未來(lái)兩種不可或缺的人才：數據科學(xué)家、物聯(lián)網(wǎng)服務(wù)運營(yíng)商

　　最近讀了一篇 2015年的文章，標題是“ The top 5 new jobs created by industrial IoT"，作者 Kund Lasse Lueth預測未來(lái)有五種工作會(huì )因為工業(yè)物聯(lián)網(wǎng)的興起而有大量的需求：Industrial data scientist， Robot coordinator， IT/IoT solution architect， Industrial computer engineer/programmer， Industrial UI/UX designer。

　　看看這五種職業(yè)，哪幾種工作未來(lái)會(huì )是獨立作業(yè)，有哪些工作適合在使用工業(yè)物聯(lián)網(wǎng)的公司內任職呢? 30年前計算機剛興起時(shí)，懂得使用計算器的工程師鳳毛麟角，簡(jiǎn)直神人一般。加上當時(shí)只有大型計算機，多數計算機工程師都只能供職研究機構。直到個(gè)人計算機興起，中間還有以工作站揚威的 Sun等公司，然后當一般大學(xué)都有計算器工程或信息工程系后，配合著(zhù)個(gè)人計算機的普及，逐步演進(jìn)到今天許多公司都有 IT 部門(mén)或至少配備 IT人員。

　　物聯(lián)網(wǎng)獨立服務(wù)運營(yíng)商

　　筆者有一個(gè)在心中反復思索了很久的問(wèn)題， 10年后的物聯(lián)網(wǎng)應用方案會(huì )讓使用的企業(yè)內都設置物聯(lián)網(wǎng)維運部門(mén)，還是會(huì )有獨立的運營(yíng)商專(zhuān)責運營(yíng)，或是中間會(huì )有過(guò)渡型態(tài)?物聯(lián)網(wǎng)從業(yè)人員與傳統 IT 工程師的區別在于， IT從出生開(kāi)始就獨樹(shù)一幟，一直是一門(mén)專(zhuān)門(mén)的學(xué)科，然而 物聯(lián)網(wǎng)則是 IT與 OT交織的科技 ，不同的產(chǎn)業(yè)、甚至是同產(chǎn)業(yè)內不同的公司，需要的 IT /OT專(zhuān)才各不相同。

　　試想臺積電與聯(lián)電的獨家制程決不相同，就算是寶成與豐泰鞋業(yè)的制程也必有因為獨到的管理哲學(xué)導致相異的產(chǎn)業(yè)管理模式，先不說(shuō)懂半導體制程的 I oT computer engineer/programmer是否做得來(lái)制鞋業(yè)的 IoT computer programming，本身就是一個(gè)很有趣的命題。

　　物聯(lián)網(wǎng)架構雖然萬(wàn)變不離其宗，都是南向( south bound)的 edge tier，中間的平臺層(platform tier)負責串連裝置并做基本的數據處理，北向(north bound)的應用層則運用平臺收集、分析數據，進(jìn)而利用分析結果控制 edge tier的裝置。但是不同的產(chǎn)業(yè)或不同的任務(wù)，牽涉到不同的應用場(chǎng)景，因而需要收集的物理性數據(machine log)或用戶(hù)行為(behavior log)，可能南轅北轍，安裝的位置與建模使用的算法也定然迥異。

　　因此所謂的 IoT solution architect與 IoT computer engineer/programmer ，其實(shí)是個(gè)很廣義的泛稱(chēng)。未來(lái)的技職與大學(xué)教育如果不能配合推出跨領(lǐng)域的學(xué)程，讓在學(xué)學(xué)子適當地調整學(xué)習內容與模式，物聯(lián)網(wǎng)推廣初期將嚴重受制于 IoT人才不足 ?；?，除了個(gè)別行業(yè)巨擘外，物聯(lián)網(wǎng)發(fā)展初期很難期待在每個(gè)采用物聯(lián)網(wǎng)應用方案的使用者(政府或企業(yè))都網(wǎng)羅上述五種人才，在體制內建立完整的物聯(lián)網(wǎng)部門(mén)編制。

　　然而，獨立存在的物聯(lián)網(wǎng)應用方案服務(wù)運營(yíng)商是否就是大勢所趨呢?個(gè)別產(chǎn)業(yè)的熟稔程度、數據所有權、信息安全、客戶(hù)信賴(lài)度等等都是需要克服的挑戰。在智慧城市(路燈、交通、空污監測等)的應用場(chǎng)景中，因為涉及的專(zhuān)業(yè)知識相較于工業(yè)、商業(yè)、醫療等行業(yè)相對較少，專(zhuān)業(yè)的服務(wù)運營(yíng)商切入困難度較低，而且因為智慧城市覆蓋范圍較大，又需要大量維修或巡邏人力，收集的數據往往都是公開(kāi)數據(open data)，非常適合電信或有線(xiàn)電視運營(yíng)商投入。

