AI 當前已從理論逐步到模型部署與應用階段，然而有研究機構指出，雖然許多產業進行無數的前導專案 (Pilot Program)，但卻有 60% 的 AI 模型開發無法順利進入部署與應用。 40% 雖順利進入部署 AI 解決方案，但模型卻因疏於維護、監測與調校而逐漸失去準確性，到底出了甚麼事?
在企業營運中，許多預測分析流程仰賴 AI 模型的運作，而 AI 模型之所以能開發、部署與應用，背後是無數的 IT 與資料學團隊合作，包含資料串流的標準化與機器學習模型即時整合。為了能加速 AI 模型的開發與應用，一種新的趨勢——「AI 工業化」，成為當前最新作法，這套流程白話來說即是把 AI 產品化，然後用機器學習平台來生產這個「產品」。一如製造業產線上的自動化一樣，用一系列的步驟與協作，讓平台自動生成 AI 模型，再讓相關資料/IT 團隊進行後續作業，降低 AI 開發與維運成本，與解決分析軟體與程式語言不相同的問題。
AI 模型產品化流程。Photo Credit: Howie 提供
AI 工業化核心關鍵：MLOps 平台
MLOps 是資料科學家、ML 工程師、軟體開發人員以及其他 IT 部門的共同產出，用於機器學習模型生命週期。模型的訓練、測試分析、資料的預處理都可以在 MLOps 完成，你可以把他想成一個用來生產 AI 模型的協作平台，透過敏捷運作的方式降低企業的技術負債。用商業語言來說，MLOps 讓企業可以快速生產 AI 模型同時又可以兼顧模型品質，而速度與品質的兼備則是業者大規模部署 AI 的先決條件，大型科技業者如 Google、Facebook、Uber 與 IBM 皆相繼投入此應用。
打破砂鍋問到底的美國國家海洋暨大氣總署
美國國家海洋暨大氣總署 (NOAA) 肩負災害預警與大氣海洋研究的任務，由於需要預測分析大量氣象狀況，因此其資料來源也相當多元，包含網站、衛星、感測器、資料庫等。由於其資料應用強調即時性，過往各自開發模型與資料處理的流程速度過慢以至於跟不上需求，公司因此成立 AI 中心並與 Google 合作，並推出名為「AI2ES Vision」的 AI 策略，從衛星資料開始，逐步整合其他數據源與增強模型測試能力，透過將AI產品化的方式，更快從資料中抽絲剝繭，提供更精準的預測結果。
NOAA 仰賴大量衛星資料進行災害防治與預測。Photo Credit: Howie 提供
摩根史丹利——解除金融業常見的穀倉效應
歷經數年的探索，機器學習與AI在金融業的角色從中後台的風險控制、偵測防弊，逐漸往前台的業務應用發展，身為高度監管的產業，金融業在運用 AI 的速度限制也較其他產業多，國際投行摩根史丹利在六年的試誤中體會到工業化 AI 的競爭優勢。其財富管理部門的 AI 平台負責人 Shailesh Gavankar 認為模型除了要精確外還要能大量且快速的部署，以因應更快的金融市場變遷。由於投行金字塔型的組織架構與嚴謹的文化使得資料科學家的發會空間更為受限，因此公司成立內部沙盒機制 —— Anthem ecosystem，透過單一 API 的機器學習平台連結各種資料與人員，讓業務、AI 開發、部署與維運三大團隊，能透過一個標準化的流程來生產 AI，短時間內產生數千個金融模型，加速其金融服務推出速度。
模型風險控制成為工業化 AI 的守門員
即便許多的企業與機構相繼投入工業化 AI 的運用，快速開發與部署模型固然有規模效益與時間優勢，然而這些模型許多識因應即時需求 (如環境變動或消費者行為改變) 而產生，因此是否能在長時間中繼續使用仍是個謎；再者，若有數百個模型同時需要校正與修改也會是個巨大工程 (想想如果你一次寫出一千個方程式找出一千個最適解，但半天後因為要找另外一千個最適解，光修正跟找答案就要你半條命了)。因此模型風險控制 (Model Risk Management，MRM) 便成為工業化 AI 的馬其諾防線，MRM 根據 AI 團隊與利害關係人的需求，不斷檢視基礎架構、資料量、模型本身信度與效度，以及環境變化，徹底打破穀倉效應，使模型偏誤達到最小，大型顧問公司、科技業者與國際銀行越來越重視 MRM 的運用。
