善盡資料收集、組織與分析 穩健邁進AI殿堂

歷經近年來大數據、數位轉型乃至人工智慧(AI)等議題洗禮，多數企業皆體認到資料之於經營管理的重要性，也亟欲建立「資料驅動」企業文化。在去年(2017)，IBM與IDC合力進行一項台灣企業的訪談調查，受訪對象共計133家，橫跨金融、製造、零售、醫療、電信等等眾多領域，這些企業一致認同資料驅動模式的價值，並將此列為急迫的轉型目標。

儘管眾多企業急欲建構資料驅動模式，但在實現過程中，仍面臨諸多挑戰。台灣IBM雲端運算事業部資深技術協理胡育銘，歸納箇中挑戰有四，首先在於資料管理，隨著資料型態多樣化，既有結構化資料、非結構化資料還有半結構化資料，加上資料儲存環境趨於多變(本地機房、公有雲、混合雲)，資料存取方式也比從前複雜(SQL、NoSQL)，在在徒增管理的難度；其次在於資料處理的即時性，現今商業決勝關鍵就是「快」，誰愈快將資料變現為商業價值，誰就能成為贏家！但現今企業面對的不只是內部交易資料，還需處理社群媒體資料、物聯網(IoT)資料，如何解析各種外部資料、即時回應市場需求、加速資料變現，顯然存在許多考驗。

另兩項考驗，其一是資料科學人才，早年此問題確實不小，但隨著Hadoop、數據分析納入學校教育的素材，擁有AI、Data Lake技能的年輕學子開始進入職場，讓人才旱象逐步紓解；另一是資料安全，顯而易見的，資訊流漸趨複雜，且遵法合規壓力日益沈重，此問題確實不容小覷。

邁向AI經歷三階梯，非一蹴可幾

企業積極探索AI致勝捷徑，找尋最快最好的演算法，但畢竟商業經營並非棋奕，靠的不是固定規則的簡單邏輯運算，經常需要從浮動規則中發掘問題，因此回過頭來看，底層資料是否完整、潔淨，著實影響AI的整備度；換言之，絕非有了AI，前述種種挑戰便可置之不理。

「IBM認為AI需要靠資料、分析、機器學習等『階梯』一步步堆疊而上，並非一蹴可幾，」胡育銘說，企業唯有扎實地備齊底層資料，做好OLAP、交叉分析、動態分析等必要工作，提升資料完整性與乾淨度，再借助機器學習等相關工具，針對不同資料結構套用最適當的演算法，如此才能發揮最大綜效。

為簡化企業踏上階梯的每一步，確保企業成功邁向 AI，IBM集結混合式資料管理、統一治理與整合、資料科學與商業分析等三大平台，匯聚為IBM Analytics完整架構，幫助企業依序突破資料收集、組織、分析等三道必經旅途中可能遭遇的阻礙。

訴諸三大平台，助力建構資料驅動文化

其中「混合式資料管理」平台，旨在協助企業因應多樣化資料來源，有效建立現代化資料管理機制，透過快速部署、且貫穿內外部的橫向擴展架構，順暢處理各種複雜資料，即使面對突如其來的數據爆量也無所畏懼；但環顧企業的資料管理需求，往往同時涉及資料庫、資料倉儲及Data Lake等不同產品，若個個都採傳統軟體授權模式，恐徒增企業運用上的限制，不易應付一時爆量情景，為此IBM推出全新彈性點數計價模式，按使用量計費，簡化不同產品工具間的功能轉換，有效解決這般疑慮。

針對「統一治理與整合」平台，意在藉由資料的發現、編目與遮罩等關鍵功能，幫助企業管理流動資料，舉凡資料的產生、轉變、屬性調整、分析、生成報表、資料採礦(Data Mining)與統計分析，乃至AI模型訓練等生命週期歷程，每一步皆能有效掌控，且遵循各項法規，嚴格確保資料安全性。

第三道「資料科學與商業分析」平台，可謂資料變現的最後一哩，其中蘊含許多重要機制，不僅支援描述性、預測性分析，甚至進一步發揮處方式分析妙效，當企業在取得Data Mining結果後，便能利用自動化工具，根據當下處理的資料結構，自動產生最佳模型建議；此外該平台除可讓工程師以R、Phython進行編碼程式分析外，也提供另一管道，便於業務或行銷等非IT同仁執行自助分析，藉以即時剖析專案執行成效，甚至快速從全球網路彙集特定資訊，滿足輿情分析需求。

值得一提，放眼全球資料科學及AI相關方案，唯獨IBM兼具上述三大平台供應能量，且同時支援在地與雲端部署，用戶從踏上AI 階梯起點、直到邁向終點的整個演化歷程，皆能獲得完整協助。