今年是AI代理全面起飛的一年，各大公有雲業者相繼推出功能更完整的AI代理框架和工具，就連相關的溝通協定也逐步到位。老牌數據分析大廠SAS也不缺席，近年轉型為AI供應商的他們，在今年產品大會中，跟進許多科技大廠的腳步，將代理型AI（Agentic AI）列為AI新戰略，成為一大產品新亮點。
生成式AI難解偏見，SAS看準AI代理實務潛力
為什麼AI代理如此重要，值得全力押寶？SAS的理由不是因為潮流，而是因應實務需求。
SAS執行長暨技術長Bryan Harris在大會首日主題演講中指出，單靠大型語言模型（LLM）和提示工程，無法滿足企業對生成式AI應用的期待。「研究表明，提示可以減少一些模型偏見，但效果不穩定，也難以重現。」
他進一步說明，研究發現，主流LLM在房貸核准的應用中，會因訓練資料的偏見，導致黑人申請者面臨更高利率與更低通過率。「如果一個人申請房貸被拒，原因只是模型從網路學到了偏見，這樣的結果是不能接受的。」
面對這樣的挑戰，Bryan Harris強調，企業需要一種更強大的方法，來調度LLM、模型治理和API，兼顧公平性、準確性和治理能力。他認為，導入具備治理機制的代理型AI，正是解決這些問題的解方。
這也是為何他觀察到，越來越多企業正快速從生成式AI轉向代理型AI，而且「一份研究顯示，今年將有52%的組織，將代理程式工作流程融入到業務中。」
定義代理型AI的兩種應用情境
SAS產品策略聚焦兩種代理AI情境，AI自主決策（Human-out-of-the-loop）和AI人機協作（Human-in-the-loop）情境。以詐欺偵測為例，在「AI自主決策」場景中，代理可以自主偵測並拒絕詐欺交易，而在「AI人機協作」中，代理會分析不規則交易，並查詢其他資料來源理解上下文、計算綜合風險評分，然後產出摘要，交由人工判讀與最終決策。
SAS應用AI和建模研發副總監Udo Sglavo進一步說明，SAS提供3種代理AI部署方式，一是Viya平臺內建的原生代理，可直接支援即時決策和流程自動化；二是使用該平臺工具自行客製代理，但只能在平臺上執行。三是獨立型代理，無需Viya平臺也能執行特定任務，可用於多代理環境。
他指出，無論採用哪種代理類型，SAS都支援如A2A（Agent-to-Agent）、MCP等代理標準通訊協定，可整合不同代理之間的協作流程。還沒採用Viya平臺的企業，也可從獨立型代理切入，逐步評估實務效益與導入價值。
升級既有平臺，導入AI代理功能
在代理AI戰略方向下，SAS將既有的即時智慧決策平臺Intelligent Decisioning擴充為代理型AI平臺，新添AI代理工作流程設計、執行與監控的能力。
企業用戶可以透過拖拉式介面建置代理工作流程，整合至既有系統架構中，也可以在不同風險和任務複雜度條件下，設計完全自主決策的AI代理，或是彈性調整AI代理的自主決策程度，並加入人類審核流程。
在SAS Intelligent Decisioning平臺中，使用者除了能拖拉建置AI代理工作流程，還能查看、調整既有節點（也就是流程方塊），來讓整體流程更符合業務需求。
Bryan Harris現場展示代理AI平臺的功能，他打開一個自製的抵押貸款（Mortgage loan）申請儀表板，畫面顯示AI代理分析了6,200份申請，其中1,800份需要人工審核。
但仔細看，有位VIP客戶的申請被拒，有點奇怪。為釐清原因，Bryan Harris透過儀表板旁的聊天室，用自然語言詢問該客戶為何被拒，此時LLM給出「查看決策邏輯」和「查看模型卡（Model Card）」兩種選項，來讓使用者理解決策背後的原因。
點擊「查看決策邏輯」，就能看到一張桑基圖（Sankey Diagram），視覺化顯示AI代理工作流程中，各節點的邏輯依據與決策流程。
以這個例子來說，共有20個代理工作流程步驟，比如第一步的申請核准判斷、LLM解釋和最終決策等。若發現步驟有問題，使用者可直接編輯節點，加入新的流程來調整。Bryan Harris強調，這些節點可重複利用，來加速建置代理工作流程。
模型卡與供應鏈追蹤，強化治理與可解釋性
除了代理決策流程透明化，前面聊天室給出的另一個「查看模型卡」選項，也能加強企業對AI代理的理解，尤其是代理背後的模型效能。
