今年AI技術(shù)在市場(chǎng)上備受關(guān)注，許多企業(yè)對AI技術(shù)的采用躍躍欲試，各家云端大廠(chǎng)也推出自家多項服務(wù)提供給企業(yè)，但是都得在云端上運行，AI技術(shù)的熱潮，是否也意味著(zhù)企業(yè)將資料上云端是未來(lái)必然的趨勢？讓資料倉儲龍頭Teradata的技術(shù)長(cháng)Stephen Brobst來(lái)告訴你。
Stephen Brobst在高階主管排名服務(wù)ExecRank排名中，曾與Amazon、Tesla Motors以及Intel的技術(shù)長(cháng)并列全球前4大技術(shù)長(cháng)，并曾創(chuàng )立過(guò)3家新創(chuàng )公司，而後到Teradata擔任技術(shù)長(cháng)，17年技術(shù)長(cháng)資歷更讓他成為歐巴馬的技術(shù)顧問(wèn)。
依照Stephen Brobst的觀(guān)察，企業(yè)將資料上云端，并非必然的趨勢，企業(yè)要先厘清上云端的目的，他表示，根據Gartner統計，「目前只有低於3分之1的企業(yè)將資料放到公有云，」安全性是企業(yè)最大的疑慮，目前多半企業(yè)只將自家資料，放在本地端或是私有云。
許多人對云端的安全性有所疑慮，Stephen Brobst卻有截然不同的觀(guān)點(diǎn)，「云端其實(shí)比本地端還要安全！」他表示，想像如云端龍頭大廠(chǎng)AWS，大約有6,000人在維護云端的安全性，但是，若是一家企業(yè)，可能很難做到如此大規模的投入，他舉例，之前Sony公司被駭客入侵許多明星的薪水資訊外流，其實(shí)，被駭的全是本地端的系統，云端完全沒(méi)有被入侵，因此，他認為，其實(shí)云端比本地端來(lái)的安全。
不過(guò)，他表示，也有不少企業(yè)想將資料搬上云端是為了節省成本，「那些云端公司沒(méi)說(shuō)的是，資料搬移的費用是非常昂貴的！」他坦言，并不是所有的企業(yè)都適合用云端的服務(wù)，許多企業(yè)認為云端比較便宜，其實(shí)若是像ICBC Bank、eBay這種大規模的企業(yè)，擁有大量的數據，將資料搬上云端的費用十分驚人，但是，若資料量小的企業(yè)，將資料放上云端確實(shí)相對便宜許多。
他也舉例一個(gè)有趣的作法，有些企業(yè)會(huì )用本地端和云端互相配合的方式，用本地端部署系統，但是將備份全放在云端，作為災難恢復（Disaster Recovery）的策略，他認為這是非常聰明的混合策略，由於云端收費是按用量計費，但是備份資料平時(shí)幾乎不會(huì )使用，只需付存放的費用，對企業(yè)來(lái)說(shuō)相對便宜許多。
即使上云端的費用昂貴，Stephen Brobst表示，也有企業(yè)是為了敏捷性的考量，將企業(yè)所有的資料、系統搬上云端，他舉例，Netflix現在沒(méi)有資料中心，Netflix為了省去在各地建立資料中心的工作，將所有的系統放上云端，美國售票公司Ticketmaster也將所有本地端的系統，花了60天就搬上云端，他認為企業(yè)上云端也是達到敏捷性的策略之一，并非全然是價(jià)格。
「數據不會(huì )跟著(zhù)分析，是分析要跟著(zhù)數據，」他提醒，企業(yè)要清楚數據產(chǎn)生的位置，若數據都是在本地端產(chǎn)生，那要在云端分析，就會(huì )花費不少費用，但是，像Ticketmaster就把訂購系統、財務(wù)系統等都放到云端，如此一來(lái)，數據本來(lái)就在云端，不需要額外付搬移數據的費用。
企業(yè)AI應用目前還面臨兩大難題
提到現在最火紅的AI技術(shù)，Stephen Brobst認為，AI這個(gè)詞匯比喻成雨傘，由於現在A(yíng)I這個(gè)詞包山包海，任何與智能有關(guān)的東西，都包含在內，他表示，AI對他而言，更像一個(gè)行銷(xiāo)的用語(yǔ)，若以技術(shù)層面來(lái)看，他會(huì )先聚焦於機器學(xué)習和深度學(xué)習來(lái)探討。
依照Stephen Brobst的觀(guān)察，其實(shí)市場(chǎng)上許多企業(yè)高喊采用AI技術(shù)，但其實(shí)，真正有使用AI技術(shù)的企業(yè)，卻是少數，在大多數的企業(yè)中，以應用層面來(lái)看，都還在很初期的階段。
