5G時代來臨！企業如何用雲端做出顛覆性的商業模式？

本文章內容由「AWS」提供，時式經關鍵評論網廣編企劃編審。代來端做的商

5G發展無限，臨企各產業也面臨轉型的業何用雲業模衝擊，雲端應用更可讓各行各業快速因應市場，出顛成為生態圈的覆性創新領航者。在移動通訊的時式第五代，數十兆的代來端做的商傳輸速度將在雲端世界啟動更大規模人工智慧的突破性應用；讓應用程式更貼近終端使用者，提供更好的臨企使用者體驗。

但在數位轉型的業何用雲業模趨動下，多數企業也凸顯出缺乏數位化資料庫與即時決策回饋。出顛開發人員花費大量時間和精力提供準確的覆性機器學習模型，便於以快速、時式低延遲的代來端做的商方式進行即時預測。這對邊緣裝置尤其重要，臨企因為其記憶體和處理能力往往受到高度限制，但延遲非常重要。例如，自動駕駛車輛的感應器，通常必須在千分之一秒的時間內處理完資料，資料才不會失去時效性，因此不可能在雲端來回傳送資料後再傳回到車輛。而且，邊緣裝置有各種不同的硬體平台和處理器架構。在未來，包含家庭、工廠、醫院，以及其他數千個地方有數十億個裝置。隨著裝置的迅速增加，會愈來愈需要各種解決方案來連結它們，並收集、存放和分析裝置資料。

亞馬遜產品創新發展的核心動能——AI與ML

為了實現高效能，開發人員需要花費數週或數月的時間，手動調整每一個模型。此外，複雜的調整過程意味著模型部署到邊緣之後，便很少更新。開發人員失去了根據邊緣裝置收集的資料，重新訓練和改進模型的機會。

AI與ML向來是支持亞馬遜（Amazon）產品創新發展的核心動能，接連打造出Prime Air、Amazon Go、Alexa等許多令人驚喜的服務。Amazon.com將許多業務建立在以機器學習為基礎的系統上；如果沒有ML，Amazon.com就無法擴展業務、提升客戶體驗和選擇，以及優化物流速度和品質。他們在「re:Invent 2018全球用戶大會」宣佈推出許多機器學習服務，例如：Amazon SageMaker Neo，它會自動優化機器學習模型，讓執行速度提升高達兩倍，而且不會降低準確性。並可使用AWS Greengrass將在地運算和ML推論功能帶到邊緣裝置。為了簡化邊緣部署，AWS Greengrass支援Neo優化模型，即可透過無線更新將模型直接部署到邊緣。

高效雲端計算，為醫療系統省300億美元

截至目前，全球有超過一百萬名的有效使用者正在使用AWS雲端解決方案，提供彈性、可擴展性和可靠性。另外還有一個應用案例是GE Healthcare，以其醫學影像設備和診斷顯影劑而聞名，過去幾年中一直致力於數位轉型。GE醫療數位雲端戰略和技術副總裁Mitch Jackson表示：「每天，醫療數據流經數百萬台醫療設備，包括全球超過500,000台GE Healthcare醫學影像設備，希望透過雲端計算的實現，提高客戶從設備的使用和數據中獲得的價值。」

調查數據曾顯示，有高達35％的患者病例被誤診，部分原因是缺乏對影像，數據和記錄的調查。據GE Healthcare稱，系統之間具備更好的互操作性，每年可為醫療生態系統節省300億美元。GE Healthcare創建了GE Health Cloud，這是基於亞馬遜網絡服務（AWS）雲的新解決方案，希望能讓臨床醫生在需要時，更快地就地查取醫療數據，以協助他們改善診斷和治療。

Photo Credit：LinkedIn Sales Navigator on Unsplash

GE Health Cloud目前在Amazon Elastic Compute Cloud（Amazon EC2）上運行，並在Amazon Simple Storage Service（Amazon S3）上儲存有接近1PB的醫學影像數據。Amazon S3 是GE Health Cloud的解決方案的基礎，提供了儲存關鍵資料所需的持久性和可靠性。GE Health Cloud並以Amazon Aurora作為其資料庫服務，使用AWS服務型錄（AWS Service Catalog）來建置和管理IT服務，更利用Amazon Cognito為客戶提供對Health Cloud的單一登入（Single Sign-on），讓他們的客戶可以繼續使用現有憑證，但仍然可以造訪健康雲應用程式。

GE Healthcare Digital部門的健康雲，學習工廠和核心服務工程師Andre Sublett說道：「我們選擇AWS是由於其廣泛的服務，以及使這些服務符合全球健康數據條例的承諾，這非常重要，同時我也將持續擴展在Amazon SageMaker發展深度學習的能力。」

5G加速雲端應用，機器學習預測未來樣貌

人工智慧呈現出機器人或未來世界的景像，不再是科幻小說中虛構的機器人，機器學習通常是根據過往的資料來預測未來的結果。像是有的企業會使用機器學習根據特定人口做統計，預測他們的產品在未來會計年度的銷售量，或是預測品牌滿意度或忠誠度。這類預測都有助於做出更好的商業決策、提供更貼近個人的使用者體驗，以及具備降低消費者忠誠度成本的潛力。