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)。

 

圖1 – CloudMile 金融產業解決方案

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 – Google Cloud AI Platform 提供完整 MLOPs 流程服務

(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。

訂閱 CloudMile 電子報

所有 CloudMile 最新消息、產品動態、活動資訊和特別優惠,立即掌握。

我已閱讀並同意 CloudMile  隱私權政策.