0

0
0

文字

分享

0
0
0

大量資料即時處理

科景_96
・2011/02/10 ・513字 ・閱讀時間約 1 分鐘 ・SR值 515 ・六年級
相關標籤: 巨量資料 (5)

-----廣告,請繼續往下閱讀-----

Original publish date:Aug 29, 2010

編輯 HCC 報導

MIT Technology Review 雜誌自1999年起,逐年以TR35專欄甄選一群年紀低於35歲的創新者,表彰其在科技發明及研究上的前驅與突破;研究領域涵蓋醫療、電腦運算、通訊、電子、奈米科技等。2010年8月甫公佈其評選的35位青年創新先行者,大量資料即時處理為其中一個創新領域。

大量資料即時處理技術創新者為Richard Tibbetts,年齡:30歲,學歷:MIT 電腦科學碩士,服務公司:StreamBase Systems

-----廣告,請繼續往下閱讀-----

無論是企業界、政府部門、研究單位經常都需處理瞬息萬變大量湧進的資訊,資訊的即時處理成了一個大難題,傳統上是先將資訊儲存到資料庫再進行處理,不過資料庫不善於即時處理資料,使用者必須等待所有的資料累積完畢,方能執行下一步驟。

身兼StreamBase Systems開創元老以及技術執行長的Richard,研發了一套資料處理系統。此套圖形事件流程電腦語言﹝graphical event-flow language﹞StreamSQL EventFlow,擴展標準的SQL查詢模型﹝SQL query model﹞與運算子﹝Operator﹞,得以處理即時與歷史資料流﹝historical data streams﹞,將大量變化的連續性輸入資料精粹到進行決策所需的訊息,其結果可應用於股票交易、趨勢指標、國防應用等。

StreamBase Systems公司專門開發複雜事件處理﹝Complex Event Processing, CEP﹞軟體,處理高流量,低延遲﹝low-latency﹞事件。StreamBase Systems 同時被 MIT Technology Review 評選為2010年最具創新力的50家企業之一。

參考來源:

-----廣告,請繼續往下閱讀-----

 

文章難易度
科景_96
426 篇文章 ・ 7 位粉絲
Sciscape成立於1999年4月,為一非營利的專業科學新聞網站。

0

1
2

文字

分享

0
1
2
圖形處理單元與人工智慧
賴昭正_96
・2024/06/24 ・6944字 ・閱讀時間約 14 分鐘

-----廣告,請繼續往下閱讀-----

  • 作者/賴昭正|前清大化學系教授、系主任、所長;合創科學月刊

我擔心人工智慧可能會完全取代人類。如果人們能設計電腦病毒,那麼就會有人設計出能夠自我改進和複製的人工智慧。 這將是一種超越人類的新生命形式。

——史蒂芬.霍金(Stephen Hawking) 英國理論物理學家

大約在八十年前,當第一台數位計算機出現時,一些電腦科學家便一直致力於讓機器具有像人類一樣的智慧;但七十年後,還是沒有機器能夠可靠地提供人類程度的語言或影像辨識功能。誰又想到「人工智慧」(Artificial Intelligent,簡稱 AI)的能力最近十年突然起飛,在許多(所有?)領域的測試中擊敗了人類,正在改變各個領域——包括假新聞的製造與散佈——的生態。

圖形處理單元(graphic process unit,簡稱 GPU)是這場「人工智慧」革命中的最大助手。它的興起使得九年前還是個小公司的 Nvidia(英偉達)股票從每股不到 $5,上升到今天(5 月 24 日)每股超過 $1000(註一)的全世界第三大公司,其創辦人(之一)兼首席執行官、出生於台南的黃仁勳(Jenson Huang)也一躍成為全世界排名 20 內的大富豪、台灣家喻戶曉的名人!可是多少人了解圖形處理單元是什麼嗎?到底是時勢造英雄,還是英雄造時勢?

黃仁勳出席2016年台北國際電腦展
Nvidia 的崛起究竟是時勢造英雄,還是英雄造時勢?圖/wikimedia

在回答這問題之前,筆者得先聲明筆者不是學電腦的,因此在這裡所能談的只是與電腦設計細節無關的基本原理。筆者認為將原理轉成實用工具是專家的事,不是我們外行人需要了解的;但作為一位現在的知識分子或公民,了解基本原理則是必備的條件:例如了解「能量不滅定律」就可以不用仔細分析,即可判斷永動機是騙人的;又如現在可攜帶型冷氣機充斥市面上,它們不用往室外排廢熱氣,就可以提供屋內冷氣,讀者買嗎?