這個「模型卡」是SAS去年亮相、內建於Viya平臺的功能，可自動為每個註冊模型產出一份重要資訊摘要，包括準確性、公平性和模型漂移（即適用性）等指標，以及模型修改時間、負責人員，甚至是模型預期用途、使用建議等，就像是模型的營養標示一樣，方便技術與非技術部門掌握模型效能與使用風險。
不只掌握模型效能，Intelligent Decisioning平臺還提供「AI供應鏈追蹤（Lineage）」功能，清楚列出企業所使用的所有模型、流程和資料來源，並可追溯從資料ETL、模型訓練、部署到決策輸出的全部過程，可用於遵循透明性和可解釋性的法規要求。
在代理AI新戰略下，SAS除了亮相AI代理平臺Intelligent Decisioning新功能，還將其納入AI供應鏈追蹤（Lineage）功能中，使用者可一眼查看代理應用狀況、資料ETL、模型版本等資訊。
Bryan Harris現場示範這個功能，畫面會秀出一張流程表，列出企業採用的所有AI流程，比如Intelligent Decisioning平臺的AI代理流程、模型管理器、模型工作室、資訊目錄表和SAS工作室等，各個流程內還會列出子流程，比如模型管理器使用了哪些模型、用模型工作室訓練了哪些模型、目錄表包含了哪些使用資料，以及SAS工作室如何進行ETL。
也就是說，從資料ETL流程、模型訓練、版本管理、模型部署到最後輸出決策的邏輯，都能視覺化呈現給使用者查看，因應合規需求。
不過，SAS數據道德實務副總裁Reggie Townsend坦言，多代理協作環境的治理仍有挑戰性，SAS已著手開發代理層級的治理工具，要進一步強化AI代理的可監管性。
資料對映代理登場，還預告預建代理策略
為進一步降低企業導入門檻，SAS還在大會上宣布預建（Prepackaged）代理策略，首先揭露一款資料對映代理Data Mapper Agent，要來簡化資料表結構（Schema）對映任務。
Udo Sglavo點出，資料表結構對映是個非常常見但耗時的任務，通常，開發者需要寫程式來將來源資料表結構，對映到目標資料表結構。而SAS這款資料對映代理，可自動將來源資料表結構，對映到SAS解決方案或SAS模型所需的資料表結構。
他現場示範，將一個來源資料表結構上傳到Data Mapper後，驅動代理的LLM會分析來源資料表結構的後設資料（Metadata），並將來源資料表結構的欄位對映到目標結構的欄位，還會附上每個對映的信心水準。
要是使用者要是對信心水準低的對映有疑慮，能進一步要求Data Mapper重新評估。若還是不滿意，使用者也可以手動更改LLM建議的對映，「這回到了AI人機協作的概念，」Udo Sglavo說，人類可以隨時介入這個流程。
對映都確認無誤後，下一步，Data Mapper會產出可執行的SQL程式碼，來實際對映資料表結構。同時，它還會自動產出一份JSON格式對映檔，以及一份完整的流程說明文件，包含整個對映過程與手動更改部份，來讓使用者更容易整合、追蹤。
SAS今年首度揭露資料對映代理Data Mapper Agent，要來簡化資料表結構（Schema）對映任務。透過代理背後的大型語言模型分析來源Schema和目標Schema，可產出對映建議和信心水準，分高、中、低三個等級。
Udo Sglavo表示，Data Mapper Agent是AI人機協作的一個實例，未來，SAS還將在供應鏈領域和資料工程領域，推出更多預建AI代理。
生成式AI掀起應用熱潮，但代理型AI成了產業落地的關鍵。老牌數據分析大廠SAS將代理型AI整合至主力產品，推出開箱即用的AI代理，也跟進支援多代理協作協定，反映出積極卡位企業級AI代理生態系的野心。
然而，面對跨模型、跨部門的多代理運用場景，確保AI代理效能穩定且可控，將是AI代理深化應用的最大挑戰，也是SAS接下來必須解答的一道題。
其他AI新戰略：數位雙生和量子AI
不只代理型AI，SAS今年還端出其他AI新戰略：數位雙生和量子AI。
數位雙生雖然不是新東西，但在今年有了新突破，SAS聯手遊戲業者Epic Games，將其遊戲引擎Unreal Engine的強大模擬功能，結合SAS Viya平臺數據分析功能，拓展了模擬真實世界的數位雙生應用，成功替美國最大造紙大廠Georgia Pacific打造出虛擬工廠無人搬運車AGV模擬場景。
