未來(lái)兩種不可或缺的人才：數(shù)據(jù)科學(xué)家、物聯(lián)網(wǎng)服務(wù)運(yùn)營(yíng)商

　　最近讀了一篇 2015年的文章，標(biāo)題是“ The top 5 new jobs created by industrial IoT"，作者 Kund Lasse Lueth預(yù)測(cè)未來(lái)有五種工作會(huì)因?yàn)楣I(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(dú)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(nèi)任職呢? 30年前計(jì)算機(jī)剛興起時(shí)，懂得使用計(jì)算器的工程師鳳毛麟角，簡(jiǎn)直神人一般。加上當(dāng)時(shí)只有大型計(jì)算機(jī)，多數(shù)計(jì)算機(jī)工程師都只能供職研究機(jī)構(gòu)。直到個(gè)人計(jì)算機(jī)興起，中間還有以工作站揚(yáng)威的 Sun等公司，然后當(dāng)一般大學(xué)都有計(jì)算器工程或信息工程系后，配合著個(gè)人計(jì)算機(jī)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(dú)立服務(wù)運(yùn)營(yíng)商

　　筆者有一個(gè)在心中反復(fù)思索了很久的問(wèn)題， 10年后的物聯(lián)網(wǎng)應(yīng)用方案會(huì)讓使用的企業(yè)內(nèi)都設(shè)置物聯(lián)網(wǎng)維運(yùn)部門(mén)，還是會(huì)有獨(dú)立的運(yùn)營(yíng)商專(zhuān)責(zé)運(yùn)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(tǒng) IT 工程師的區(qū)別在于， IT從出生開(kāi)始就獨(dú)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(nèi)不同的公司，需要的 IT /OT專(zhuān)才各不相同。

　　試想臺(tái)積電與聯(lián)電的獨(dú)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?yàn)楠?dú)到的管理哲學(xué)導(dǎo)致相異的產(chǎn)業(yè)管理模式，先不說(shuō)懂半導(dǎo)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(gòu)雖然萬(wàn)變不離其宗，都是南向( south bound)的 edge tier，中間的平臺(tái)層(platform tier)負(fù)責(zé)串連裝置并做基本的數(shù)據(jù)處理，北向(north bound)的應(yīng)用層則運(yùn)用平臺(tái)收集、分析數(shù)據(jù)，進(jìn)而利用分析結(jié)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(yīng)用場(chǎng)景，因而需要收集的物理性數(shù)據(jù)(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(dāng)?shù)卣{(diào)整學(xué)習(xí)內(nèi)容與模式，物聯(lián)網(wǎng)推廣初期將嚴(yán)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(yīng)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(nèi)建立完整的物聯(lián)網(wǎng)部門(mén)編制。

　　然而，獨(dú)立存在的物聯(lián)網(wǎng)應(yīng)用方案服務(wù)運(yùn)營(yíng)商是否就是大勢(shì)所趨呢?個(gè)別產(chǎn)業(yè)的熟稔程度、數(shù)據(jù)所有權(quán)、信息安全、客戶(hù)信賴(lài)度等等都是需要克服的挑戰(zhàn)。在智慧城市(路燈、交通、空污監(jiān)測(cè)等)的應(yīng)用場(chǎng)景中，因?yàn)樯婕暗膶?zhuān)業(yè)知識(shí)相較于工業(yè)、商業(yè)、醫(yī)療等行業(yè)相對(duì)較少，專(zhuān)業(yè)的服務(wù)運(yùn)營(yíng)商切入困難度較低，而且因?yàn)橹腔鄢鞘懈采w范圍較大，又需要大量維修或巡邏人力，收集的數(shù)據(jù)往往都是公開(kāi)數(shù)據(jù)(open data)，非常適合電信或有線(xiàn)電視運(yùn)營(yíng)商投入。