為什麼真正應用AI技術(shù)的企業(yè)目前少之又少？他坦言，AI技術(shù)目前還有兩大問(wèn)題尚未解決，第一，企業(yè)的資料科學(xué)家需要知道數據分析過(guò)程中，每個(gè)決策的原因，他將深度學(xué)習演算法比喻成黑盒子，資料科學(xué)家就是要透過(guò)數據分析，了解數據的前因後果，但深度學(xué)習不像機器學(xué)習是線(xiàn)性回歸的模型，可以解釋每個(gè)決策過(guò)程，深度學(xué)習的隱藏層則埋沒(méi)了這些重要資訊，甚至，每次執行演算法所產(chǎn)生的隱藏層數量也不一樣，讓企業(yè)無(wú)法得到數據的洞察（Insight）。
他舉例，即使深度學(xué)習的結果令人滿(mǎn)意，像是銀行信用評估分析模型，管理者必須了解部門(mén)如何做出這樣的決策，避免是因為偏見(jiàn)、種族、性別歧視等不公正的評斷，醫療業(yè)亦是如此，若系統就只告訴醫生用這些藥治療病人，醫生不會(huì )憑著(zhù)未知的知識，將病人的生命，冒著(zhù)風(fēng)險替病人治療。
不過(guò)，他表示，目前高科技制造業(yè)良率判斷和詐騙偵測這兩大領(lǐng)域，已經(jīng)很成熟地運用深度學(xué)習技術(shù)，因為良率和詐騙偵測的決策原因沒(méi)有這麼重要，只要企業(yè)持續看到改善即可，但是醫療業(yè)、信用檢測這些就需要了解決策原因。
他也補充，目前有許多頂尖的科學(xué)家，正在開(kāi)發(fā)可以看見(jiàn)每一層決策的類(lèi)神經(jīng)網(wǎng)路，也就是可以解釋的分析預測模型，若能解決這項問(wèn)題，將會(huì )是企業(yè)能夠采用深度學(xué)習的關(guān)鍵之一。
第二則是AI的技術(shù)中，不管是機器學(xué)習或是深度學(xué)習都需要非常大量的資料，但大部分的企業(yè)資料量是不足的，導致企業(yè)采用深度學(xué)習演算法的效果不彰。
許多企業(yè)以為50,000筆數據是很大的資料量，但Stephen Brobst強調，用這樣的資料量來(lái)執行深度學(xué)習是不夠，「若要深度學(xué)習執行的結果是好的，你需要好幾百萬(wàn)筆的數據才夠！」他比喻，深度學(xué)習演算法大約就像8歲的小孩，要一直不斷地給他資訊，從錯誤中不斷學(xué)習，才能慢慢的歸納出一套法則。
數據分析重點(diǎn)不是資料量，是如何整合多元數據
除此之外，雖然Stephen Brobst身為大數據倉儲公司的技術(shù)長(cháng)，他表示，他從來(lái)就不喜歡大數據這個(gè)用語(yǔ)，大數據就只是數據的一種，目前，數據已經(jīng)不是只看量多大，而是要去研究如何分析多元結構的數據。
由於目前許多數據來(lái)自不同的通道，像是網(wǎng)站的點(diǎn)擊紀錄、圖片、影音等，包含了結構化、半結構化和非結構化的數據，甚至還要結合政府的開(kāi)放資料，例如天氣、交通等數據，他表示，若要能將這些多元的數據，妥善地分析、應用，是需要結合許多不同的方法和平臺，這也是目前數據分析最具挑戰的工作。
未來(lái)全產(chǎn)業(yè)都需分析IoT和感測器數據
近幾年，數據的收集與分析變化很快，Stephen Brobst強調，未來(lái)每個(gè)企業(yè)都免不了要分析IoT、感測器等裝置的數據，不再只局限於制造業(yè)的良率判斷或是生產(chǎn)線(xiàn)優(yōu)化，邊緣運算（Edge Computing）將會(huì )是新的機會(huì )，但他認為，目前是以端點(diǎn)收集數據，共同回饋到中心的系統進(jìn)行運算的方式進(jìn)行，中心系統產(chǎn)生適合的演算法，再部署到各個(gè)端點(diǎn)裝置運行。
「你不會(huì )想在邊緣裝置上做learning，因為太慢，」Stephen Brobst一語(yǔ)點(diǎn)出目前邊緣運算，為何還是以中心產(chǎn)生模型推到邊緣裝置的方式，他解釋?zhuān)粢_成即時(shí)分析的能力，就得每百萬(wàn)分之一秒，來(lái)來(lái)回回在這些裝置的網(wǎng)路中，傳送、分析資料，這并不是很有效率，因此，基本上，大部分都是先從不同地方的裝置，收集數據，在中心系統建立適用的模型，在部署到邊緣裝置執行。
他表示，如此一來(lái)，可以避免時(shí)間延遲的問(wèn)題，也可以用強化學(xué)習（Reinforcement Learning）的方式，讓裝置執行的過(guò)程可以一邊作為下一次改善的參考，若這次做錯了，可以把錯誤的訊息送回到中心的「大腦」調整演算法，再迅速地部署新版本的演算法到各個(gè)邊緣。
此外，他補充，若某個(gè)端點(diǎn)裝置發(fā)生例外情況，也可以將資訊送回中心，進(jìn)而改善，這樣一來(lái)，未曾發(fā)生狀況的端點(diǎn)也可以了解到可能發(fā)生的問(wèn)題，若有狀況則可以快速反應。