　　但在工廠(chǎng)內外的物聯(lián)網(wǎng)應用，縱算獨立的服務(wù)運營(yíng)商對于相關(guān)行業(yè)經(jīng)營(yíng)運作足夠熟悉，若非有整組專(zhuān)責人力在現場(chǎng)支持，以工廠(chǎng)內低時(shí)延高可靠度要求的工作環(huán)境，恐怕沒(méi)有一個(gè)公司愿意將涉及工廠(chǎng)運作的工業(yè)物聯(lián)網(wǎng)運作交付給外人。更不用說(shuō)每個(gè)公司都認為自己的生產(chǎn)資料都是營(yíng)業(yè)機密，讓一個(gè)第三者在運作過(guò)程中知悉，甚至保管或相關(guān)數據，對于許多老板來(lái)說(shuō)顯然是個(gè)無(wú)法想象的情形。

　　至于數據安全性的討論則往往來(lái)自于是否將物聯(lián)網(wǎng)應用方案收集到的數據放在云端，以便第三人監控管理。大部份的人聽(tīng)到數據放在云端，往往覺(jué)得不如放在自己家安全。然而實(shí)情是，這與將現金放在家里的保險箱或床底下，與放在銀行保險箱中，兩者哪一種比較安全一樣。固然，報紙有時(shí)會(huì )報導銀行遭到搶劫或銀行保險箱遭竊，我們更應該比較的是兩者機率孰低。 畢竟，銀行保險箱業(yè)務(wù)受金融監督管理委員會(huì )的規范，銀行有義務(wù)將銀行保險箱設計到一定地安全程度，放在家里的保險箱的保障程度則是見(jiàn)仁見(jiàn)智。

　　在公司自行負責所有物聯(lián)網(wǎng)應用方案運營(yíng)與交給第三方獨立運營(yíng)商服務(wù)之間，是否有妥協(xié)的空間?畢竟大部份公司很難具備完整的物聯(lián)網(wǎng)應用方案裝置維護與精進(jìn)能力，若想要維持物聯(lián)網(wǎng)方案正常運作或有緊急狀況時(shí)能快速回復， 在不觸及數據的前提下，適當地將方案經(jīng)營(yíng)維運外包給第三人，將是確保物聯(lián)網(wǎng)方案穩定而正常運作不得不考慮的狀況。

　　另一種有趣的現象，B osch在其工業(yè) 4.0宣傳影片中強調，他們管控全球不同工廠(chǎng)內超過(guò) 5000部機器設備，用以累積所有設備的運作數據，形成他們的專(zhuān)家支持系統的基礎。同樣的情形，除了同一企業(yè)內將全球各工廠(chǎng)內生產(chǎn)與機器設備資料累積成未來(lái)運作的參佐數據外，未來(lái)可以想象每一個(gè)計算機控制工具機(CNC)制造商針對同一型號的工具機遠程監控，以求做好 遠距維修與運作狀況監控 。

　　借助這種遠程的數據收集及持續性數據分析，工具機制造商將累積出強有力的數據庫，除了可以更精確更及時(shí)地提供遠程維修咨詢(xún)外，還可以提供運用累積的數據 提供預防性維護(preventive maintenance)，甚至做為未來(lái)改進(jìn)工具機的依據。隨著(zhù)愈來(lái)愈多的設備加值或優(yōu)化服務(wù)(app)的出現，更多的數據將被收集分析，筆者預測將來(lái)更將因此出現另一種型態(tài)的顧問(wèn)咨詢(xún)服務(wù)由設備制造商提供。

　　資料科學(xué)家

　　經(jīng)過(guò)過(guò)去兩年的宣傳與普及，很多人都了解 物聯(lián)網(wǎng)的核心在于數據分析與回饋。 但大部份的人還一知半解的是，目前的數據分析還不是電影里演的智腦，它的核心還是機器學(xué)習 (machine learning) 。在平臺層的裝置管理平臺(device management platform)雖然負責串連裝置(connect device)并將數據收集回來(lái)(collect data)數據分析引擎(data analytics engine， DA)，但平臺層的 DA 的主要功能是串流 實(shí)時(shí)數據聚集 (streaming data aggregation) 與串流數據事件處理 (streaming event processing)。

