仰赖于智能技术的推动，智能经济将在2015年产生23万亿美金的新增长空间。在大数据技术驱动下，全球金融科技企业已觅得先机，纷纷开展从支付、贷款、理财、征信，到银行、基金、金融、保险等业务。现在几乎所有零售银行功能都能由Fintech（金融技术）替代，Fintech的颠覆性影响亦普遍存在于中小金融机构中。

金融机构数字化转型，关键在于人工智能。以数字化银行为例，数字化银行的背后是适应数字经济的智能开放平台。构建、迭代和运营此类平台需要利用一整套新型技术实现数字化的战略措施，而核心正是AI。

AI将改变人们与科技的交互方式，不仅是改变技术的后端，同时使人们的工作变得更加高效。客户无需理解和学习复杂的交互界面，极大地提升了体验。另一方面，银行金融服务的核心是信息系统上的数据、规则、模型、程序，AI技术能够与既有技术进行集成、替代或融合，将使商业银行从数据时代快速走向智能时代，进一步发挥银行原有的综合金融牌照、客户、数据上的优势。

数据是数字化转型的核心资产，数据分析即是如何将资产效能最大化的手段和途径。区别于通过报表、仪表板展示已经发生了什么的描述性BI分析，数据科学可以通过一系列数据处理、建模分析做出诊断性分析——为何会发生，预测性分析——将要发生什么，和决策性分析——如何使它发生，这就是AI分析。

数据科学平台的应用，是数据分析从BI到AI的转变，不仅是技术驱动，更是日益增高的市场需求驱动。

企业AI应用落地的四大要素中，数据，正在源源不断被收集整理；人才，尽管增设数据科学专业的院校从15年的3所增值18年的443所，满足市场需求仍需时日；而算法模型，以往是个繁杂耗时的高智商大工程，需要数据科学家团队历经数月甚至一年的时间，经过问题定义、问题抽象、数据探查、数据集处理、特征处理、算法选择、效果对比、模型部署等环节最终生成……

能否加速落地应用，补足人才和算法模型的短板，AI平台成为企业AI应用落地的关键。“它是一个具有凝聚力的软件应用程序，围绕着机器学习，提供模块化融合的能力，既可以创建各种数据科学的解决方案，又可以将这个解决方案集成到业务流程及所涉及的周边基础设施及产品中去。” Gartner在2017年第一次这样定义数据科学和机器学习平台。

一个好的机器学习平台需要覆盖机器学习的全生命周期，从开源的大规模机器学习算法算子定制，海量多源异构数据应用，数据和模型资产复用，到数据准备、特征工程、模型训练等全程可视化，模型API发布和部署，再到模型仓库的管理，使它能够服务于数据科学分析的各类用户，让数据建模从以往的“高大上的单反调参”变成“傻瓜相机式的一键操作”，直接降低使用门槛。

提升效能永远是金融行业的制胜关键。据Gartner预测，到2020年超过 40% 数据科学任务将会被自动化以提升数据分析效能，并广泛的被平民数据科学家使用。DataCanvas数据科学平台产品除了提供模型全生命周期服务、进行AI数据数据准备和AI建模的DataCanvas APS机器学习平台，DataCanvas RT实时决策中心还能够支持实时AI、做出实时决策。

为了满足不同专业背景的使用者能够更快捷地在平台上建模、协作， DataCanvas数据科学平台具备“三位一体”建模功能：面向数据科学家的编码建模，面向IT工程师的拖拽式建模以及面向业务人员的自动机器学习建模，三种建模方式在同一平台均可实现。

为了实现效能最大化，DataCanvas数据科学平台还运用AutoML技术，替代数据科学家，自动进行数据探查、特征工程、模型选择、模型训练、模型评估等操作，全面节约时间和人力成本，亦实现了平民数据科学家只需一键操作即可输出模型成果。