Canopy 使用機器學習在 AWS 上自動處理財務報表

對擁有跨多個來源的金融資產的個人而言，由於需手動追蹤並彙編其金融資產，因此要維護單一、全面的淨資產檢視可能很耗時。對於高淨值個人而言，這是持續的挑戰，因為他們往往擁有更多樣化的資產配置。

Canopy 於 2013 年在新加坡成立，旨在解決此問題。Canopy 透過分析高淨值人士的財務報表、擷取相關資訊並將其整理到單一儀表板上，為高淨值個人提供其各種金融資產的綜合檢視。借助 Canopy 平台，高淨值人士能輕鬆地追蹤其資產，同時與同行比較財務表現、策略和市場時機。

作為 Amazon Web Services (AWS) 的雲端原生平台，Canopy 已將大部分日常操作自動化。然而，Canopy 仍在手動分析財務報表，並希望藉由機器學習 (ML) 和光學字元辨識 (OCR) 將此流程自動化以提高效率。

Canopy 技術長 Amit Gupta表示，「將機器學習應用於任何資料分析都是複雜的任務。Amazon SageMaker 使用 ML 自動擷取文字和資料，超越了簡單的 OCR，讓我們迄今能自動處理近 10 萬份財務文件。」

剛開始營運時，Canopy 的資料團隊會從多個來源手動掃描客戶的財務文件。Canopy 連線到約 400 家託管銀行，並將接收各種格式的資料，其中包括應用程式介面 (API)、資料饋送、報告服務和全球銀行金融電信協會 (SWIFT) 格式。

該團隊還將收到電子郵件、Excel 檔案、可攜式文件格式 (PDF) 和掃描影像中的客戶交易報表，這一切讓分析客戶資料成為耗時且昂貴的流程。Canopy 於是開始了將流程自動化，並讓其業務為未來做好準備的旅程。

Gupta 表示，「我們每週要花數百個小時處理財務報表，這對於業務成長來說是難以為繼的。我們開始試用自己的開放原始碼 ML模型，並在一年半內成功實現了客戶財務資料處理的半自動化。」

不久後，Canopy 在其自動化之旅中遇到了瓶頸。該團隊必須持續更新其 ML 模型，以識別和處理每月收到的財務紀錄中的 20% 新資訊。儘管該團隊減少了花在分析客戶資料上的時間，但現在必須專注於資料處理和提高 ML 模型的資料品質，這點佔用了管理客戶投資和關係的時間。

由於之前的設定，Canopy 無法在使用 ML模型時進行重新訓練，因此只能在週末工作，以盡可能減少其平台的停機時間。重新訓練流程每週可能需要長達 48 小時。Canopy 求助於 AWS，諮詢如何簡化此流程並改進其 OCR 功能。

Gupta 表示，「我們首先詢問重新訓練 ML 模型的流程是否能完全自動化，而在這一點上證明了 AWS 的建議非常寶貴。AWS 團隊透過 Amazon SageMaker 為我們指出了正確方向，並在實作過程中指導我們，以確保我們始終得到支援。」

Amazon SageMaker 讓 Canopy 能有效率地開發其 ML 模型並改進其 OCR 功能，而無需投資僱用更多資料工程師。該解決方案讓 Canopy 能在一個平台上整合 ML 模型的建立、訓練和部署。只要 SageMaker 在剖析財務記錄時發現新資訊，就會自動更新 ML 模型。

憑藉其 ML 功能，Canopy 現在每月處理 2,000 份客戶財務紀錄，使其資料團隊能專注於產品創新，並幫助實現 300% 的業務成長。Canopy 現在為成千上萬的客戶提供服務，截至 2021 年管理的資產達 1,200 億美元。

既然已使用 AWS 簡化了資料處理，該公司正在尋求擴展以滿足使用者需求的十倍成長。

展望未來，Canopy 計劃在 2021 年將業務擴展到美國，並設定了到 2021 年底將其管理的資產翻倍的目標。該公司打算運用 AWS Managed Services (AMS) 為其後端營運提供更多協助，以支援其成長計畫。

Gupta 總結道，「AWS 幫助我們將 ML 功能提升到能在幾天內處理幾個月的資料的程度。甚至如果我們看到明天就必須為客戶處理的財務文件數量增加十倍，也能輕鬆滿足此要求。我們現在有更大的自由來擴展業務，而這正是我們計劃要做的。」

 若要進一步了解，請瀏覽 aws.amazon.com/sagemaker。