　　要發(fā)揮想象中的智能功能，還要結合企業(yè)層( enterprise tier，或稱(chēng)應用層)內的各種應用方案訴求的各種功能，進(jìn)一步透過(guò) data modeling及 predictive analytics才能達到。其中， data modeling與 predictive analytics往往靠方案設計初始時(shí)內建的算法達成，然而同樣的應用方案在不同的工廠(chǎng)內，可能因為產(chǎn)線(xiàn)的布置、加工的工件大小或材質(zhì)等等原因不同而需調整算法，也可能因為不同的業(yè)態(tài)(例如：零售業(yè)中 hyper market或 convenient store)使得同一套為了智能零售而研發(fā)的數據分析引擎必須做適當地調整。

　　更不用說(shuō)促銷(xiāo)期收集到的數據，是否需要在權重上適當地調整，以免影響數據解釋的效度(不論是整體或對個(gè)別顧客行為)等原因而必須適時(shí)地與公司討論，根據特定行業(yè)特定客戶(hù)的特性進(jìn)而隨時(shí)調整算法。

　　與前一角色的討論類(lèi)似，在未來(lái)十年或更久以后，當學(xué)制調整成大部份學(xué)生都具備跨領(lǐng)域的專(zhuān)長(cháng)，亦即主修資訊工程的學(xué)生兼修數學(xué)與機械，否則不是隨便大學(xué)資訊工程學(xué)系畢業(yè)生就當然能夠成為數據科學(xué)家，更不當然是個(gè)熟稔機械制造業(yè)或零售業(yè)的資料科學(xué)家。

　　再者，數據科學(xué)家團隊內，除了精通程序語(yǔ)言與數學(xué)，能夠選擇算法并撰寫(xiě)程序者外，還有另一種與產(chǎn)業(yè)更靠近的 資料解讀與產(chǎn)業(yè)分析師(interpreter)。沒(méi)有產(chǎn)業(yè)分析師在客戶(hù)與撰擬演算模型的數據科學(xué)家之間來(lái)回溝通，并協(xié)助客戶(hù)精熟運用各式各樣裝置收集回來(lái)的各種資料源交錯分析后可能代表的涵義，工廠(chǎng)內設備或機器人不會(huì )自己思考改進(jìn)。

　　智能零售方案中各式裝置因為更加廉價(jià)，更不可能具備足夠的運算單元，裝置本身更不可能有智能思考的能力。因此需要外來(lái)的數據科學(xué)家運用各種算法協(xié)助分析，并適時(shí)調整算法，以求與時(shí)俱進(jìn)及因地制宜。

　　然則，現況資料科學(xué)家嚴重不足，資策會(huì )每半年一期的大數據人才培訓班僅僅以半年時(shí)間速成的“人才”，距離真正上場(chǎng)實(shí)戰效果，以筆者觀(guān)察遠遠不如人意。要想在幾年內填補數據科學(xué)家的需求缺口，明顯不可能。所以， 有產(chǎn)業(yè)經(jīng)驗的數據科學(xué)家在可預見(jiàn)的幾年內將是炙手可熱的“戰略物資”。

　　于此情形下，當物聯(lián)網(wǎng)應用方案開(kāi)始普及時(shí)，獨立的數據科學(xué)家團隊，必將是各方爭搶?zhuān)P者認為這個(gè)行業(yè)人員很容易形成獨立的咨詢(xún)顧問(wèn)機構，專(zhuān)責協(xié)助應用方案開(kāi)發(fā)商開(kāi)發(fā)各種“智能”的分析模塊，或者協(xié)助實(shí)際導入應用方案的客戶(hù)逐步落實(shí)并提高物聯(lián)網(wǎng)應用方案的智能程度。

　　有趣的是，本文討論的這兩種角色，尤其是獨立服務(wù)運營(yíng)商這種行業(yè)，筆者在海內外文獻或報導中幾乎從未看過(guò)相關(guān)討論。然而，筆者認為這兩種角色，絕不只是討論個(gè)人未來(lái)可能因為物聯(lián)網(wǎng)興起而出現的職業(yè)，更可能因為物聯(lián)網(wǎng)應用方案實(shí)際運作的需求，進(jìn)而形成獨立的行業(yè)，值得所有有志于物聯(lián)網(wǎng)產(chǎn)業(yè)的業(yè)者觀(guān)察與積極投入。