凭公有服务借力使力 大幅增进AIoT应用综效
- 洪千惠
-
随着大数据科技的发展，已为人工智能(AI)、物联网(IoT)等技术应用，注入强大支撑力道；不少产业专家、研究机构预期，2018年是关键的一年，举凡AI、IoT将加速汇流为AIoT，驱动工业机器人、无人机、自动驾驶、智能建筑、智能城市等等各式智能应用大鸣大放。
双子星云端运算公司(Gemini)CEO符儒嘉认为，AIoT议题的发酵，将偏向各个垂直应用，主要落在智能制造、智能医疗、智能监控、金融科技(FinTech)等领域，各领域的发展方向不尽相同；但无论AIoT应用场景为何，都需要倚靠坚实的底层架构，有效汇集大数据，接着进行数据处理、储存，结合机器学习分析，最终呈现分析成果，孕育各种智能决策。
简化机器学习步骤，加速推展AIoT
符儒嘉归纳，展望2018年，有些关于AIoT的新兴发展趋势，着实值得产业界加以关注。首先，以往机器学习的实践场域，多偏向实验室格局，通常在实验室内设置小型工作站，借此定义模型与参数；但不可讳言，欲发挥更大的机器学习分析成效，数据多多益善，单凭实验室资源不足以有效处理庞大数据，故为了在高性价比前提下快速筹措资源，朝向公有云型式的AI服务供应商求助，逐渐成为业界的普遍共识。
其次AIoT并非自动生成的万灵丹，在价值实现的过程中，还是需要借重专家的智能进行Data Labeling，此即为一般认知的监督学习(Supervised Learning)模式；然而为促使AI普遍化、大众化，业界亟思寻找不同的机器学习型式，期望降低对专家的倚赖程度，因而不少人把目光转向强化学习(Reinforcement Learning)、迁移学习(Transfer Learning)，乃至生成对抗网络(GAN)等新的发展方向，藉以大幅减少Input Data、Labeling的需求量，简化机器学习执行步骤，值得有志发展AI的企业机构留意。
再者不论各式各样的应用场景，都不可能仅靠中心端产生智能，意即在执行模型训练后，很难只靠中心端做完所有推论，因而促使「边缘运算」蔚为风潮；但持平而论，边缘端不像中心端具有丰富运算单元或GPU，故需配合模型的简化，才足以确保边缘端犹能展现低失真的AI智能识别效果。
此外符儒嘉预期，尽管现今AIoT应用场域，通常具有较明确的垂直属性，但未来彼此界线将趋于模糊，意即不同应用场域可能会合并，转换为更新颖、也更完整的商业模式；譬如亚马逊(Amazon)力推的无人商店，个中便蕴含监控、收银、推荐等等众多科技元素在内。
符儒嘉强调，总之无论AIoT应用型态为何，「数据」绝对是开启一切价值的关键之钥，不管企业取决哪一套模型演算法，皆需借助丰富的数据来执行训练，因此企业投入AIoT的先决条件，即是准备好足够数据，且不光是单单一种或少数几种基本数据，还须纳入内外部其他多重数据来源，接着由深谙领域知识的专家利用AI工具，进行模型与参数定义，理解多重数据彼此间的相互关系，协助企业获取洞察力与决策力，适时调整商业模式，创造优异的经营绩效。
借助BDaaS/AIaaS，降低智能应用发展门槛
尽管从数据准备、深度神经网络DNN(Deep Neural Network)训练、产生模型并完成验证，直至最终投入应用场景，此一AIoT价值的实践之道，多数企业都已了然于胸，但无庸置疑，企业要想单凭一己力量撑起AIoT一片天，肯定并非易事；别的不说，如符儒嘉所言，机器学习是一项Multi-staff的工作流程，包含数据科学家、AI科学家、IT维运人员等三大角色都必须介入其中，以致企业必须因应不同角色需求，分头布建三种作业环境，部署可观的运算与储存资源，这般投资排场，并非所有企业皆可负担。
有监于此，双子星透过Gemini Open Cloud(GOC)平台基础，从IaaS、PaaS一路推进到SaaS，提供BDaaS/AIaaS方案，帮助企业加速执行机器学习训练、产生模型并形成聪明决策。符儒嘉指出，藉由双子星的服务，用户可利用同一硬件平台，同时启动不同运算丛集，一并满足大数据处理、机器学习、模型验证等端到端工作需求，以降低对硬件资源的总体需求量。
不仅如此，由于数据科学家、AI科学家、IT维运人员三种角色都在单一平台作业，辅以其角色所需的 User Portal，可望发挥资源共享但不互相干扰、又能加速作业进程等惊喜妙效；例如不需要历经繁琐的数据搬移与转换，便可让不同角色依各自权限范围，随需共享档案数据，甚至透过 Registry 集中调度函式库、Framework 等共通资源(以Repository形式包装)，藉以简化IT管理、增进分析效能。