　　但在工廠內(nèi)外的物聯(lián)網(wǎng)應(yīng)用，縱算獨(dú)立的服務(wù)運(yùn)營(yíng)商對(duì)于相關(guān)行業(yè)經(jīng)營(yíng)運(yùn)作足夠熟悉，若非有整組專(zhuān)責(zé)人力在現(xiàn)場(chǎng)支持，以工廠內(nèi)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運(yùn)作的工業(yè)物聯(lián)網(wǎng)運(yùn)作交付給外人。更不用說(shuō)每個(gè)公司都認(rèn)為自己的生產(chǎn)資料都是營(yíng)業(yè)機(jī)密，讓一個(gè)第三者在運(yùn)作過(guò)程中知悉，甚至保管或相關(guān)數(shù)據(jù)，對(duì)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(shù)據(jù)安全性的討論則往往來(lái)自于是否將物聯(lián)網(wǎng)應(yīng)用方案收集到的數(shù)據(jù)放在云端，以便第三人監(jiān)控管理。大部份的人聽(tīng)到數(shù)據(jù)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(xiàn)金放在家里的保險(xiǎn)箱或床底下，與放在銀行保險(xiǎn)箱中，兩者哪一種比較安全一樣。固然，報(bào)紙有時(shí)會(huì)報(bào)導(dǎo)銀行遭到搶劫或銀行保險(xiǎn)箱遭竊，我們更應(yīng)該比較的是兩者機(jī)率孰低。 畢竟，銀行保險(xiǎn)箱業(yè)務(wù)受金融監(jiān)督管理委員會(huì)的規(guī)范，銀行有義務(wù)將銀行保險(xiǎn)箱設(shè)計(jì)到一定地安全程度，放在家里的保險(xiǎn)箱的保障程度則是見(jiàn)仁見(jiàn)智。

　　在公司自行負(fù)責(zé)所有物聯(lián)網(wǎng)應(yīng)用方案運(yùn)營(yíng)與交給第三方獨(dú)立運(yùn)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(yīng)用方案裝置維護(hù)與精進(jìn)能力，若想要維持物聯(lián)網(wǎng)方案正常運(yùn)作或有緊急狀況時(shí)能快速回復(fù)， 在不觸及數(shù)據(jù)的前提下，適當(dāng)?shù)貙⒎桨附?jīng)營(yíng)維運(yùn)外包給第三人，將是確保物聯(lián)網(wǎng)方案穩(wěn)定而正常運(yùn)作不得不考慮的狀況。

　　另一種有趣的現(xiàn)象，B osch在其工業(yè) 4.0宣傳影片中強(qiáng)調(diào)，他們管控全球不同工廠內(nèi)超過(guò) 5000部機(jī)器設(shè)備，用以累積所有設(shè)備的運(yùn)作數(shù)據(jù)，形成他們的專(zhuān)家支持系統(tǒng)的基礎(chǔ)。同樣的情形，除了同一企業(yè)內(nèi)將全球各工廠內(nèi)生產(chǎn)與機(jī)器設(shè)備資料累積成未來(lái)運(yùn)作的參佐數(shù)據(jù)外，未來(lái)可以想象每一個(gè)計(jì)算機(jī)控制工具機(jī)(CNC)制造商針對(duì)同一型號(hào)的工具機(jī)遠(yuǎn)程監(jiān)控，以求做好 遠(yuǎn)距維修與運(yùn)作狀況監(jiān)控 。

　　借助這種遠(yuǎn)程的數(shù)據(jù)收集及持續(xù)性數(shù)據(jù)分析，工具機(jī)制造商將累積出強(qiáng)有力的數(shù)據(jù)庫(kù)，除了可以更精確更及時(shí)地提供遠(yuǎn)程維修咨詢(xún)外，還可以提供運(yùn)用累積的數(shù)據(jù) 提供預(yù)防性維護(hù)(preventive maintenance)，甚至做為未來(lái)改進(jìn)工具機(jī)的依據(jù)。隨著愈來(lái)愈多的設(shè)備加值或優(yōu)化服務(wù)(app)的出現(xiàn)，更多的數(shù)據(jù)將被收集分析，筆者預(yù)測(cè)將來(lái)更將因此出現(xiàn)另一種型態(tài)的顧問(wèn)咨詢(xún)服務(wù)由設(shè)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(shù)據(jù)分析與回饋。 但大部份的人還一知半解的是，目前的數(shù)據(jù)分析還不是電影里演的智腦，它的核心還是機(jī)器學(xué)習(xí) (machine learning) 。在平臺(tái)層的裝置管理平臺(tái)(device management platform)雖然負(fù)責(zé)串連裝置(connect device)并將數(shù)據(jù)收集回來(lái)(collect data)數(shù)據(jù)分析引擎(data analytics engine， DA)，但平臺(tái)層的 DA 的主要功能是串流 實(shí)時(shí)數(shù)據(jù)聚集 (streaming data aggregation) 與串流數(shù)據(jù)事件處理 (streaming event processing)。

