Leo Yeh's Blog

SAS 人工智慧 (4)

教學目標

初步了解 SAS 平台在於人工智慧的軟體平台市場之情況。

重點概念

首先 IDC 研究報告中提到軟體平台供應商應該繼續使他們的工具和平台易於開發、使用和擴展,像是 Microsoft Azure MLOps、Google AI Hub 和 Amazon SageMaker,將能夠幫助企業開發人員比以往更輕鬆地建立支援 AI 的應用程式。而在 2018 年人工智慧的軟體平台市場主要是由軟體平台供應商所組成,其中 SAS 的 AI 軟體平台 SAS Viya 平台所帶來的盈收主要從 2017 年的 4,350 萬美元成長至 2018 年的 8,900 萬美元,年成長率為 104.6%,並且 SAS 人工智慧的軟體平台市場的營收貢獻排名第二名,僅次於第一名的 IBM,但是值得注意的是 IBM 的年成長率僅有 26.6%,我們可以發現 SAS 年成長是 IBM 年成長將近四倍,其主要是因為 SAS 提供自然語言處理、自動情緒分析、遞歸神經網路文件檔分類、… 等 AI 實務應用之外,同時更提高平台的開放性,主要能夠讓使用者透過應用程式和開放源始碼整合 SAS Viya 分析平台所提供的 AI 功能,此外還持續專注於物聯網的人工智慧,並與相關產業客戶合作提供 AIoT 的解決方案,更多資訊請參考官方文件

接著 IDC 發現使用者對於 AI 應用程式中信任和道德規範的擔憂也逐漸增加,此時企業會期望了解軟體平台供應商所提供 AI 功能的應用程式,其所做的建議和預測是沒有偏見,因為當客戶質疑分析的結果時,企業就能夠向客戶進行解釋,如果有像這樣的工具和功能將有助於企業和客戶對於 AI 應用程式的部署和操作的感覺更佳舒服。當然 SAS 也針對人工智慧系統本身的複雜,提供許多方法能夠解釋 AI 如何做出決策,像是 Variable Importance、Partial Dependency Plots、 LIME (Local Interpretable Model Agnostic Explanations) 和 ICE (Individual Conditional Expectation) plot 等不同解釋方法,像是我們能夠透過 Partial Dependency Plots 方法顯示模型輸入的值如何影響模型輸出的值,該 Partial Dependency Plots 圖表主要顯示了單個輸入 (獨立變數) 與結果 (相依變數) 之間的關係,以利解釋複雜的模型結果,並且過程不僅透明更值得信任,至於更多資訊請參考官方文件

再來 IDC 觀察到軟體平台供應商的未來新趨勢為建立 AutoML 和其它低程式碼或無程式碼的 AI 工具進行自動翻譯、圖像識別和分類、語音識別、機器學習、…等工作,並且這些工具只需插入應用程式,即可提供啟用 AI 的功能,這種趨勢對於企業組織中的業務分析師或傳統開發人員有很大的幫助,使 AI 的功能更廣泛的被使用。當然 SAS 不僅已經提供容易操作低程式碼/無程式碼的 AI 工具,更已經內建提供自動調整機器學習模型參數的繁瑣工作的方法,這些方法稱為超參數優化,至於超參數優化主要有三種不同的類型,分別為參數掃描,隨機搜尋和參數優化,所以我們才能夠在網站工具的畫面中設定所需的選項快速且輕鬆地找到各種機器學習演算法的最佳參數設定,像是決策樹,隨機森林,梯度增強,神經網路,支持向量機、分解機器、…等,因為在後台已經有複雜的本地搜尋優化程序,將能夠高效率且更有效地自動化調整模型,至於更多資訊請參考官方文件

最後 IDC 更提到軟體平台供應商也開始擁抱主流開源深度學習和機器學習框架,因為目前許多企業組織主要是透過 TensorFlow、Caffe、Python 和 R 來開發深度學習和機器學習的應用,如果能成功的將開源與專有技術混合搭配,並且提供給更合理的成本將會是市場的贏家。當然 SAS 透過技術的創新建立了一個全新 SAS Viya 分析平台的架構,其中主要有開放、統一和簡單三大特點,就能夠讓使用者透過 REST API、Python 、 R 、… 等方式來存取 SAS Viya 分析平台中的資源,至於相關開放源始碼的套件可以直接在 SAS Software 官方 Github 網站下載使用,並且透過視覺化的介面使用統一的深度學習和機器學習開放源始碼和模型儲存庫,企業可以管理整個分析生命週期,從資料管理到模型建立,並且包括必要的視覺化報表,以及使用者可以在記憶體中、資料串流中、資料庫中、雲端運算環境中、甚至是裝置設備上執行和模型評分的分析結果,更重要的是有完整的資訊安全管理和稽核功能能夠讓企業客戶更安心的部署至內部的企業環境中,至於更多資訊請參考官方文件

相關資源

⬅️ Go back