根據國際研調公司Gartner預估，至2024年全球將有65%的應用程式會從Low-Code平台開發，只要透過圖形介面、拖拉組合，即使沒有程式背景的使用者也能輕鬆使用工具完成工作。2015年創立於矽谷的Mobagel行動貝果則是以No-code AI平台服務為主，利用Auto ML產品和技術來幫助客戶商業決策，強調讓任何業務單位與使用者都能輕鬆操作。
近幾年來協助製造、零售、電信、醫療產業超過上千家企業加速數位轉型，培育超過十萬個AI人才，幫助企業從日益成長的大數據來源中萃取價值，作為 AI 企業決策的核心依據，並受到國際權威研究機構 Gartner 推薦，連續三年榮獲其研究報告推薦的企業級 AI/ML 平台。
1.Decanter AI 自動化機器學習平台的主要功能？希望能解決產業哪些問題？
由於科技技術的成長，企業透過蒐集、儲存累積了海量且複雜的數據，希望能從中找到潛在洞察。但是礙於效益，企業無法立即投入長時間與人力成本建立數據團隊並導入AI。因此，Decanter AI 自動化機器學習平台便是一個集合了上百個機器學習演算法，以及數十萬資料集的人工智慧引擎，幫助企業從上傳資料集、建立模型，到資料解讀，透過AI快速建立數據預測模型，及早發現問題。平台最大的優勢在於簡易的操作流程，過程中不需要撰寫程式碼，只要選擇資料集和預測目標，就能快速驗證使用。
除了技術層面外，企業普遍面臨 AI 人才與產業人才供不應求的情況，已直接影響部分企業的 AI 發展進度，連帶影響到 AI 應用所帶來的生產力提升和經濟成長落實的速度。因此 MoBagel 除了幫助企業進行 AI 轉型，也十分注重 AI 教育推廣。致力於建立 AI 產學聯盟，不僅幫助學術端將 AI 入課，並推廣學生考取 AI 證照，至今已經與國立台灣大學、國立台灣師範大學、國立台灣科技大學、國立中央大學、東吳大學等十多家大專院校合作，培養十萬名各領域的資料科學人才。積極創造企業人才鏈結，從教育端紮根不僅滿足教育需求，也加速輸出極度缺乏的 AI 人才。
2.企業使用前該進行哪些準備？
從過去服務企業的經驗，我們發現「數據資料、問題定義、人才」是企業內部推動 AI 轉型的三大重點。
首先問題定義與資料是很重要的兩大關鍵，企業必須先釐清要解決的問題，接著才能進入資料盤點的階段。由於資料的完整程度會影響到模型的準確程度，包括資料是否齊全、數量是否足夠，以及數據的收集方法等，都跟問題有緊密的關聯性。
使用者除了能在資料上傳後，利用平台本身的功檢視資料是否齊全。在一開始的命題階段，技術及商務團隊將會與企業端溝通題目的定義並盤點資料，溝通時間少至一兩天，長至數月，得視企業本身的狀況而定。
當企業擁有資料與商業命題，「人才」也是企業內部推動 AI 的關鍵之一。產業已意識到 data-driven 的重要，但如何培養擁有產業知識的數據分析師或資料科學家？No-code AI 平台能讓企業組織內部跨團隊合作更加緊密，在同一個 AI 平台上，讓業務部門、工程部門或是資料科學部門匯聚一起，用相同語言溝通，加快 AI 分析流程，促進業務團隊更容易與技術團隊溝通，針對資料結果具體提供商業觀點，對於演算法的討論進一步調整，如此一來跨部門間的溝通更為流暢，為企業提供更多靈活性。
3.適用場景及產業？
團隊長期投入 AI／AutoML 及資料科學發展，累積對不同產業的知識與了解，並針對不同客戶屬性發展出不同的AI服務。目前已在電信、金融、製造、行銷及供應鏈管理等產業上累積許多成功案例。
由於產業與場景不同，命題與資料的搜集也會有差異，例如部分製造業會希望能將工具部署在機台上，或是機台參數所搜集的統計參數差異極小、欄位別也與其他產業不同；金融產業則是希望結合BI，並能於報表上呈現結果，這也考驗了平台在AI預測後，如何將結果回傳給客戶及視覺介面呈現。
另一方面，若是使用在行銷面的話，則多半希望能結合Google與Facebook廣告數據，期待能用AI預測廣告能否帶來更高的ROI效益。
4.使用人員是否有能力限制？
過去AI平台的使用者多半以IT人員及資料科學家為主，行動貝果近來也積極協助企業進行平台內訓課程，並與多所學校進行產學合作，主動培養新的AI人才，讓學生及商務人士也能習慣平台操作。若是沒有相關數據人員的中小企業，也可以選擇和資料科學部門合作，也就不用擔心平台操作的問題。
同時，也積極優化平台的使用介面，讓多數非資訊背景的使用者也能直覺式的操作。而工程部門人員也可以在模型完成後，下載核心的程式碼及參數，並針對企業的需求近一步調整。
藉由共同平台的使用，能讓企業組織內部跨團隊的合作更緊密，無論是業務部門、工程部門或是資料科學部門都能以相同語言溝通，加快 AI 分析與溝通流程。
5.成功案例或目前使用客戶？
以下為兩個導入AI後有顯著成效的企業案例：
中國前十大標竿食品企業-冷藏品出貨計畫
全國市占率第二的公司如何藉由AI技術正面迎戰「產銷失衡」的通點，帶領公司突破多年高原期，利用大數據及ML模型成功替公司減少274萬人民幣約1200萬台幣的冷藏品報廢所衍生成本。
FB廣告預測
其一是廣告週期較短的護膚品電商，導入AI模型後發現96%的廣告是無效廣告店家，關閉後省下將近35.5%的預算，每個月省下約71萬。另一個則是廣告週期較長的電商品牌，導入AI後發現將近75%的廣告是比較低效能的，應該盡早關閉，總共省了將近20%的行銷方面的預算，大約每個月省下約20萬的行銷預算。（更多成功案例分享：不需建立數據團隊也能使用 AutoML：轉型神隊友）