　　要發(fā)揮想象中的智能功能，還要結(jié)合企業(yè)層( enterprise tier，或稱(chēng)應(yīng)用層)內(nèi)的各種應(yīng)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(dá)到。其中， data modeling與 predictive analytics往往靠方案設(shè)計(jì)初始時(shí)內(nèi)建的算法達(dá)成，然而同樣的應(yīng)用方案在不同的工廠內(nèi)，可能因?yàn)楫a(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(diào)整算法，也可能因?yàn)椴煌臉I(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(shù)據(jù)分析引擎必須做適當(dāng)?shù)卣{(diào)整。

　　更不用說(shuō)促銷(xiāo)期收集到的數(shù)據(jù)，是否需要在權(quán)重上適當(dāng)?shù)卣{(diào)整，以免影響數(shù)據(jù)解釋的效度(不論是整體或?qū)€(gè)別顧客行為)等原因而必須適時(shí)地與公司討論，根據(jù)特定行業(yè)特定客戶(hù)的特性進(jìn)而隨時(shí)調(diào)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(dāng)學(xué)制調(diào)整成大部份學(xué)生都具備跨領(lǐng)域的專(zhuān)長(zhǎng)，亦即主修資訊工程的學(xué)生兼修數(shù)學(xué)與機(jī)械，否則不是隨便大學(xué)資訊工程學(xué)系畢業(yè)生就當(dāng)然能夠成為數(shù)據(jù)科學(xué)家，更不當(dāng)然是個(gè)熟稔機(jī)械制造業(yè)或零售業(yè)的資料科學(xué)家。

　　再者，數(shù)據(jù)科學(xué)家團(tuán)隊(duì)內(nèi)，除了精通程序語(yǔ)言與數(shù)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(shù)據(jù)科學(xué)家之間來(lái)回溝通，并協(xié)助客戶(hù)精熟運(yùn)用各式各樣裝置收集回來(lái)的各種資料源交錯(cuò)分析后可能代表的涵義，工廠內(nèi)設(shè)備或機(jī)器人不會(huì)自己思考改進(jìn)。

　　智能零售方案中各式裝置因?yàn)楦恿畠r(jià)，更不可能具備足夠的運(yùn)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(shù)據(jù)科學(xué)家運(yùn)用各種算法協(xié)助分析，并適時(shí)調(diào)整算法，以求與時(shí)俱進(jìn)及因地制宜。

　　然則，現(xiàn)況資料科學(xué)家嚴(yán)重不足，資策會(huì)每半年一期的大數(shù)據(jù)人才培訓(xùn)班僅僅以半年時(shí)間速成的“人才”，距離真正上場(chǎng)實(shí)戰(zhàn)效果，以筆者觀察遠(yuǎn)遠(yuǎn)不如人意。要想在幾年內(nèi)填補(bǔ)數(shù)據(jù)科學(xué)家的需求缺口，明顯不可能。所以， 有產(chǎn)業(yè)經(jīng)驗(yàn)的數(shù)據(jù)科學(xué)家在可預(yù)見(jiàn)的幾年內(nèi)將是炙手可熱的“戰(zhàn)略物資”。

　　于此情形下，當(dāng)物聯(lián)網(wǎng)應(yīng)用方案開(kāi)始普及時(shí)，獨(dú)立的數(shù)據(jù)科學(xué)家團(tuán)隊(duì)，必將是各方爭(zhēng)搶?zhuān)P者認(rèn)為這個(gè)行業(yè)人員很容易形成獨(dú)立的咨詢(xún)顧問(wèn)機(jī)構(gòu)，專(zhuān)責(zé)協(xié)助應(yīng)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(dǎo)入應(yīng)用方案的客戶(hù)逐步落實(shí)并提高物聯(lián)網(wǎng)應(yīng)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(dú)立服務(wù)運(yùn)營(yíng)商這種行業(yè)，筆者在海內(nèi)外文獻(xiàn)或報(bào)導(dǎo)中幾乎從未看過(guò)相關(guān)討論。然而，筆者認(rèn)為這兩種角色，絕不只是討論個(gè)人未來(lái)可能因?yàn)槲锫?lián)網(wǎng)興起而出現(xiàn)的職業(yè)，更可能因?yàn)槲锫?lián)網(wǎng)應(yīng)用方案實(shí)際運(yùn)作的需求，進(jìn)而形成獨(dú)立的行業(yè)，值得所有有志于物聯(lián)網(wǎng)產(chǎn)業(yè)的業(yè)者觀察與積極投入。