API、人工智慧改變金融業遊戲規則 GCP 協助打造彈性敏捷 IT 架構

雖說疫情加速許多產業數位轉型，但金融業除了因為防疫之外，產業本身面臨的競爭態勢讓金融業者紛紛加重數位轉型的投資。根據 iThome 2020 CIO 大調查指出，高達七成的金融業已展開數位轉型計畫，而且，金融業投資規模達各產業之冠，是整體平均值的 4 倍。另外根據 Temenos 與經濟學人智庫針對全球銀行業的調查亦指出，在疫情期間銀行業聚焦的投資前三項為資訊安全（35%）、AI（33%）、雲端技術（27%）。其中77% 受訪者認為 AI 機器學習是最能改變遊戲規則的技術，可用於改善客戶體驗和拓展新業務開發。

2020 金融科技趨勢朝 AI 應用與 API 生態系深耕發展

而隨著Fintech 的持續發展，不再只是業內競爭，還包括大型科技公司、新創業者也爭先動作，展現對Fintech 市場濃厚的興趣。根據KPMG 發表的2020全球金融科技發展趨勢，指出金融業將從Open Banking （開放式銀行）進化至Open Finance（開放金融），且消費者偏好尋求單一整合所有金融服務的平台。包括在日前與Google Cloud 和商業周刊共同舉辦的「AI雲端決勝新金融生態系」CEO雲端策略高峰會，金管會主委－黃天牧亦指出，共創平台、資料共享（金控與子公司、跨機構）是2021年金融科技的發展重點之一。而金管會也將在政策、法規上積極推動金融科技發展。這些都代表著金融業將朝向越來越開放、與生態系合作的方式演進。

對此，金融業應建立具彈性且敏捷的服務架構，包括API 生態、混合或多雲、Hybrid AI 都將是其中重要技術應用。關於AI，國內外許多銀行都曾將AI 應用於反洗錢、詐欺等金融犯罪防治，如CloudMile 萬里雲攜手Google Cloud近日即協助 CTBC 中國信託開發嶄新的AML模型場域，透過圖論的方式分析交易網路，發掘更多交易網路中的隱藏特徵，作為嶄新反洗錢模型，不僅提升三倍交易監測的命中率，更解決過往審查新客戶時間長、誤判率高的市場痛點。也有更多金融業善用大數據、機器學習等技術來分析客戶所購買的金融商品，將相關數據建模之後再用於商品推薦。除反洗錢模型模組外，CloudMile 亦曾協助開發KYC 查核模組、FIDO 網路身份識別模組及個人化服務的AI 模組，能協助企業縮短AI 的開發時程。同時CloudMile 也能一站式提供API 管理、數據治理（安全及隱私性）服務，協助打造開放敏捷的IT 架構（如圖1）。

透過 MLOPS 讓資料科學與IT維運團隊協同合作 加速 AI 開發

許多大型企業，包括金融業在內，近年也紛紛投入資源成立數據研發部門，專注大數據與AI 開發。對他們的資料科學團隊而言，最困難的不是開發模型，而是模型開發之後很難交付營運部門做後續上線與維運。傳統上在整個AI、ML 的開發流程中，建模只佔一小部分，整個AI從開發到部署流程涵蓋許多步驟，從資料準備、訓練模型、評估模型，每個步驟幾乎都要手動，相當耗時。且建置這些步驟也不夠彈性，往往只有作者了解內容，其他同團隊的成員即使了解也很難重複使用。再者這些程序也常容易出錯，IT 營運團隊與資料科學團隊難以協同合作，對於程式在線上與離線的效能常有非預期的差異看法。因此，如何將開發後的模型與營運流程順利整合，讓開發人員可專注開發，就需要機器學習作業MLOPs（Machine Learning and Operations）。

在Google Cloud AI Platform 上提供End to End 從ML模型開發到上線維運的流程服務（如圖2），首先在資料科學層Al Platform: Notebooks 是一個JupyterLab 的代管服務，可與GCP 各種服務整合，這是一個讓喜歡用Jupyter Notebook 開發的資料科學家慣用的介面，可串接到版本控制系統，也可按排程來執行Notebooks 。而在MLOPs 基礎架構層則有許多模組化服務，包括AI訓練服務、預測服務等，是建模流程的核心。由於ML 開發是依企業需求應用不同而高度客製的工作，因此這裡每種服務可供入門級到進階不同程度的AI 開發團隊使用，也可放入自己使用的工具到平台上。

(圖2) 中標記綠色的方框服務是 GCP 在 2020 將推出的新項目，Feature Store 可用來解決在訓練模型中遇到的問題，可在訓練初期用來註冊特徵並讓資料科學團隊成員彼此分享特徵，以確保團隊成員不重工，且每次能使用最強大、有效的特徵來建立新模型。而 AI Platform: Experiments 則是一個強化的模型試驗、比較與追蹤的服務，能與 Google Cloud 的 TensorBoard 整合，讓團隊成員了解模型試驗的次數與過程，以選出最適合應用的模型。最後底層是 ML Pipelines 與集中的 metadata 儲存庫，這可確保開發團隊不會為每個不同步驟寫出各別的程式碼，流程中所有的產出都會儲存在集中的 metadata store 中。

最後，不論是自行開發 ML 模型或選擇具備經驗與專業技術的合作夥伴 CloudMile 協助建置，AI 的開發應用已成為重要趨勢，企業應及早做好準備。尤其金融業如何從 ML、AI 開發應用，並發展出 API 生態系，透過 API 與異業合作拓展新興業務、新方向，都是技術趨勢發展的核心。