AWS倡「以雲為先」策略 逐步落實深度學習

雲運算可說是實現數碼轉型的必然手段之一，正當大家鼓吹混合雲勢將成為最終形態之際，作為雲運算服務供應商龍頭的AWS卻有另一番見解。

Amazon.com技術總監（CTO）Werner Vogels認同，現時大部分企業均遊走在公共雲與私有雲之間，尤其不少大型企業過去投放大量資金建設數據中心，不可能朝夕之間轉投公共雲。就好比AWS客戶General Electric (GE)，這家已有140年歷史的老字號，在遷移至AWS後，將陸續於3年間關閉旗下34個數據中心，僅保留4個數據中心。Vogels認為這決策相當合理，畢竟除了投資以外，企業仍有不少實際原因需要保留數據中心。

以雲為先策略

Vogels形容，並非所有企業都要一步到位，在過渡時期同時採用公共雲和私有雲的策略甚普遍。「但固有系統總有退役或需要更換的一日，數目只會隨年月遞減。因此企業應在過渡時期，實施以雲為先（Cloud First）策略，所有新服務或應用均基於雲端開發。況且在舊有系統開發新應用困難得多，開發者往往要等上好幾個月，才能獲取新的伺服器或運算能力，無論在人手、成本和時間方面均不合符經濟效益，雲運算正是為了解決這些問題才應運而生。」

以雲為先策略除了經濟效益考量，亦有助企業創新思維，重新審視業務所需以及雲端應用達成甚麼目標；同時，企業亦可以更迅速的作出反應和政策，採用不同的開發方法，繼續進行整合和新的開發項目，循序漸進地令系統建設與應用方式邁向現代化。

公共雲保安更勝企業

事實上，邁向公共雲並非初創或中小企的專利，AWS就有不少大型企業、政府部門和金融界客戶。過去，監管較嚴謹之機構礙於法規及保安考量，堅持將客戶或業務數據存放於自建數據中心，惟Vogels指出，法規遵從已非邁向雲端的障礙，相反地，AWS投放在保安的資源、加密和保護遠超一般企業所能負擔。

「Capital One的CIO就曾公開表示，選用AWS的主因之一，是以他們一己之力，難以達致可媲美AWS的保安水平。就連香港的渣打銀行和新加坡的DBS，亦已採用AWS；而菲律賓中央銀行在遭颱風侵襲後，正著手研究於新加坡增設災難復原；日本亦有銀行在大地震後於新加坡設立災難復原點，而雲運算技術正是遙距災難復原的最佳選擇。這些銀行均旨在保障用戶，為他們提供更優質的服務，這一點與AWS不謀而合。」Vogels續指，法規要求機構保存在自建數據中心的數據量，近年已不斷下降，畢竟許多法例早已不合時宜，應由雲運算專家與立法者攜手重寫，釐清在創新技術環境下，甚麼法規才最行之有效而不會窒礙發展。

以AWS的Cloudtrail為例，其審計功能覆蓋每個物件、每個資源的每一項營運細項均被完整記錄，隨時隨地均可抽查誰、在甚麼時候、甚麼環境下，以甚麼方式擷取過哪些物件數據的詳細資訊，並且能確保那些記錄準確無誤。如此強大的審計功能，是當年的立法者所無法預視的。Vogels又強調，AWS與立法者的目標一致 —— 就是保障客戶；而AWS所擁有的加密和保安技術，是許多大企業也望塵莫及的。

推行機器學習從微處做起

對正計畫部署雲運算，或準備遷移至雲端的企業，Vogels建議可同步計畫部署數據分析。

「企業可從簡單的數據分析做起，機器學習並非唯一一種分析工具。在我看來，數據分析可分為3類：往回看的、實時分析的，和預測未來的。不少企業既有數據倉庫，可以分析過去的數據產生報告或銷售數字等。EMR和Redshift在這類分析舊數據的領域，扮演著重要的角色。至於實時分析，比方說庫存，當然要最新的數據；又或是客戶意見，企業自然想知道客人這一刻在Twitter上寫甚麼，而不是昨天寫甚麼。Kinesis、EMR、Athena、Quicksight在這方面都能幫上大忙。」

至於現時最炙手可熱的機器學習，則被歸類為預測分析。
Vogels指Amazon零售業務部門正是機器學習方案的一大用戶，逾20年來不斷創新改進，以舊有數據預測將發生的事件。Vogels舉例指Amazon上億的訂購記錄，正好用以分析新訂單是否詐騙行為。

「當然不是說一旦分析屬詐騙，就自動取消訂單，而是會轉交人手跟進。這類分析預測，亦可放於偽冒貨品和失實濫用評論等。而AWS提供相關的工具和方案，確保企業可從雲端或自建數據中心，擷取所需的分析數據源。」

數據管理服務Glue Data Catalog讓企業得以整理其網絡環境內所有數據源，包括存於關聯式數據庫RDS、Redshift、Athena或S3上的數據，或是企業自建數據中心的，均可在指定數據源位置後，經由機器學習演算法，在需要時擷取相關數據以作分析。如此一來，即使仍保留已過時的自建系統，企業仍得以採用數據分析改善業務，並逐步遷移至公共雲。

Vogels另建議企業如欲部署機器學習，可從產品層面著手。AWS已有提供圖像、視像、話音辨識服務，或文字至話音/話音至文字服務，例如新推出的Amazon Rekognition Video、Amazon Transcribe等，銀行可利用這些具備智能和機器學習能力的服務，分析客戶在分行內如何流動、在提款機或櫃員處停留多久，有否注意分行內張貼的海報等等。Vogels強調，企業可按步就班，依實際業務營運所需部署機器學習，待有獨特需求再自行設計相關的機器學習模型。