對未來的數位化企業而言，隨時蒐集資料、運行資料分析可說是基本必備的能力，除了藉此輔助提升日常工作的執行效率，更吸引企業的是可藉此持續創新商業模式。
成立至今已超過40年的SAS，來台灣設立分公司也已屆滿30年，可說是統計與巨量資料分析領域重要的工具。隨著傳統應用逐步轉型為微服務架構並運行在容器環境，SAS於2017年發布了Viya，讓資料科學家、業務分析師、應用開發者得以藉由統一操作介面執行各自的任務，日前更進一步增添了自動化機器學習建模、SAS Open Model Manager，以滿足現代工作者應用所需。
雲端原生發展SAS Viya平台
針對資料分析科技發展趨勢，SAS台灣業務顧問部副總經理陳新銓引述Gartner調查報告提及，預計在2020年之後，40%以上的資料科學任務會被自動化，進而產生價值；2022年後，50%以上的營運系統會整合即時情境資料，以改善決策，也就是說，過去資料分析的建模方式，較偏向於批次執行，現在的趨勢是增添互動性，必須即時反應前端的變化，例如，消費者購物以信用卡支付，有時會考量可能出現額度不足的問題，因此選用另一張信用卡支付。如果銀行可以即時發現信用額度剩下不到一成的消費者，並且主動進行調整，即可留住該名用戶。
至於各產業相當仰賴的人工智慧，現階段應用模式較偏重採用開源陣營發展的技術來實踐，發展到2022年，有75%會採用商用平台。陳新銓實際接觸企業發現，儘管現階段的應用模式主要是採用開源陣營技術，未來勢必會回歸到商業版本，主要因素在於解決管理成本過高的問題。根據國際調查報告，一個資料科學家待在一家公司的平均時間是11個月，畢竟全球人才市場需求相當大，不到一年時間就可能會被挖角，必須累積這些人才的知識，以及承接控管工作，才可避免影響整體維運。「此時若採用的是SAS商業版軟體，萬一遇到承辦人員異動，即便客戶端內部IT人員無力承接，還可交由SAS原廠協助；若是開源陣營的工具，只能在社群尋找解決方法，屆時對企業而言風險相對較大。」
人工智慧演算分析的落實，勢必會涉及到容器化議題。陳新銓指出，根據IDC於2018年發布的統計數據，進階分析或稱為人工智慧市場，平均年複合增長率為9.4%，其中最大的動能來自公有雲服務，成長29.6%，由此可發現，隨著新型態數位化應用需求，對於公有雲的態度已逐漸開放，雲端平台將成為新世代的應用運行模式，這也是近兩年本土企業開始部署容器環境的主因。
資料分析往往需要多種技術所建構的環境，IT人員的維運極為複雜。例如SAS便提供許多實作框架、演算法，讓資料科學家選用，因此資料分析工具轉而運行在容器環境，將有助於IT人員降低整體建置、維護的負擔。
雲端原生發展的SAS Viya平台，提供整體的微服務架構，把原本軟體工具的功能項目改以服務方式提供，例如登入、驗證、分析引擎等，皆為獨立的微服務，可依據企業應用需求，透過RESTful API整合運行。陳新銓強調，「現代化的軟體工具並非僅停留在前幾年提倡的Cloud Ready，必須基於虛擬主機封裝成為Image檔案，而是已經邁向雲端原生。SAS的策略是兩種都支援，畢竟現階段的企業環境多數為並行，隨著汰換年限期滿逐漸轉移。」
基於自動化機器學習建模降低門檻
各行各業皆面臨數位轉型，但並非應用系統演進到微服務架構、部署到雲端平台即可稱為數位化，更關鍵的是整體組織皆得以基於資料分析數據來執行任務，並且隨時蒐集資料、即時分析，獲得最精準的解答。SAS可協助建構一個平台，讓不同技能的開發者藉此執行資料建模、大數據分析，即便非SAS程式語法仍舊可以呼叫執行，達成輔助決策的目的。
資料分析模型建置完成後，必須連結到前端的業務決策，才可發揮價值，此時即可透過API呼叫整合運行。例如客戶產生刷卡訊息進入到智慧中台，可自主判斷信用額度的調整範圍，並且即時通知前端系統，以免影響客戶刷卡體驗。
IT管理者思考的方向，大多是依據未來分析需求來決定架構，陳新銓則認為，現階段更重要的是提供便利建模方法，降低資料分析門檻，甚至是達到平民化，讓第一線工作者都可以建置模型。「當然，這就必須要有一個平台來支援，讓人工智慧建模、分析，甚至是部署，都可透過自動化方式執行，此即為SAS發展自動化機器學習建模的理念，如此一來才可更有效率地實作各式人工智慧應用。」
SAS台灣業務顧問部副總經理陳新銓強調，現代軟體工具已經邁向雲端原生，並非僅停留在前幾年提倡的Cloud Ready，必須基於虛擬主機封裝成為Image檔案，而是改以微服務架構在容器環境。
對於自動化建模的實踐，SAS是基於ModelOps方法論實作模型生命週期，建立可自動被執行的循環機制，包含模型的部署、執行、重新訓練等操作。陳新銓進一步說明，採用ModelOps建構資料模型與執行分析任務，涵蓋模型開發、模型部署、業務營運，從資料準備與處理、建模、部署、上線運行、監控業務營運效益的回饋、再重新訓練，這是一個持續循環改善的過程，旨在協助組織進行決策並且產生商業價值。
此外，為了確保建構完成的資料模型正確地對應到營運業務決策，交付給IT部門實際上線的過程中可能必須重新撰寫程式、驗證資料。SAS可發揮之處，即是讓ModelOps得以無縫接軌，在模型開發完成後，不同業務屬性採用的模型可做出有效決策，讓業務行動產生效益。最終結果再回饋到該模型，藉此重新訓練。
SAS本業就是資料分析，自然擅長建模。陳新銓說明，模型生命週期並非新的框架，只是在人工智慧應用尚未起飛之前，多數企業感受不深，直到近幾年才開始受重視，體認到模型生命週期管理的重要性。管理的目的也並非只有程式碼版本控管，更重要的是有效度衰退之前，必須執行重新檢視與微調的時間點。SAS提出的是運用自動化機制來實作，來達到ModelOps。
當企業導入部署完成解決方案後，下一步則是由台灣SAS顧問協助，依照應用需求給予建議執行的步驟。「針對欠缺資料分析專家的企業，需要的是立即可用模型，例如購買行為、詐欺偵測等，SAS亦提供RaaS（Results as a Service）模式，由SAS顧問團隊採用自家軟體幫企業完成運算與分析結果，同時兼顧成本與經濟效益。」