今年AI技術(shù)在市場上備受關(guān)注，許多企業(yè)對AI技術(shù)的采用躍躍欲試，各家云端大廠也推出自家多項(xiàng)服務(wù)提供給企業(yè)，但是都得在云端上運(yùn)行，AI技術(shù)的熱潮，是否也意味著企業(yè)將資料上云端是未來必然的趨勢？讓資料倉儲龍頭Teradata的技術(shù)長Stephen Brobst來告訴你。

　　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)長并列全球前4大技術(shù)長，并曾創(chuàng)立過3家新創(chuàng)公司，而後到Teradata擔(dān)任技術(shù)長，17年技術(shù)長資歷更讓他成為歐巴馬的技術(shù)顧問。

　　依照Stephen Brobst的觀察，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(jù)Gartner統(tǒng)計(jì)，「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AWS，大約有6,000人在維護(hù)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(guī)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?shù)娜�是本地端的系統(tǒng)，云端完全沒有被入侵，因此，他認(rèn)為，其實(shí)云端比本地端來的安全。

　　不過，他表示，也有不少企業(yè)想將資料搬上云端是為了節(jié)省成本，「那些云端公司沒說的是，資料搬移的費(fèi)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(rèn)為云端比較便宜，其實(shí)若是像ICBC Bank、eBay這種大規(guī)模的企業(yè)，擁有大量的數(shù)據(jù)，將資料搬上云端的費(fèi)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)會用本地端和云端互相配合的方式，用本地端部署系統(tǒng)，但是將備份全放在云端，作為災(zāi)難恢復(fù)（Disaster Recovery）的策略，他認(rèn)為這是非常聰明的混合策略，由於云端收費(fèi)是按用量計(jì)費(fèi)，但是備份資料平時(shí)幾乎不會使用，只需付存放的費(fèi)用，對企業(yè)來說相對便宜許多。

　　即使上云端的費(fèi)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(tǒng)搬上云端，他舉例，Netflix現(xiàn)在沒有資料中心，Netflix為了省去在各地建立資料中心的工作，將所有的系統(tǒng)放上云端，美國售票公司Ticketmaster也將所有本地端的系統(tǒng)，花了60天就搬上云端，他認(rèn)為企業(yè)上云端也是達(dá)到敏捷性的策略之一，并非全然是價(jià)格。

　　「數(shù)據(jù)不會跟著分析，是分析要跟著數(shù)據(jù)，」他提醒，企業(yè)要清楚數(shù)據(jù)產(chǎn)生的位置，若數(shù)據(jù)都是在本地端產(chǎn)生，那要在云端分析，就會花費(fèi)不少費(fèi)用，但是，像Ticketmaster就把訂購系統(tǒng)、財(cái)務(wù)系統(tǒng)等都放到云端，如此一來，數(shù)據(jù)本來就在云端，不需要額外付搬移數(shù)據(jù)的費(fèi)用。

　　提到現(xiàn)在最火紅的AI技術(shù)，Stephen Brobst認(rèn)為，AI這個(gè)詞匯比喻成雨傘，由於現(xiàn)在AI這個(gè)詞包山包海，任何與智能有關(guān)的東西，都包含在內(nèi)，他表示，AI對他而言，更像一個(gè)行銷的用語，若以技術(shù)層面來看，他會先聚焦於機(jī)器學(xué)習(xí)和深度學(xué)習(xí)來探討。

　　依照Stephen Brobst的觀察，其實(shí)市場上許多企業(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(shù)，在大多數(shù)的企業(yè)中，以應(yīng)用層面來看，都還在很初期的階段。

　　為什麼真正應(yīng)用AI技術(shù)的企業(yè)目前少之又少？他坦言，AI技術(shù)目前還有兩大問題尚未解決，第一，企業(yè)的資料科學(xué)家需要知道數(shù)據(jù)分析過程中，每個(gè)決策的原因，他將深度學(xué)習(xí)演算法比喻成黑盒子，資料科學(xué)家就是要透過數(shù)據(jù)分析，了解數(shù)據(jù)的前因後果，但深度學(xué)習(xí)不像機(jī)器學(xué)習(xí)是線性回歸的模型，可以解釋每個(gè)決策過程，深度學(xué)習(xí)的隱藏層則埋沒了這些重要資訊，甚至，每次執(zhí)行演算法所產(chǎn)生的隱藏層數(shù)量也不一樣，讓企業(yè)無法得到數(shù)據(jù)的洞察（Insight）。

