資料科學家協同工作平台
人工智慧無疑是當今最偉大的技術之一，它是一個跨領域，使用數學、統計、分析等科學方法，試圖探索與挖掘數據中隱藏的特定模式並建立預測。Machine Learning Operations (MLOps) 是一種方法論，其目的在於將整個 AI 生命週期透過系統化方式降低從資料準備、模型訓練、模型部署以及模型維運監控過程的複雜度，提升資料科學家團隊的工作效率。
IBM Watson AI & MLOps 係基於 IBM Cloud Pak for Data 平台技術，透過一系列工具組合為企業提供一個完整地端到端資料科學家協同工作平台，讓企業可以更快地建立AI模型、擴大實驗規模、提高AI信任和透明度，同時擴大 AI 人才庫。
功能優勢
資料準備與視覺化分析 (Prepare and Visualize Data)
資料是建立 AI 預測模型的基礎，透過 Data Refinery 資料科學家團隊可以存取和優化來自不同資料來源的資料，同時對資料進行合併、關聯、過濾等清理作業，或是透過視覺化圖表分析功能對資料進行敘述統計及各種圖表分析。當建模資料準備完成後，即可將其加入建模專案中進行下個階段的模型建置及訓練工作。
建置及訓練AI預測模型 (Build and Train AI Models)
為了根據資料獲得預測性見解，資料科學家團隊可以依據本身的專業能力與偏好，選擇合適的工具建立和訓練模型。例如可以選擇以自動化的方法快速地建立一組候選模型清單，並依據指定的性能驗證指標快速挑選出最佳的預測模型；也可以選擇使用自行撰寫程式的方式建立、訓練和評估模型。
- AutoAI: 可以讓您以全自動化方式選擇演算法、特徵工程與參數最佳化、產生候選模型清單、評估排平最佳的模型。
- Jupiter Notebook: 可以讓您使用 Python 或 R 以及您最喜歡的開源框架和函式庫編寫自己的特徵工程模型訓練和評估程式碼。
模型部署與API服務 (Deploy Models and Generate API Services)
無論您使用 AutoAI 或 Jupiter Notebook 建立模型，都可以透過 Watson Machine Learning 友善的 UI 介面，以一鍵部署的方式快速地產生對應的 REST API 服務，讓您的 AI 模型得以無縫地與企業應用系統進行整合，加速實現 AI 所能創造的商業價值。
模型預測品質監控 (Monitor Deployed Models)
模型部署上線之後，資料科學家團隊必須持續追蹤模型的預測性能、一致性與公平性，確保 AI 模型的運行品質。透過 Watson OpenScale，您可以即時追蹤並監控模型預測的公平性，並且隨著時間的推移持續監控模型預測的能力與一致性。
機器學習生命週期自動化 (Automate the ML Lifecycle)
如果您希望以自動化方式執行 MLOps 工作流中的步驟，例如當監控到某個模型的預測能力低於期望目標時，可以自動取得更新的資料進行 Model Retrain 作業。您的資料科學家團隊可以透過 Watson Pipelines 建立可重複性的流程作業（從資料擷取到模型訓練、測試和部署），簡化 MLOps 和 AI 生命週期管理及維運的複雜度。
預期效益
優化企業 AI 生命週期管理工作流程
透過 IBM Watson AI & MLOps 平台標準且自動化的工作流程，讓企業內的資料科學團隊可以優化 AI 和 ML 模型整體生命週期管理工作的過程，降低因技術差異所造成的學習成本。
提升資料科學團隊工作效率及產值
IBM Watson AI & MLOps 平台大幅簡化模型開發及監控工作，企業可以有效提升資料科學家團隊開發 AI 和 ML 模型的能力，並且可以有更多時間來開發其他模型。
透過 AI 模型提升企業經營利潤
藉由 IBM Watson AI & MLOps 平台提供的模型監控與治理能力，提升對模型準確性與可解釋性的信任，企業可以將更多 AI 和 ML 模型投入營運流程中，提升顧客滿意度，降低企業經營成本創造更多利潤。
