憑公有服務借力使力 大幅增進AIoT應用綜效
- 洪千惠
-
隨著大數據科技的發展，已為人工智慧(AI)、物聯網(IoT)等技術應用，注入強大支撐力道；不少產業專家、研究機構預期，2018年是關鍵的一年，舉凡AI、IoT將加速匯流為AIoT，驅動工業機器人、無人機、自動駕駛、智慧建築、智慧城市等等各式智慧應用大鳴大放。
雙子星雲端運算公司(Gemini)執行長符儒嘉認為，AIoT議題的發酵，將偏向各個垂直應用，主要落在智慧製造、智慧醫療、智慧監控、金融科技(FinTech)等領域，各領域的發展方向不盡相同；但無論AIoT應用場景為何，都需要倚靠堅實的底層架構，有效彙集大數據，接著進行資料處理、儲存，結合機器學習分析，最終呈現分析成果，孕育各種智慧決策。
簡化機器學習步驟，加速推展AIoT
符儒嘉歸納，展望2018年，有些關於AIoT的新興發展趨勢，著實值得產業界加以關注。首先，以往機器學習的實踐場域，多偏向實驗室格局，通常在實驗室內設置小型工作站，藉此定義模型與參數；但不可諱言，欲發揮更大的機器學習分析成效，資料多多益善，單憑實驗室資源不足以有效處理龐大資料，故為了在高性價比前提下快速籌措資源，朝向公有雲型式的AI服務供應商求助，逐漸成為業界的普遍共識。
其次AIoT並非自動生成的萬靈丹，在價值實現的過程中，還是需要借重專家的智慧進行Data Labeling，此即為一般認知的監督學習(Supervised Learning)模式；然而為促使AI普遍化、大眾化，業界亟思尋找不同的機器學習型式，期望降低對專家的倚賴程度，因而不少人把目光轉向強化學習(Reinforcement Learning)、遷移學習(Transfer Learning)，乃至生成對抗網絡(GAN)等新的發展方向，藉以大幅減少Input Data、Labeling的需求量，簡化機器學習執行步驟，值得有志發展AI的企業機構留意。
再者不論各式各樣的應用場景，都不可能僅靠中心端產生智慧，意即在執行模型訓練後，很難只靠中心端做完所有推論，因而促使「邊緣運算」蔚為風潮；但持平而論，邊緣端不像中心端具有豐富運算單元或GPU，故需配合模型的簡化，才足以確保邊緣端猶能展現低失真的AI智慧辨識效果。
此外符儒嘉預期，儘管現今AIoT應用場域，通常具有較明確的垂直屬性，但未來彼此界線將趨於模糊，意即不同應用場域可能會合併，轉換為更新穎、也更完整的商業模式；譬如亞馬遜(Amazon)力推的無人商店，箇中便蘊含監控、收銀、推薦等等眾多科技元素在內。
符儒嘉強調，總之無論AIoT應用型態為何，「資料」絕對是開啟一切價值的關鍵之鑰，不管企業取決哪一套模型演算法，皆需借助豐富的資料來執行訓練，因此企業投入AIoT的先決條件，即是準備好足夠資料，且不光是單單一種或少數幾種基本資料，還須納入內外部其他多重資料來源，接著由深諳領域知識的專家利用AI工具，進行模型與參數定義，理解多重資料彼此間的相互關係，協助企業獲取洞察力與決策力，適時調整商業模式，創造優異的經營績效。
借助BDaaS/AIaaS，降低智慧應用發展門檻
儘管從資料準備、深度神經網路DNN(Deep Neural Network)訓練、產生模型並完成驗證，直至最終投入應用場景，此一AIoT價值的實踐之道，多數企業都已了然於胸，但無庸置疑，企業要想單憑一己力量撐起AIoT一片天，肯定並非易事；別的不說，如符儒嘉所言，機器學習是一項Multi-staff的工作流程，包含資料科學家、AI科學家、IT維運人員等三大角色都必須介入其中，以致企業必須因應不同角色需求，分頭佈建三種作業環境，部署可觀的運算與儲存資源，這般投資排場，並非所有企業皆可負擔。
有鑑於此，雙子星透過Gemini Open Cloud(GOC)平台基礎，從IaaS、PaaS一路推進到SaaS，提供BDaaS/AIaaS方案，幫助企業加速執行機器學習訓練、產生模型並形成聰明決策。符儒嘉指出，藉由雙子星的服務，用戶可利用同一硬體平台，同時啟動不同運算叢集，一併滿足大數據處理、機器學習、模型驗證等端到端工作需求，以降低對硬體資源的總體需求量。
不僅如此，由於資料科學家、AI科學家、IT維運人員三種角色都在單一平台作業，輔以其角色所需的 User Portal，可望發揮資源共享但不互相干擾、又能加速作業進程等驚喜妙效；例如不需要歷經繁瑣的資料搬移與轉換，便可讓不同角色依各自權限範圍，隨需共用檔案數據，甚至透過 Registry 集中調度函式庫、Framework 等共通資源(以Repository形式包裝)，藉以簡化IT管理、增進分析效能。
