資拓宏宇擘劃資料分析平台藍圖，將AI植入企業的DNA

隨著企業數位轉型風潮日熾，改變各產業的競爭生態，加上「資料力」成為決定轉型成效高低的關鍵，以致近年企業資料分析需求急遽攀升。身為臺灣資通訊服務領域標竿業者的資拓宏宇，因而受託參與許多大型資料分析專案。

資拓宏宇政府暨財金事業部副總經理毛曉夫表示，因市場競爭轉趨激烈，導致客戶對資料分析的時效性要求越來越高，假使走專案模式，將礙於客製化程度過高、佈建時間過長，難以契合客戶期待。著眼於此，近兩年資拓宏宇開始跨足產品代理業務，轉向「產品為主、專案為輔」服務模式；與此同時，也提出一套資料分析平台參考架構，期望引導企業按圖實作、循序建構完整的大數據分析量能，將AI植入企業的DNA。

從底層資料儲存串連到最上層APIM，形成一條龍完整結構

毛曉夫指出，資拓宏宇憑藉豐富專案經驗，觀察到多數企業在推動資料分析上，普遍面臨一些挑戰。首先是資料散佈不同系統，且存在資料不一致性的盲點，導致使用者無法即時採用這些資料。其次基於法令規範與顧客要求，使企業對於資料隱私保全要求不斷攀升，因而需要審慎構思資料落地的安全性設計。再者，目前資訊單位承接的數位化任務過多，作業負載吃重，以致回應業務需求的速度變慢，但因業務同仁缺乏技術實作能力，所以只能等待，因而錯失Time to Market時效性。

為協助企業突破上述瓶頸，資拓宏宇積極找尋解方，於是定義出蘊含多個Layer的資料分析平台參考架構。從底層而上，依序包含Batch Layer、Speed Layer、Serving Layer、Analytic Layer及Application Layer，完整涵蓋企業資料維運（DataOps）的生命週期。

針對底層資料處理，毛曉夫建議採用支援平行處理架構的資料倉儲；如資拓宏宇代理的Vertica，不僅在大數據分析效能上深具優勢，相較Legacy系統也有更強的價格競爭力，堪稱高性價比的資料倉儲選項。至於資料不一致、落地安全性等難題，建議透過資料虛擬化（Data Virtualization）技術來解決；它的運作方式是，企業利用一個假設層，從不同系統彙集所需資料，以虛擬化方式進行分析運用，當使用需求結束，這個假設層連同虛擬資料便立即消失，目前資拓宏宇代理的資料虛擬化產品為Denodo。

到了分析層，過往使用者習慣請求IT同仁給予協助，利用BI工具產出資料分析報表。惟現今情勢驟變，為掌握行銷業務的黃金時效，迫使使用者必須自已執行分析，為此Gartner也提出「Citizen Developer」概念，意指人人都可借助好的輔助工具，即便沒學過程式開發，也能成為技術者、開發者；基於這般趨勢，資拓宏宇引進自動化機器學習（AutoML）工具Dataiku，標榜使用者只要送進資料，就能自動進行分析、產生最適化模型。倘若需要開發程式或編寫，可藉由Low Code低代碼工具Outsystems來完成，以內建模組拖曳方式自動產生程式，如此可解決工程師不足及程式品質的議題，讓人力可有更好的發揮及運用。

最上層為當今火紅的API管理（APIM）。企業運用API，將最終模型訓練成果提供給不同使用者或不同系統，藉以串接不同業務流程串。為此資拓宏宇引進APIM領域的第一品牌Kong，並成功推廣至大型金控、租賃服務等應用場域。

毛曉夫指出，綜觀資拓宏宇勾勒的資料分析平台，從底層資料儲存出發，經由資料虛擬化、AutoML到APIM逐層拾級而上，形成一條龍完整結構。此外資拓宏宇也提供資料治理顧問服務，將Policy元素帶入資料分析平台，讓企業可針對資料使用、儲存等環節，制定明確規範。

實踐MLOps及APIOps，API上架效率激增六倍

資拓宏宇大數據團隊經理許維揚表示，上述資料分析平台架構，並非資拓宏宇憑空發明，而是參酌Gartner提出的資料分析與AI分析方法論所定義的。其中底層的Batch Layer、Speed Layer，分別負責歷史與即時資料處理；針對前者，資拓宏宇推薦的工具為Vertica資料倉儲，針對後者主要運用Spark、Kafka等技術框架。

Serving Layer為資料提供層，關鍵技術是資料虛擬化，如Denodo即是相對應的產品之一。Analytic Layer主要做為MLOps平台，讓行銷人員、業務人員或技術人員都能借助此平台，在Low Code或No Code前提下，一氣呵成滿足模型訓練、開發、部署、版控、健康度監測、重新訓練等完整需求。許維揚解釋，在Low Code模式，使用者拉進圖形資料後，只需撰寫低度的Python Code或R Code即能產出模型，至於No Code模式則完全憑藉拖拉式操作；無論選用哪種模式，最終都經由系統協助建立最佳模型，再將之轉換為API形式。

Application Layer意指APIOps層，可在APIM管控下，將各個API上架並提供予前端使用者。以往企業欠缺APIM，故當資料科學家平均花三個月整理資料、撰寫程式並完成模型訓練後，須由IT部門接力開發API程式、這段歷程平均也是三個月；因此從Idea產出，一路付諸實踐到最終API上架，前後長達6個月，等於一年僅有兩次產出。反觀在MLOps及APIOps串聯運作下，相同題目，最快一個月內完成，形同一年有12次產出，與傳統模式的產能差距極大。

展望今後，資拓宏宇將以顧問銷售形式，將資料分析平台推廣至製造、金融等目標客群，協助相關企業加速AI落地。如協助資料業分析其產品前端使用行為，做為下一代產品設計參考依據：或協助金融業為所有顧客貼標，建構顧客的360度畫像，以利挖掘具業務開發價值的既有客戶和潛在客戶。