【110年 解決方案】 行動貝果讓AI像Excel一樣簡單高效 提升數據分析力
64甚麼是AutoML(自動化機器學習)，與ML(傳統數據分析)有何不同？需要先來進一步釐清。
傳統的機器學習必須經過資料清理、資料前處理、特徵工程、特徵選擇、演算法選擇、模型建立、模型訓練、參數調整，再到評估結果，產出模型應用。過程中，一但參數有問題，必須從新選擇演算法、重新建立模型等，來來回回重複上百次。若萬一有了新的資料，所有的步驟都要重走一遍。 透過自動化機器學習，模型應用的產出過程只需要經過資料清理、特徵工程、數據建模及模型評估等四大步驟的自動化，即可達到模型應用，即使需要蒐集新資料，也能透過自動化機器學習達成，省時又省力。
▲ML與AutoML之比較 資料來源：行動貝果有限公司
AutoML是一種能夠讓機器學習模型開發中耗時的反覆工作自動化的程序，這讓相對缺乏AI人才的中小型企業，也能自己打造客製化的機器學習模型。近年來，國際大廠紛紛搶入這塊市場，包括Google於2018年發表的Cloud AutoML，以及雲端運算龍頭AWS在2019年推出AutoPilot，AutoML已然成為主流學習服務的標準配備，從網頁化介面、免程式開發及工作流程視覺化管理等，服務發展面向越來越多元。
行動貝果（MoBagel ）是一群由頂尖資料科學家、工程師、產品專案管理師組成的專業團隊，團員來自各地名校，包括美國史丹佛、柏克萊、牛津、台灣大學等，同時也曾獲選參與矽谷知名加速器500 Startup、獲選參加日本SoftBank Innovation Program、也在Nokia的Open Innovation Challenge中得名。
行動貝果Decanter AI平台，讓分析專案從兩個月縮短至兩天
行動貝果專攻資料科學和機器學習技術，在2016年研發自動化機器學習分析工具Decanter AI，迄今已幫助超過100家的企業將AI導入重要的決策中，分析專案從兩個月縮短到兩天。服務過的領域包含零售、電信、製造、金融等產業。
行動貝果有限公司副總經理林昱申表示，Decanter AI讓AI像Excel一樣簡單高效，可以提升企業數據分析生產力。使用者不需要先具備深厚的專業知識與經驗，透過簡單的超作介面，就能進行自動化機器學習來作資料分析與預測。
使用Decanter AI有簡單三步驟： 步驟一、將數據整理成csv格式 ；步驟二、上傳至DecanterAI設定預測目標 步驟；三、Decanter AI自動建模，獲得預測成果 。部署方式可以在公有雲，也可落地到企業端的私有雲，內部資料上傳之後，即可建模使用。
▲DecanterAI使用三步驟，簡單又方便
AutoML的優點是能夠自動化訓練大量模型、調整參數、產出最佳模型，快速部署、快速導入，在新冠肺炎病毒(COVID-19)疫情之後，各行各業面臨新的市場變局，必須透過快速、便捷的數位工具進行數位轉型。
行動貝果近年來，持續推動DecanterAI平台的優化與建立產業資料建模分析能力，並產生實質效果。如中華電信運用平台針對攜碼客戶進行盲測，並進行數據分析，有效降低用戶的離網率並提高客戶留存率。國內龍頭食品大廠，由於飲品有效期，加上冷鏈的生產與銷量情況必須完全整握，才能降低庫存與損耗等問題，在導入DecanterAI平台之後，除了可精準預測市場需求量，根據效期數據分析生產及配銷數量，也有助於降低倉儲物流成本。
AutoML產業應用多元廣泛 未來發展潛力大
行動貝果認為，AutoML在產業應用十分廣泛多元，包括製造業所困擾的員工離職預測、生產需量預測及營收績效預測；智慧零售業的門市客流預測、商品補貨預測、會員促銷預測；電信業的客戶流失預測、潛客名單預測；金融業的理財精準行銷、信用卡盜刷偵測及保險申辦快審，甚至於房地實價預測、停電災損預測等，都有助於解決產業的經營困境，創造新的商業模式。
▲AutoML產業應用多元，涵蓋製造、零售、金融等產業 資料來源：行動貝果有限公司
AutoML導入期需要花費多少時間與準備？林昱伸表示，在實際做法上，自動化機器學習企業導入進程包括四大期間：
一、 準備期：協同企業討論聚焦商業痛點，協助定義分析命題，並提供資料科學專業建議與最適解決方案，為期兩周左右時間。
二、 驗證期：以小範圍試點專案快速驗證分析成效，確保命題設定、數據品質、分析流程、預測技術等面向，作為後續實務應用與放大之基礎。需要花費三周時間。
三、 導入期：依企業需求支援雲端或本地端產品部署。提供操作與維運教學、Help Center、數據分析顧問諮詢、企業培訓課程等產品導入服務，需時一個月以上。
四、 應用期：分析/數據團隊可透過產品通用介面執行各項AI專案，快速落地。並可透過API串接預測引擎，依實務場景開發應用模組，此一為應用最後階段，耗費時間較多，需時長達數月之久。
然而，行動貝果與SI夥伴進行系統整合專案流程，由SI夥伴進行商業命題討論，及提供資料集，隨後進行資料健檢與Baseline模型，據此，行動貝果提供資料診斷報告，確認試點專案命題之後產出需求規劃書，就進入專案執行階段，模型建立、優化及提供分析報告。與SI業者進行系統整合，一方面優化處理模組開發，另一方面使用API串接數據源與輸出預測結果，導入企業的場域，有效解決企業在面臨數位轉型中的命題。
展望未來，Decanter AI平台上將持續開發各項AI創新應用服務，與產業上中下游如企業資源規劃(ERP)、顧客關係管理(CRM)、商業分析(BI)與電子商務平台(EC)等夥伴，以共創、共享與利他的方式極大化生態圈效益。
(本文源自於「AI Engineering線上小聚」內容精選整理)
