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(yù)測未來有五種工作會因為工業(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)，哪幾種工作未來會是獨立作業(yè)，有哪些工作適合在使用工業(yè)物聯(lián)網(wǎng)的公司內(nèi)任職呢? 30年前計算機剛興起時，懂得使用計算器的工程師鳳毛麟角，簡直神人一般。加上當時只有大型計算機，多數(shù)計算機工程師都只能供職研究機構(gòu)。直到個人計算機興起，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，配合著個人計算機的普及，逐步演進到今天許多公司都有 IT 部門或至少配備 IT人員。

　　物聯(lián)網(wǎng)獨立服務(wù)運營商

　　筆者有一個在心中反復(fù)思索了很久的問題， 10年后的物聯(lián)網(wǎng)應(yīng)用方案會讓使用的企業(yè)內(nèi)都設(shè)置物聯(lián)網(wǎng)維運部門，還是會有獨立的運營商專責(zé)運營，或是中間會有過渡型態(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從出生開始就獨樹一幟，一直是一門專門的學(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(dǎo)致相異的產(chǎn)業(yè)管理模式，先不說懂半導(dǎo)體制程的 I oT computer engineer/programmer是否做得來制鞋業(yè)的 IoT computer programming，本身就是一個很有趣的命題。

　　物聯(lián)網(wǎng)架構(gòu)雖然萬變不離其宗，都是南向( south bound)的 edge tier，中間的平臺層(platform tier)負責(zé)串連裝置并做基本的數(shù)據(jù)處理，北向(north bound)的應(yīng)用層則運用平臺收集、分析數(shù)據(jù)，進而利用分析結(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)用場景，因而需要收集的物理性數(shù)據(jù)(machine log)或用戶行為(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 ，其實是個很廣義的泛稱。未來的技職與大學(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?shù)卣{(diào)整學(xué)習(xí)內(nèi)容與模式，物聯(lián)網(wǎng)推廣初期將嚴重受制于 IoT人才不足 ?；耍藗€別行業(yè)巨擘外，物聯(lián)網(wǎng)發(fā)展初期很難期待在每個采用物聯(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)部門編制。

　　然而，獨立存在的物聯(lián)網(wǎng)應(yīng)用方案服務(wù)運營商是否就是大勢所趨呢?個別產(chǎn)業(yè)的熟稔程度、數(shù)據(jù)所有權(quán)、信息安全、客戶信賴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)測等)的應(yīng)用場景中，因為涉及的專業(yè)知識相較于工業(yè)、商業(yè)、醫(yī)療等行業(yè)相對較少，專業(yè)的服務(wù)運營商切入困難度較低，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(shù)據(jù)往往都是公開數(shù)據(jù)(open data)，非常適合電信或有線電視運營商投入。

　　但在工廠內(nèi)外的物聯(lián)網(wǎng)應(yīng)用，縱算獨立的服務(wù)運營商對于相關(guān)行業(yè)經(jīng)營運作足夠熟悉，若非有整組專責(zé)人力在現(xiàn)場支持，以工廠內(nèi)低時延高可靠度要求的工作環(huán)境，恐怕沒有一個公司愿意將涉及工廠運作的工業(yè)物聯(lián)網(wǎng)運作交付給外人。更不用說每個公司都認為自己的生產(chǎn)資料都是營業(yè)機密，讓一個第三者在運作過程中知悉，甚至保管或相關(guān)數(shù)據(jù)，對于許多老板來說顯然是個無法想象的情形。

　　至于數(shù)據(jù)安全性的討論則往往來自于是否將物聯(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。大部份的人聽到數(shù)據(jù)放在云端，往往覺得不如放在自己家安全。然而實情是，這與將現(xiàn)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，報紙有時會報導(dǎo)銀行遭到搶劫或銀行保險箱遭竊，我們更應(yīng)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(jiān)督管理委員會的規(guī)范，銀行有義務(wù)將銀行保險箱設(shè)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仁見智。

　　在公司自行負責(zé)所有物聯(lián)網(wǎng)應(yīng)用方案運營與交給第三方獨立運營商服務(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)用方案裝置維護與精進能力，若想要維持物聯(lián)網(wǎng)方案正常運作或有緊急狀況時能快速回復(fù)， 在不觸及數(shù)據(jù)的前提下，適當?shù)貙⒎桨附?jīng)營維運外包給第三人，將是確保物聯(lián)網(wǎng)方案穩(wěn)定而正常運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宣傳影片中強調(diào)，他們管控全球不同工廠內(nèi)超過 5000部機器設(shè)備，用以累積所有設(shè)備的運作數(shù)據(jù)，形成他們的專家支持系統(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)與機器設(shè)備資料累積成未來運作的參佐數(shù)據(jù)外，未來可以想象每一個計算機控制工具機(CNC)制造商針對同一型號的工具機遠程監(jiān)控，以求做好 遠距維修與運作狀況監(jiān)控 。

