對德意志交易所的 StatistiX 團隊來說，真正的挑戰是規模：

• 超過 2,000 個 Notebook
• 內含多年累積的分析流程與業務邏輯
• 分散在不同使用者與團隊

如果完全人工重建，將耗費大量工程時間，也難以協調與驗證。

關鍵設計：把「結構」與「邏輯」分開

團隊沒有嘗試用單一 AI 提示直接把 Notebook 全部翻譯成新版本，因為這種方式容易出錯且難以控制。相反地，他們把問題拆成兩個不同層面。

1. 結構轉換（確定性自動化）

Zeppelin Notebook 的某些部分其實非常規則化，例如：

• 將 Zeppelin 的 paragraph 轉成 Databricks Notebook cell
• 轉換 interpreter 語法
• 重排 metadata

這些都是可預測的轉換，因此用 確定性規則與程式自動化就能完成，不需要生成式 AI。

2. 邏輯重建（AI 協助）

真正困難的是 Notebook 裡的 分析邏輯與商業邏輯：

• 資料轉換流程
• 分析意圖
• 領域知識

這些往往需要理解上下文。系統會產生 情境感知（context-aware）的提示，交由 Databricks Genie 等 AI 工具協助使用者重建邏輯，同時保留人工驗證。

這樣的設計讓系統更可靠：

• 結構問題 → 自動化
• 理解問題 → AI + 人類

Databricks App 的整體架構

整個工具被封裝成一個 Databricks App，讓使用者可以直接在 Databricks 環境中執行遷移流程，而不需要額外的外部工具。

架構大致包含：

• 使用者介面：引導 Notebook 遷移流程
• 自動轉換模組：處理 Zeppelin 結構
• AI 提示系統：產生重建邏輯的 prompt
• 人類審核流程：確認業務邏輯與結果

