Leo Yeh's Blog

SAS 人工智慧 (5)

教學目標

初步了解 SAS 所提供的分析平台如何幫助企業落實資料驅動的決策之基本概念。

重點概念

首先要如何將分析變為現實,根據 McKinsey Analytics 主要提到從問題的特定專業知識到戰略設計,建立,實作,能力建立和持續支援的整體轉型,以迭代式端到端方法開始於確定機會,並且最終廣泛採用新的工作方式,同時確保基礎技術和組織模型針對每個客戶的特定需求進行優化,但是許多企業組織在執行分析計劃時失敗,因為沒有建立將新分析功能內建其業務流程所需的技能和文化,至於所提供的方法主要有五大部份,分別為:

  1. 識別新業務價值的來源:每個分析專案主要是從識別分析驅動的收入增長和績效改進的具體機會開始,然後根據廣泛的潛在解決方案製定計劃。
  2. 擴展資料生態系統:建立廣泛的資料生態系統主要評估客戶組織內外可用的資料來源,並且使用物聯網和智慧傳感器等經濟實惠的技術建立新資料。
  3. 為可被信任的洞察建立模型:整合的客戶服務團隊中工作主要讓數據科學家選擇最佳模型和方法,從基本預測到進階的機器學習,然後針對特定客戶情況客製化開發和持續改善,並且深入應用功能和產業知識。
  4. 整合使用者友好的工具:確保開發的工具允許不同職責的使用者直觀地存取資料,並且進行新發現,以及從提供行動視覺化技術和強大的自助服務環境開始,更進一步幫助客戶建立文化和促進創新。
  5. 管理採用:幫助客戶了解這些新工具的工作原理,使客戶能夠始終如一地使用它我們提前協作方式溝通模型的效能,並且大力投資於整個組織的人員培訓,透過努力確保他們擁有正確的資料治理策略,將有助於培養對資料品量和最終見解的信任。

此外在落實過程中還需要創建技術和基礎設施和優化組織和治理,不論是軟體工程師,數據工程師,科學家,視覺化專家和顧問團隊皆能夠在現有環境中工作,也能夠在雲端平台上工作,並且建立 IT 架構,資料治理和組織功能,以利獲取大數據和進階分析的潛力,同時確保在整個組織中無縫地採用分析。

接著為了在企業組織中落實營運分析,以利讓企業組織能夠在分析經濟中進行競爭,此時需要選擇分析平台,其不會限制選項,同時確保適當的控管措施,然而分析平台需要為不同的工具,程式和資料所造成的混亂帶來有秩序的管理和整個分析生命週期中使用的技術,而 SAS 所提供的分析平台就能夠滿足了這一需求,以完美的平衡協調分析之旅的選擇和控制,並且能夠加速分析生命週期,所以每個人皆能夠在最短時間內進行協作和創新。其中所謂選擇主要是組織需要有選擇語言、工具、資料和技術的自由環境,因為這是推動創新的關鍵因素,從傳統應用程式到串流資料的任何資料來源至影像獲取價值,有許多程式語言能夠達到目的,所以沒有理由讓平台限制存取,同時每個人都有不同技能和喜好,無論是 Python、R 或 SAS,分析師應該能夠在一個治理的環境中自由選擇最適合他們的方法,以利使用最新的分析技術進行機器學習、深度學習和自然語言處理和預測,並且透過部署在企業組織環境中應用新發現的見解,而所謂控制主要是需要適當的控制來提供對分析的信任,企業組織需要可被信任的資料,以利獲得準確的結果,至於 SAS 所提供的分析平台就能夠提供完整的控管方式,分別為:

  1. 安全隱私 (Security & Privacy):主要提供身份驗證、授權、加密和稽核等關鍵控管功能,將能夠避免遭受網路攻擊和個人隱私資訊外洩。
  2. 資料治理 (Data Governance):主要能夠透過資料準備提高資料品質、資料處理歷程和資料權限控管確保了透明度,信任和保護資料資產。
  3. 模型治理 (Model Governance):主要針對模型進行記錄,版本控制和整合,並且透過程序和規則進行管理確保輕鬆完成建立模型的部署工作,開發一次就能夠在幾分鐘內進行改善、更新和部署模型,而不是幾週或幾個月,以利根據最新資料獲得快速洞察。

再來企業組織在過去針對分析應用主要會導入應用報表、儀表板、視覺化、… 等技術的商業智慧 (Business intelligence,BI) 系統,其用於描述性分析回答發生什麼?而現今企業組織主要會導入應用資料探勘、統計分析、機器學習、深度學習、電腦視覺、自然語言、預測優化、…等技術的人工智慧 (Artificial Intelligence,AI) 系統,其用於預測性分析和指示性分析,以利讓企業組織透過資料了解下一步決策行動為何?而要如何落實資料驅動的決策,主要有四個階段,分別為:

  1. 觀察 (Observe):主要識別雜訊中的訊號,包括監控關鍵營運指標和潛在風險指標。
  2. 定位 (Orient):主要分析和綜合資訊,根據外部的環境因素評估影響。
  3. 決定 (Decide):主要決定最佳的行動,決定是否由即將發生的風險不採取行動。
  4. 行動 (Act):主要執行已識別的行動,持續向操作人員發送嚴重警報資訊。

此時在不同階段 SAS 所提供的分析平台將會有對應的解決方案,以利協助企業組織落實資料驅動的決策,請先參考下表,至於更多資訊請參考 SAS 官方所提供的線上研討會

解決方案 觀察 定位 決定 行動
報表和儀表板 O
探索和視覺化分析 O O
優化和預測分析 O O O
高效能分析 O O O O
機器學習和物聯網 O O O O
即時事件串流處理 O O O O

最後當企業導入 SAS 所提供的分析平台落實資料驅動的決策之後,除了內建提供強大且完整的安全隱私控管之外,更有提供資料治理和模型治理的控管措施,而不論是資料治理和模型治理對於人工智慧的企業應用皆是一大挑戰,此時若是企業組織已經有導入 Teradata 為資料倉儲和使用 Open Source 進行開放源始碼機器學習模型分析,則 SAS 所提供的分析平台將能夠簡化資料存取和確保一致性的模型,並且將 Python pickle 和 Rdata objects 部署至 Teradata 中,並且透過 SQL 進行高效能的評分處理,再將評分結果透過 SAS 分析平台中所提供 REST API 分析服務直接與與人工智慧相關的應用程式進行整合應用,以及啟用模型治理、監控、驗證和部署的工作流程,以利確保正式環境任何時間皆使用最適當的分析模型,至於更多資訊請參考 SAS 官方所提供的線上研討會

總結若選擇 SAS 所提供的分析平台將能夠幫助企業落實資料驅動的決策之外,更能夠與企業現有資料倉儲和開放源始碼進行整合,更進一步以內建的控管解決企業所面臨安全隱私、資料治理和模型治理三大方面的痛點。

相關資源

⬅️ Go back