　　借助這種遠程的數(shù)據(jù)收集及持續(xù)性數(shù)據(jù)分析，工具機制造商將累積出強有力的數(shù)據(jù)庫，除了可以更精確更及時地提供遠程維修咨詢外，還可以提供運用累積的數(shù)據(jù) 提供預(yù)防性維護(preventive maintenance)，甚至做為未來改進工具機的依據(jù)。隨著愈來愈多的設(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)測將來更將因此出現(xiàn)另一種型態(tài)的顧問咨詢服務(wù)由設(shè)備制造商提供。

　　資料科學(xué)家

　　經(jīng)過過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，它的核心還是機器學(xué)習(xí) (machine learning) 。在平臺層的裝置管理平臺(device management platform)雖然負責(zé)串連裝置(connect device)并將數(shù)據(jù)收集回來(collect data)數(shù)據(jù)分析引擎(data analytics engine， DA)，但平臺層的 DA 的主要功能是串流 實時數(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，或稱應(yīng)用層)內(nèi)的各種應(yīng)用方案訴求的各種功能，進一步透過 data modeling及 predictive analytics才能達到。其中， data modeling與 predictive analytics往往靠方案設(shè)計初始時內(nèi)建的算法達成，然而同樣的應(yīng)用方案在不同的工廠內(nèi)，可能因為產(chǎn)線的布置、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(shù)據(jù)分析引擎必須做適當?shù)卣{(diào)整。

　　更不用說促銷期收集到的數(shù)據(jù)，是否需要在權(quán)重上適當?shù)卣{(diào)整，以免影響數(shù)據(jù)解釋的效度(不論是整體或?qū)€別顧客行為)等原因而必須適時地與公司討論，根據(jù)特定行業(yè)特定客戶的特性進而隨時調(diào)整算法。

　　與前一角色的討論類似，在未來十年或更久以后，當學(xué)制調(diào)整成大部份學(xué)生都具備跨領(lǐng)域的專長，亦即主修資訊工程的學(xué)生兼修數(shù)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(shù)據(jù)科學(xué)家，更不當然是個熟稔機械制造業(yè)或零售業(yè)的資料科學(xué)家。

　　再者，數(shù)據(jù)科學(xué)家團隊內(nèi)，除了精通程序語言與數(shù)學(xué)，能夠選擇算法并撰寫程序者外，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)。沒有產(chǎn)業(yè)分析師在客戶與撰擬演算模型的數(shù)據(jù)科學(xué)家之間來回溝通，并協(xié)助客戶精熟運用各式各樣裝置收集回來的各種資料源交錯分析后可能代表的涵義，工廠內(nèi)設(shè)備或機器人不會自己思考改進。

　　智能零售方案中各式裝置因為更加廉價，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。因此需要外來的數(shù)據(jù)科學(xué)家運用各種算法協(xié)助分析，并適時調(diào)整算法，以求與時俱進及因地制宜。

　　然則，現(xiàn)況資料科學(xué)家嚴重不足，資策會每半年一期的大數(shù)據(jù)人才培訓(xùn)班僅僅以半年時間速成的“人才”，距離真正上場實戰(zhàn)效果，以筆者觀察遠遠不如人意。要想在幾年內(nèi)填補數(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)驗的數(shù)據(jù)科學(xué)家在可預(yù)見的幾年內(nèi)將是炙手可熱的“戰(zhàn)略物資”。

　　于此情形下，當物聯(lián)網(wǎng)應(yīng)用方案開始普及時，獨立的數(shù)據(jù)科學(xué)家團隊，必將是各方爭搶，筆者認為這個行業(yè)人員很容易形成獨立的咨詢顧問機構(gòu)，專責(zé)協(xié)助應(yīng)用方案開發(fā)商開發(fā)各種“智能”的分析模塊，或者協(xié)助實際導(dǎo)入應(yīng)用方案的客戶逐步落實并提高物聯(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，尤其是獨立服務(wù)運營商這種行業(yè)，筆者在海內(nèi)外文獻或報導(dǎo)中幾乎從未看過相關(guān)討論。然而，筆者認為這兩種角色，絕不只是討論個人未來可能因為物聯(lián)網(wǎng)興起而出現(xiàn)的職業(yè)，更可能因為物聯(lián)網(wǎng)應(yīng)用方案實際運作的需求，進而形成獨立的行業(yè)，值得所有有志于物聯(lián)網(wǎng)產(chǎn)業(yè)的業(yè)者觀察與積極投入。