　　他舉例，即使深度學(xué)習(xí)的結(jié)果令人滿意，像是銀行信用評估分析模型，管理者必須了解部門如何做出這樣的決策，避免是因?yàn)槠�見、種族、性別歧視等不公正的評斷，醫(yī)療業(yè)亦是如此，若系統(tǒng)就只告訴醫(yī)生用這些藥治療病人，醫(yī)生不會憑著未知的知識，將病人的生命，冒著風(fēng)險(xiǎn)替病人治療。

　　不過，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(yùn)用深度學(xué)習(xí)技術(shù)，因?yàn)榱悸屎驮p騙偵測的決策原因沒有這麼重要，只要企業(yè)持續(xù)看到改善即可，但是醫(yī)療業(yè)、信用檢測這些就需要了解決策原因。

　　他也補(bǔ)充，目前有許多頂尖的科學(xué)家，正在開發(fā)可以看見每一層決策的類神經(jīng)網(wǎng)路，也就是可以解釋的分析預(yù)測模型，若能解決這項(xiàng)問題，將會是企業(yè)能夠采用深度學(xué)習(xí)的關(guān)鍵之一。

　　第二則是AI的技術(shù)中，不管是機(jī)器學(xué)習(xí)或是深度學(xué)習(xí)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(dǎo)致企業(yè)采用深度學(xué)習(xí)演算法的效果不彰。

　　許多企業(yè)以為50,000筆數(shù)據(jù)是很大的資料量，但Stephen Brobst強(qiáng)調(diào)，用這樣的資料量來執(zhí)行深度學(xué)習(xí)是不夠，「若要深度學(xué)習(xí)執(zhí)行的結(jié)果是好的，你需要好幾百萬筆的數(shù)據(jù)才夠！」他比喻，深度學(xué)習(xí)演算法大約就像8歲的小孩，要一直不斷地給他資訊，從錯(cuò)誤中不斷學(xué)習(xí)，才能慢慢的歸納出一套法則。

　　除此之外，雖然Stephen Brobst身為大數(shù)據(jù)倉儲公司的技術(shù)長，他表示，他從來就不喜歡大數(shù)據(jù)這個(gè)用語，大數(shù)據(jù)就只是數(shù)據(jù)的一種，目前，數(shù)據(jù)已經(jīng)不是只看量多大，而是要去研究如何分析多元結(jié)構(gòu)的數(shù)據(jù)。

　　由於目前許多數(shù)據(jù)來自不同的通道，像是網(wǎng)站的點(diǎn)擊紀(jì)錄、圖片、影音等，包含了結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化的數(shù)據(jù)，甚至還要結(jié)合政府的開放資料，例如天氣、交通等數(shù)據(jù)，他表示，若要能將這些多元的數(shù)據(jù)，妥善地分析、應(yīng)用，是需要結(jié)合許多不同的方法和平臺，這也是目前數(shù)據(jù)分析最具挑戰(zhàn)的工作。

　　近幾年，數(shù)據(jù)的收集與分析變化很快，Stephen Brobst強(qiáng)調(diào)，未來每個(gè)企業(yè)都免不了要分析IoT、感測器等裝置的數(shù)據(jù)，不再只局限於制造業(yè)的良率判斷或是生產(chǎn)線優(yōu)化，邊緣運(yùn)算（Edge Computing）將會是新的機(jī)會，但他認(rèn)為，目前是以端點(diǎn)收集數(shù)據(jù)，共同回饋到中心的系統(tǒng)進(jìn)行運(yùn)算的方式進(jìn)行，中心系統(tǒng)產(chǎn)生適合的演算法，再部署到各個(gè)端點(diǎn)裝置運(yùn)行。

　　「你不會想在邊緣裝置上做learning，因?yàn)樘�慢，」Stephen Brobst一語點(diǎn)出目前邊緣運(yùn)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，若要達(dá)成即時(shí)分析的能力，就得每百萬分之一秒，來來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(shù)據(jù)，在中心系統(tǒng)建立適用的模型，在部署到邊緣裝置執(zhí)行。

　　他表示，如此一來，可以避免時(shí)間延遲的問題，也可以用強(qiáng)化學(xué)習(xí)（Reinforcement Learning）的方式，讓裝置執(zhí)行的過程可以一邊作為下一次改善的參考，若這次做錯(cuò)了，可以把錯(cuò)誤的訊息送回到中心的「大腦」調(diào)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(bǔ)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，未曾發(fā)生狀況的端點(diǎn)也可以了解到可能發(fā)生的問題，若有狀況則可以快速反應(yīng)。