業界普遍認同：人工智慧 (AI)／機器學習 (ML) 的最大貢獻之一是「探索未知」，面對 Covid-19 這個頭號公敵，AWS 近期分享 AI/ML 在後疫情時代的產業觀察。AWS 機器學習專業架構師楊仲豪表示，除了大家耳熟能詳的疾病預知外，機器學習特別適用於系統化搜尋和個人精準醫療，給予最佳處方並避免用藥過敏，以便快速應對及決策。
在這場仍處於進行式的 Covid-19「戰疫」中，阿斯特捷利康 (AstraZeneca, 簡稱 AZ) 疫苗開發即是與 Amazon Machine Learning Solutions Lab 合作，利用 SageMaker 平台和資料科學進行基因配對等必要程序，加速資料標記、訓練模型與分類；資料處理亦可突破傳統資源限制，只需很小的運算力就能完成 500 億個基因配對測試，進而減少 50% 以上的開發時程。被視為更能有效抵抗變種病毒的 mRNA 疫苗，更需大量機器學習、基因配對量也更大；莫德納 (Moderna) 亦借助 AWS AI 工具之力，僅花費不到 42 天就完成首批疫苗製造。
照片人物：AWS 機器學習專業架構師楊仲豪
市場波動加劇，供應鏈壓力大
楊仲豪透露，透過高效運算 (HPC) 可快速建置 Covid-19 研究資料庫，有助新型病毒診斷；不僅是應對此類重大醫療事件，ML 對於例行照護也有一套。例如，救護車上的心電圖可能因車輛震動、路面顛簸而影響導管訊號傳送，環境或病患情緒的不穩定都可能造成異常，對於數據整理、分類、建模皆是挑戰；於是，有公司找 AWS 合作，在兩個月內就訓練出可用模型並完成部署。除了醫療本身，疫情也對經濟活動與產業供應鏈造成衝擊。防疫期間加大市場需求波動、且各國復甦時間不同，使平均供貨時間拉長成兩倍，對庫存、調貨造成壓力。
當此非常時期，ML 可賦予供應鏈彈性，緩解斷鏈問題，幫助重塑整個端到端供應鏈，做出更好的決策；銷售預測、工程設計、生產排程、分銷皆可動態調整，即時遭遇前一陣子的運河卡船突發事件，也能及時因應。楊仲豪還提到客戶需求及管理的不可或缺，Alexa 機器人對話技術——Amazon Lex 服務，可協助客服妥善掌控訂單和倉儲狀況並適時發出告警。例如，北美最大能源供應商 TC Energy 就採用 SageMaker 匯集天氣、商業交易等第三方資訊以提高供需精準度，以減少人為干預；物流承攬商報關亦可藉模型媒合處理價格、效率、時間和下單建議。
「優化物流不僅可提升貨物倉儲空間效率，還能精準預測區域數量和配送時間，這對某些日常只有固定班次進出的偏遠城鎮尤其重要」，楊仲豪說。他並以疫情爆發之初的日用品搶購潮為例，此類非常事件難以既有模型精準預測，建議須及時加入近期時事社會因素、掌握供貨源庫存，同時在異常訊號出現時馬上運用特殊模型動態調整安全庫存水位。楊仲豪總結，AWS 優勢在於能整合諸多產品資源、比開源更有效率，且對於安全、合規問題非常謹慎，目前關於安全認證就有 230 多項，涵蓋自動安全控管、加密工具、金鑰管理、公司治理和運作等。
製造＆零售業態丕變，趨向 AI/ML 取經「Insight」
楊仲豪細數，AWS 單是去年就發佈超過 250 種服務，目標是為企業數位轉型和創新「賦能」，例如，透過 ML 察覺電波異常或晶圓瑕疵；今年還觸及產業 AI，例如，Amazon Monitron＋感測器探知馬達運作是否異常。得益於 Amazon Alexa 擁有 14 種語言、逾 9 萬種技能加持，AWS 可迅速推出應用層 AI 服務並做成應用程式介面 (API) 供企業應用及迭代。他透露，AWS 所推出的服務有九成都是因應客戶需求而開發、導入，且製造業的產品和服務思維正在發生變化：以前可能銷售後就斷線，並不太強調顧客關係管理 (CRM)。