SAS今年也揭露數位雙生戰略新進展，聯手遊戲業者Epic Games，將其遊戲引擎Unreal Engine強大模擬功能，結合SAS Viya平臺數據分析功能，成功替美國最大造紙大廠Georgia Pacific打造出虛擬工安模擬場景。圖片來源／SAS
Georgia Pacific廠區長達400公尺，相當於4個足球場，AGV必須避開高風險路線，找出最佳搬運路線，且互不干擾。Georgia Pacific AI副總監Roshan Shah表示，想用數位雙生的模擬系統，來找出安全又有效率的AGV路線。
於是，他們先輸入場域真實資料至SAS平臺，再將數據輸入Unreal Engine模擬環境，來進行虛擬演練，模擬不同路線與數量的AGV調度。最終，他們實作出最佳路線，成功減少8%的平均作業時間，還提高安全性。
不只是AGV路線調度，雙方也利用Unreal Engine和SAS平臺，設計出數位人形員工，來模擬工安事故現場。也就是說，他們用攝影機生成高度擬真的工安影像，像是工人、危險動作和工作環境，來訓練電腦視覺模型，加強AI模型對工安辨識的準確率。這些合成資料，也能提高模型對不同膚色、姿態、光線的辨識能力。
有了這些資料訓練，模型更能在真實場域中，提供更精準的判斷，避免不工安意外的發生。
瞄準量子AI，加速複雜模型運算
SAS另一項AI新戰略是瞄準量子AI，採取合作與研究並行的策略，一方面與量子運算技術廠商合作，例如商用量子退火業者D-Wave，另一方面結合自家研發能力，與企業客戶共同推動試點專案，來驗證量子AI應用的可行性。
其中一項成果，是與跨國消費品大廠P&G（寶僑）聯手的PoC專案，來驗證量子與經典運算混合優化的效益。P&G的產品配方設計，涉及5座混料槽和100多項產品，可能的組合數高達10的114次方，遠超過宇宙中的原子數。要在這麼龐大的可能組合中，找出能避免交叉污染的配方，是一件耗時耗力的工作。
他們結合量子退火技術和SAS傳統最佳化求解器，採取混合運算方法，以量子退火運算處理初始解空間的收斂計算，再以傳統SAS解法進行微調，整體計算時間只需12分鐘，還能兼顧準確度，比傳統做法減少了97%的時間。
除了與企業展開試點專案，SAS也嘗試在旗下平臺發展量子退火技術的AI元件，例如在自助式運算平臺Viya Workbench，實驗性整合量子退火技術，來進行資料前處理、探索數據分析和AI模型開發，計畫未來成為正式功能之一。
新添一系列開箱即用模型
除了AI新戰略，SAS傳統AI產品線也有更新，推出一系列開箱即用的輕量級AI模型，涵蓋政府、醫療、製造、供應鏈與詐欺防範等產業，來降低企業導入AI的技術門檻。目前已上架的AI模型有各產業通用的實體識別（Entity Resolution）、文件分析模型，以及醫療業適用的用藥依從性風險預測模型，製造業專用的供應鏈最佳化模型，政府部門可用的糧食補助金詐領偵測模型、銷售稅合規性分析模型。
SAS還預告，今年將陸續推出更多產業專用模型，例如金融業的支付與信用卡詐欺判斷模型、醫療業的醫療支付審核模型、製造業的工安監測模型，以及公部門的個人所得稅合規性分析模型。
三款工具更新
另一方面，SAS也在今年大會中宣布三款平臺工具的更新，包括雲端整合式AI開發平臺Workbench、合成資料平臺DataMaker和AI建模助手SAS Viya Copilot。就Workbench來說，它支援Python、R和SAS等程式語言切換，使用者能在平臺上建置情感分析模型，並一鍵部署REST API。這款平臺也支援BERT等模型和GPU加速，目前已在AWS正式上架，在微軟Azure則是私人預覽版。
就DataMaker來說，它支援多表格、多關聯性和時間序列資料的生成，並內建差分隱私技術，在合成資料中添加雜訊，來確保資料來源不會被逆向推導辨識。這類合成資料適合用於臨床試驗、金融交易模擬等場景。目前，DataMaker已在微軟Azure平臺以私人預覽版提供。
至於SAS Viya Copilot則導入類ChatGPT的對話互動介面，來讓使用者用自然語言問答，來更簡單地使用Model Studio工具。比如，使用者可以用自然語言，要求模型優化、分析ROC報表、產生說明文件等，也能根據現有模型節點提出自動化調參建議，就算沒有資料科學知識也能執行資料科學任務。目前，SAS Viya Copilot在SAS託管雲服務提供私人預覽版，預計今年第三季正式推出。
