現有的流程中,同時我們更能夠使用靈活的操作技術對資料進行處理,並且跨資料管理和分析領域共享中繼資料。

再來第三大趨勢持續智慧 (Continuous Intelligence) 主要是一種設計模式,其中即時分析整合在業務操作中,處理目前資料和歷史資料以利指示回應事件的操作,其供決策自動化或決策支援,持續智慧主要利用多種技術,像是增強分析、事件串流處理、優化、業務規則管理以及機器學習。而至 2022 年將主要會有超過一半的主要新業務系統採用持續智能,使用即時上下文資料來幫助企業做出更明智的即時決策,這是一個巨大的挑戰,也是一個巨大的機會,其可以被看作是營運商業智慧的終極目標,像是 SAS Viya 平台的設計模式主要有三層,分別為協助層 (Orchestration Layer)、決策層 (Decisioning Layer) 和分析層 (Analytics Layer),協助層主要是整合規劃,個人化測試在線和離線通道的歸因和參與度,決策層主要是即時事件驅動的分析,內建機器學習和人工智慧自動化,並且透過批次,即時和串流的方式處理料,分析圖層主要是視覺分析師和程式開發人員提供預測,機器學習和人工智能可擴展至開源框架,並且連接現有的內部部署或以雲端為中心的資料。

最後第四大趨勢可解釋的人工智慧 (Explainable AI) 主要是指人工智慧模型越來越多地用於增強和取代人類決策,但是在某些情況下,企業必須證明這些模型如何做出決策,為了與使用者和利害相關者建立信任,此時應用程式領導者必須使這些模型更具有可解釋性,但不幸的是大多數這些先進的人工智慧模型都是複雜的黑盒子,無法解釋它們為什麼達到特定的推薦或決定,像是 SAS Viya 平台中的 SAS Visual Data Mining and Machine Learning (VDMML) 解決方案就能夠提供了模型可解釋性,將有助於解釋模型結果圖,主要有三種解釋方式,分別為:

  1. 部分依賴圖 (Partial Dependence, PD):主要顯示了模型輸入和模型之間模型預測的函數關係。
  2. 個別條件期望圖 (Individual Conditional Expectation, ICE):主要顯示部分依賴圖的分解觀察不同層面相互作用和差異。
  3. 本地可解釋的模型不可知解釋圖 (Local Interpretable Model-agnostic Explanation, LIME):主要建立局部線性基於資料樣本集圍繞特定觀察的回歸模型,透過建立線性回歸來解釋輸入資料與目標變數之間的關係。

總結至 2022 年 75% 利用人工智慧和機器學習技術的新終端客戶將會採用商業平台的解決方案,而非開源平台的解決方案,目前商業供應商現在已經在開源生態系統中建立了連接器,其提供了擴展企業所需的人工智慧和機器學習專案和模型管理以及開源技術缺乏的平台凝聚整合,像是 SAS Viya 平台除了提供增強分析、增強資料管理、持續智慧和可解釋的人工智慧四大資料和分析的科技預測趨勢之外,更支援完整的分析生命週期,能夠讓客戶僅需導入單一平台就能夠讓企業中不同專業人員從資料 (Data),探索 (Discovery) 和部署 (Deployment) 不同階段進行協同合作,以利為企業在最短時間內帶來最高的價值目標。

相關資源

⬅️ Go back