然時移勢易，楊仲豪發現：現在製造業也開始重視與上、下游的互動，包括原料溯源、供應鏈控制能力，需要大量分析以獲得更多「insight」；而 AWS 能提供第三方 API 供生態系夥伴介接這點，對產業助益良多，例如，原物料預測模型通常會包含第三方資料，拜耳 (Bayer) 生醫製藥的農作物溯源和食物保存與開利 (Carrier) 的冷鏈車隊溫度控制，皆涉及 AWS 服務；台灣製造業亦正積極尋求 ML 專家，而 AWS 也廣與大學合作培育人才。另一方面，零售業亟需獲得機器學習經驗，「無人商店」即是一例。
楊仲豪以 Amazon GO 為例描述四大難關：1.拿取貨物者是誰？買單者又是誰？2.同一時間有兩個人出現在鄰近貨架，如何精準判斷？3.架上類似商品眾多，如何區別？4.新商品上架，能供訓練的數據量不多，如何克服？「Amazon One手掌支付」功能，消費者可在進店前伸出手掌、經由紅外線掃瞄掌紋，可在顧及隱私下進行無接觸消費。不過，楊仲豪提醒：AI/ML 具有適地性和適用性，恐無法直接複製到不同產業，必須予以微調；此外，新創公司可能因為缺少資料豐富性，或將錯失某些關鍵產業訊號。
Tomofun：準確＆穩定只是基礎，「AI 落地」方見真價值
AWS 愛用者之一、專精竉物科技的友愉 (Tomofun) 公司亦同意「AI 落地」的重要，技術長張佳彥認為，2015、2016 年 AI 就已見蓬勃，但可惜的是，AI 無法落地卻成新創失敗原因；AI 模型無法直接套用，須根據應用場景調整。為此，他們還舉辦別開生面的「狗音辨識 AI 百萬挑戰」駭客松 (Hackathon)。此場賽事的初賽與傳統大同小異，由主辦方提供固定資料讓參賽者訓練模型，以演算法準確度決勝以尋找創新靈感；特別的是在為時四小時的決賽，當 AI 服務架設好之後，參賽者須在最後兩個小時力拼體現「落地價值」。
照片人物：友愉 (Tomofun) 公司技術長張佳彥
張佳彥指出，除了基本的準確度和穩定度驗證，參賽者還須具備即時收集現場資料、即時訓練並接受 AI 落地挑戰的能力，以貫通「發掘問題、收集資料、訓練模型、循環改進、找到價值」所有工作環節。作為全球首款 AIoT 狗狗攝影機——Furbo Dog Camera 的新創 AIOT 企業，張佳彥回顧自身遭遇困境：1.自行維運 IT 基礎設施和資料庫——耗費人力且人才門檻高；2.架設全球化資料中心——傳統架構擴展性不佳、無法及時調整，不利成本控管和成長；3.推展 AI 服務——對於 GPU 和資料儲存空間的需求大且 AI 硬體發展相當快，自購不划算。
因此，主打「Furbo 狗保姆」的友愉——經由專用攝影機記錄狗行為，並可即時投食、突發事件智慧通知、雲端互動等，決定採用無伺服器 (Serverless) 架構的託管服務；AWS 每年推出新品，服務費用也可隨之迭代，大降 70% 成本。令我們好奇的是：這樣的智慧照顧可是門好生意？市場可夠大？張佳彥的回答是：現代人的生活型態正在發生變化，據統計，美國家庭竉物的數量已超過新生兒，仍具一定市場規模。「Furbo 狗保姆目前已熱銷逾 50 國，未來還將開發更多人狗互動、狗狗活動狀況和健康監測等功能，惟醫療阻力來自於制度和法規。
