相信截至目前你應該已經聽過或看過很多 Gartner 或 IDC 的趨勢數據，像是：
到了2026年，有 85% 的組織都會利用 ML 來提高效率、62%的組織計劃增加每年在 AI 專案上的投資等...
但問題是：為什麼企業投入大量人才與資金在 AI 與 ML 專案上，仍只有 53% 的 AI 專案能成功從 Prototype 到 Production？（from Gartner 在去年的趨勢報告）
AI專案從開發到部署上線成功中間的阻力在哪裡？還有什麼優化的可能性？
原因在於
在ML剛開始起來的時候，ML專案可能傾向單次單點、實驗性質為多
但現在，很多企業的 ML 專案已經開始往：
➊ 處理挑戰性更高、影響範圍更廣的商業問題
➋ 擴展更多 ML 的應用場景，不只限於單一部門內的專案
➌ 更廣泛被大眾化使用，ML的預測結果開始納入日常決策的一環，開始到走向大規模採用AI的成熟階段
現正面臨的挑戰多為：
- 如何縮短模型部署週期？從幾個月的時間縮短到幾天？
- 如何支持更多專案的同時開發？
- 如何讓資料科學團隊與 IT 維運團隊更無縫的合作？
- 如何更標準化去管理監控模型的更新週期，並無時間斷層的整合推出模型服務？
這就是為何 MLOps 開始被受討論的原因
MLOps 已經成為企業想取得 AI 長期成功的必備方法架構，MLOps 是幫助企業能否將 AI 效益「持續性、長期性擴大」的關鍵。
👉 誰必須了解 MLOps ?
其實並不是只有 ML 工程師、資料科學家需要了解 MLOps 的概念，AI專案管理者、甚至是企業管理者都需要對 MLOsp 有一個基本了解，因為這跟長期運營有關係，需清楚知道一個：
- AI 專案會經歷哪些階段、各階段有哪些重點？
- 可以從專案中取得哪些Metrics？如何評斷該專案的價值？如何維運？
- 未來如何優化？
- 不同職能專才（數據工程師、資料科學家、商業分析師、軟體工程師、SRE工程師等）如何更無摩擦的流暢合作？...等
接著才能真正深入評估一個平台，如何能落實以上這些事？
如何確實做到把 MLOps 的方法架構運用在實際的 ML 專案中？
👉 Dataiku |連續兩年獲評 Gartner 資料科學與 ML 平台的領導者
08/03(三) 下午2點-3點半
我們將以製造業最經典的 AI 應用「預測性維護」為例
目前製造業在預測性維護實踐上的最大難題，不只有模型訓練，還有...
- 如何管理多節點或各機台上數十到上百個 AI 模型？
- 如何在單一平台上，全面性滿足企業對 DataOps 與 MLOps 的需求？
➩ 而這是 Dataiku （企業級協作式AI與MLOps平台）可以解決的事
我們也將會在線上分享會中，直接進一步示範
這是一場全新內容的90分鐘分享，將涵蓋：
➊ 全球製造業 AI 導入趨勢、快速點出前10項製造業常見 AI 應用
➋ 直接示範 Dataiku 平台：教你如何用最短時間建立系統化的「設備預測性維護」
➌ 高科技製造業案例分享：GE 奇異航空、NXP 恩智浦半導體如何借力 Dataiku 取得高實質回報
誰適合參與？
適合追求 AI 專案營運效率的企業參與
工作職責跟數據運用、AI專案營運密切相關，需要更快交出成效的高績效工作者
- 有意願借力新工具突破 AI 專案營運瓶頸的管理者
關於 Dataiku
Dataiku 是市場上，很強調「企業級協作式」的資料科學平台
連續兩年獲評 Gartner 資料科學與ML平台的領導品牌
在單一平台上，可同時滿足 No-code, Low-code 到 Full-code 的人才
讓不同專長的人可以貢獻其專才，創造 1+1 >2 的協作效果
也讓 AI 輔助決策成為每個職能角色的日常
關於 PGi 樺鼎商業資訊
是 Dataiku 在台灣的合作夥伴，專注提供能快速落地的 RPA 到 AI 應用解決方案與專案諮詢。
我們的核心信念是：為台灣企業打造「最省力的數據決策模式」，目前累績超過 300 家知名企業長期配合，我們相信，有品質又快速的決策力，是企業的隱形武器。
透過與各數據領域的領導品牌合作，如 RPA 流程機器人第一品牌 UiPath、視覺化分析平台Tableau、資料清整流程自動化平台Alteryx、跨職能協作的資料科學與 MLOps 平台 Dataiku 等，幫助不同數位成熟階段的企業，從最容易開始的數位優化，逐步走到各部門都可參與的數據分析與AI協作，打造精實的數位轉型之旅。
