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
icon/enlarge

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
icon/enlarge

(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。