這種設計也讓 業務分析師可以參與遷移自己的 Notebook，同時維持企業治理與監控。

Notebook 遷移的實際流程

整個流程通常分為四個步驟：

1. 匯入 Notebook
使用者先從 Zeppelin 匯出 Notebook，然後上傳到 Databricks App。

2. 結構自動轉換
系統用規則把 Notebook 的外殼轉成 Databricks 格式，例如：

• paragraph → cell
• interpreter 語法轉換
• metadata 格式調整

3. AI 協助重建邏輯
系統生成情境提示，透過 Databricks Genie 協助重建分析邏輯。

4. 人工驗證與完成
使用者檢查結果並完成 Notebook，確保分析邏輯與監管要求都正確。

這是一個 自動化 + GenAI + 人類審核的混合流程。

節省了多少時間

在導入這個工具之前：

• 每個 Notebook 重寫通常需要 數小時。

使用新流程後：

• 每個 Notebook 約 15–20 分鐘即可完成。

對於 2,000 個 Notebook，意味著：

• 約 500–667 小時的總開發時間
• 若完全人工重建，可能需要 數千小時

雖然官方沒有公布確切節省的總工時，但從「數小時 → 幾十分鐘」的差距來看，效率提升非常顯著。

為什麼這是 GenAI 的實用案例

許多生成式 AI 專案難以帶來可衡量的業務價值，而這個案例之所以被認為特別實用，原因包括：

• 問題範圍清楚：只專注於 Notebook 遷移
• 混合式自動化：規則處理結構，AI 處理理解
• 保留人類審核：對金融機構尤其重要

在高度監管的金融市場中，完全自動生成程式碼通常風險太高。這種「AI 協助而非完全替代」的模式更符合實際需求。

更大的雲端轉型背景

這個 Notebook 遷移只是德意志交易所雲端現代化的一部分。

例如公司已在 Google Cloud 上重建關鍵系統（包括 DAX 指數基礎架構），帶來多項成果：

• 總持有成本降低 33%
• 超過 60 個應用遷移
• SAP 系統災難復原時間縮短 85%

此外，公司也表示其 超過 50% 的工作負載已在雲端運行，顯示整體 IT 架構正在轉向雲端與資料平台。

在這樣的轉型中，像 Notebook 這類分析資產如果不一起現代化，雲端平台的價值就難以完全發揮。

重點總結

德意志交易所的做法提供了一個相當務實的企業 GenAI 模式：

• 用傳統軟體自動化 可預測任務
• 用生成式 AI 協助 理解與重建邏輯
• 在關鍵業務邏輯上 保留人類審核

透過這種設計，原本可能需要巨大人力的 Notebook 遷移專案，被轉變為一個可擴展的半自動化流程，同時保持對分析邏輯與合規性的控制。

對德意志交易所的 StatistiX 團隊來說，真正的挑戰是規模：

• 超過 2,000 個 Notebook
• 內含多年累積的分析流程與業務邏輯
• 分散在不同使用者與團隊

如果完全人工重建，將耗費大量工程時間，也難以協調與驗證。

關鍵設計：把「結構」與「邏輯」分開

團隊沒有嘗試用單一 AI 提示直接把 Notebook 全部翻譯成新版本，因為這種方式容易出錯且難以控制。相反地，他們把問題拆成兩個不同層面。

1. 結構轉換（確定性自動化）

Zeppelin Notebook 的某些部分其實非常規則化，例如：

• 將 Zeppelin 的 paragraph 轉成 Databricks Notebook cell
• 轉換 interpreter 語法
• 重排 metadata

這些都是可預測的轉換，因此用 確定性規則與程式自動化就能完成，不需要生成式 AI。

2. 邏輯重建（AI 協助）

真正困難的是 Notebook 裡的 分析邏輯與商業邏輯：

• 資料轉換流程
• 分析意圖
• 領域知識

這些往往需要理解上下文。系統會產生 情境感知（context-aware）的提示，交由 Databricks Genie 等 AI 工具協助使用者重建邏輯，同時保留人工驗證。

這樣的設計讓系統更可靠：

• 結構問題 → 自動化
• 理解問題 → AI + 人類

Databricks App 的整體架構

整個工具被封裝成一個 Databricks App，讓使用者可以直接在 Databricks 環境中執行遷移流程，而不需要額外的外部工具。

架構大致包含：

• 使用者介面：引導 Notebook 遷移流程
• 自動轉換模組：處理 Zeppelin 結構
• AI 提示系統：產生重建邏輯的 prompt
• 人類審核流程：確認業務邏輯與結果

這種設計也讓 業務分析師可以參與遷移自己的 Notebook，同時維持企業治理與監控。

Notebook 遷移的實際流程

整個流程通常分為四個步驟：

1. 匯入 Notebook
使用者先從 Zeppelin 匯出 Notebook，然後上傳到 Databricks App。

2. 結構自動轉換
系統用規則把 Notebook 的外殼轉成 Databricks 格式，例如：

• paragraph → cell
• interpreter 語法轉換
• metadata 格式調整

3. AI 協助重建邏輯
系統生成情境提示，透過 Databricks Genie 協助重建分析邏輯。

4. 人工驗證與完成
使用者檢查結果並完成 Notebook，確保分析邏輯與監管要求都正確。

這是一個 自動化 + GenAI + 人類審核的混合流程。

節省了多少時間

在導入這個工具之前：

• 每個 Notebook 重寫通常需要 數小時。

使用新流程後：

• 每個 Notebook 約 15–20 分鐘即可完成。

對於 2,000 個 Notebook，意味著：

• 約 500–667 小時的總開發時間
• 若完全人工重建，可能需要 數千小時

雖然官方沒有公布確切節省的總工時，但從「數小時 → 幾十分鐘」的差距來看，效率提升非常顯著。

為什麼這是 GenAI 的實用案例

許多生成式 AI 專案難以帶來可衡量的業務價值，而這個案例之所以被認為特別實用，原因包括：

• 問題範圍清楚：只專注於 Notebook 遷移
• 混合式自動化：規則處理結構，AI 處理理解
• 保留人類審核：對金融機構尤其重要

在高度監管的金融市場中，完全自動生成程式碼通常風險太高。這種「AI 協助而非完全替代」的模式更符合實際需求。

更大的雲端轉型背景

這個 Notebook 遷移只是德意志交易所雲端現代化的一部分。

例如公司已在 Google Cloud 上重建關鍵系統（包括 DAX 指數基礎架構），帶來多項成果：

• 總持有成本降低 33%
• 超過 60 個應用遷移
• SAP 系統災難復原時間縮短 85%

此外，公司也表示其 超過 50% 的工作負載已在雲端運行，顯示整體 IT 架構正在轉向雲端與資料平台。

在這樣的轉型中，像 Notebook 這類分析資產如果不一起現代化，雲端平台的價值就難以完全發揮。

重點總結

德意志交易所的做法提供了一個相當務實的企業 GenAI 模式：

• 用傳統軟體自動化 可預測任務
• 用生成式 AI 協助 理解與重建邏輯
• 在關鍵業務邏輯上 保留人類審核

透過這種設計，原本可能需要巨大人力的 Notebook 遷移專案，被轉變為一個可擴展的半自動化流程，同時保持對分析邏輯與合規性的控制。