5 個 SAS Viya 銀行工作流模式
5 個模式看懂 SAS Viya MCP Server 如何讓 Claude Cowork 編排銀行分析，同時把執行與治理留在 SAS Viya。
想知道 SAS Viya MCP Server 怎麼讓 Claude Cowork 跑銀行工作流、又不把治理拿走嗎？
SAS Viya MCP Server 讓 Claude Cowork 編排銀行分析流程，而執行、審核與治理仍留在 SAS Viya。
| 項目 | 規格 A | 規格 B |
|---|---|---|
| MCP 工具 | 40+ 能力 | 標準化存取分析功能 |
| 示範流程 | 約 10 分鐘 | 展示端到端編排 |
| 人工核准 | 部署前 | 支援受監管審核 |
1. 標準化工具層，取代客製接線
訂閱 AI 趨勢週報
每週精選模型發布、工具應用與深度分析，直送信箱。不定期，不騷擾。
不會寄垃圾信，隨時可取消。
SAS Viya MCP Server 把資料、分析、模型、報表與決策功能，包成標準化的 MCP 工具。像 Claude Cowork 這類助手就能直接發現可用能力，不必為每個場景重寫一套點對點整合。
對銀行團隊來說，這代表流程不會卡在一次性的腳本裡。信用評估、詐欺偵測、報表產出等任務，都能共用同一層工具與既有 SAS 資產。
- 目前開源專案提供 40+ 種能力。
- 涵蓋資料治理、資料存取、AutoML、模型管理、報表與已部署模型互動。
- LLM 負責呼叫工具，SAS Viya 負責受治理的執行。
2. Claude Cowork 負責編排，不取代分析引擎
在示範裡，Claude Cowork 的角色不是替代 SAS 分析，而是用自然語言串起步驟，再把執行交回 SAS Viya。這種分工讓助手適合做規劃與協調，但不會變成系統的真實記錄來源。
核心差異在這裡：助手可以提出資料匯入、資料剖析、建模、評估、發布與評分的請求，但每一步都由 SAS Viya 在後端完成。
- 自然語言請求
- 資料匯入與剖析
- AutoML 建模
- 模型比較與驗證
- 營運評分
3. 從原始資料到信用模型，流程可追蹤
文章用的是信用分類案例：判斷申請人是好信用還是壞信用。流程把 Santander AI Lab 新釋出的資料集，和德國信用資料集結合，再透過受治理的 SAS 服務完成分析。
這個例子說明，代理式 AI 可以加速分析專案，但不必把結果變成黑盒子。助手只負責協調，使用者仍可檢查剖析結果、比較模型、查看管線與最終分數怎麼來。
Workflow steps:
1. 匯入資料
2. 剖析並檢查治理
3. 用 AutoML 訓練模型
4. 比較與驗證
5. 發布核准模型
6. 對營運資料評分4. 治理與稽核留在 SAS Viya 內
銀行場景不只要自動化，還要權限控管、可解釋性、審核紀錄與部署前覆核。這套設計把分析與模型管理留在 SAS Viya 內，治理不是事後補上的附件。
它也避免把企業平台細節與內部端點直接暴露給底層 LLM。助手只負責編排，不直接碰敏感機制，對需要嚴格監督的環境特別重要。
- 沿用既有治理框架，不必重建。
- 輸出可在部署前審查。
- 人工核准仍在模型生命週期中。
5. 同一架構可延伸到更多銀行場景
最後一個模式是重用。這套架構不只適用於信用建模。因為助手只是在協調標準化工具，所以同樣能延伸到詐欺偵測、行銷最佳化、客戶洞察、反洗錢與其他決策流程。
對已經投資 SAS 的技術團隊來說，重點不是重做模型，而是把既有模型、決策流程與領域知識，接到新的 AI 入口上。助手成為前端，SAS Viya 保留後端控制。
- 詐欺偵測
- 行銷最佳化
- 客戶洞察
- 反洗錢
哪種適合你
如果你想快速看見受監管環境中的代理式分析，先從信用評估流程下手；如果你最在意控制，優先看工具標準化、執行留在 SAS Viya、以及部署前的人工作業。
如果團隊本來就有 SAS 模型或決策資產，這套做法比較像重用而不是替換。助手補上自然語言控制層，SAS Viya 則保留銀行最需要的稽核、監督與可信執行。