CPU 與 GPU

不管是大型電腦或個人電腦都需具有「中央處理單元」(central process unit,簡稱 CPU)。CPU 是電腦的「腦」,其電子電路負責處理所有軟體正確運作所需的所有任務,如算術、邏輯、控制、輸入和輸出操作等等。雖然早期的設計即可以讓一個指令同時做兩、三件不同的工作;但為了簡單化,我們在這裡所談的工作將只是執行算術和邏輯運算的工作(arithmetic and logic unit,簡稱 ALU),如將兩個數加在一起。在這一簡化的定義下,CPU 在任何一個時刻均只能執行一件工作而已。

-----廣告,請繼續往下閱讀-----

在個人電腦剛出現只能用於一般事物的處理時,CPU 均能非常勝任地完成任務。但電腦圖形和動畫的出現帶來了第一批運算密集型工作負載後,CPU 開始顯示心有餘而力不足:例如電玩動畫需要應用程式處理數以萬計的像素(pixel),每個像素都有自己的顏色、光強度、和運動等, 使得 CPU 根本沒辦法在短時間內完成這些工作。於是出現了主機板上之「顯示插卡」來支援補助 CPU。

1999 年,英偉達將其一「具有集成變換、照明、三角形設定/裁剪、和透過應用程式從模型產生二維或三維影像的單晶片處理器」(註二)定位為「世界上第一款 GPU」,「GPU」這一名詞於焉誕生。不像 CPU,GPU 可以在同一個時刻執行許多算術和邏輯運算的工作,快速地完成圖形和動畫的變化。

依序計算和平行計算

一部電腦 CPU 如何計算 7×5+6/3 呢?因每一時刻只能做一件事,所以其步驟為:

  • 計算 7×5;
  • 計算 6/3;
  • 將結果相加。

總共需要 3 個運算時間。但如果我們有兩個 CPU 呢?很多工作便可以同時(平行)進行:

-----廣告,請繼續往下閱讀-----
  • 同時計算 7×5 及 6/3;
  • 將結果相加。

只需要 2 個運算時間,比單獨的 CPU 減少了一個。這看起來好像沒節省多少時間,但如果我們有 16 對 a×b 要相加呢?單獨的 CPU 需要 31 個運算的時間(16 個 × 的運算時間及 15 個 + 的運算時間),而有 16 個小 CPU 的 GPU 則只需要 5 個運算的時間(1 個 × 的運算時間及 4 個 + 的運算時間)!

現在就讓我們來看看為什麼稱 GPU 為「圖形」處理單元。圖一左圖《我愛科學》一書擺斜了,如何將它擺正成右圖呢? 一句話:「將整個圖逆時針方向旋轉 θ 即可」。但因為左圖是由上百萬個像素點(座標 x, y)組成的,所以這句簡單的話可讓 CPU 忙得不亦樂乎了:每一點的座標都必須做如下的轉換

x’ = x cosθ + y sinθ

y’ = -x sinθ+ y cosθ

-----廣告,請繼續往下閱讀-----

即每一點均需要做四個 × 及兩個 + 的運算!如果每一運算需要 10-6 秒,那麼讓《我愛科學》一書做個簡單的角度旋轉,便需要 6 秒,這豈是電動玩具畫面變化所能接受的?

圖形處理的例子

人類的許多發明都是基於需要的關係,因此電腦硬件設計家便開始思考:這些點轉換都是獨立的,為什麼我們不讓它們同時進行(平行運算,parallel processing)呢?於是專門用來處理「圖形」的處理單元出現了——就是我們現在所知的 GPU。如果一個 GPU 可以同時處理 106 運算,那上圖的轉換只需 10-6 秒鐘!

GPU 的興起

GPU 可分成兩種:

  • 整合式圖形「卡」(integrated graphics)是內建於 CPU 中的 GPU,所以不是插卡,它與 CPU 共享系統記憶體,沒有單獨的記憶體組來儲存圖形/視訊,主要用於大部分的個人電腦及筆記型電腦上;早期英特爾(Intel)因為不讓插卡 GPU 侵蝕主機的地盤,在這方面的研發佔領先的地位,約佔 68% 的市場。
  • 獨立顯示卡(discrete graphics)有不與 CPU 共享的自己專用內存;由於與處理器晶片分離,它會消耗更多電量並產生大量熱量;然而,也正是因為有自己的記憶體來源和電源,它可以比整合式顯示卡提供更高的效能。

2007 年,英偉達發布了可以在獨立 GPU 上進行平行處理的軟體層後,科學家發現獨立 GPU 不但能夠快速處理圖形變化,在需要大量計算才能實現特定結果的任務上也非常有效,因此開啟了為計算密集型的實用題目編寫 GPU 程式的領域。如今獨立 GPU 的應用範圍已遠遠超出當初圖形處理,不但擴大到醫學影像和地震成像等之複雜圖像和影片編輯及視覺化,也應用於駕駛、導航、天氣預報、大資料庫分析、機器學習、人工智慧、加密貨幣挖礦、及分子動力學模擬(註三)等其它領域。獨立 GPU 已成為人工智慧生態系統中不可或缺的一部分,正在改變我們的生活方式及許多行業的遊戲規則。英特爾在這方面發展較遲,遠遠落在英偉達(80%)及超微半導體公司(Advance Micro Devices Inc.,19%,註四)之後,大約只有 1% 的市場。

-----廣告,請繼續往下閱讀-----
典型的CPU與GPU架構

事實上現在的中央處理單元也不再是真正的「單元」,而是如圖二可含有多個可以同時處理運算的核心(core)單元。GPU 犧牲大量快取和控制單元以獲得更多的處理核心,因此其核心功能不如 CPU 核心強大,但它們能同時高速執行大量相同的指令,在平行運算中發揮強大作用。現在電腦通常具有 2 到 64 個核心;GPU 則具有上千、甚至上萬的核心。

結論

我們一看到《我愛科學》這本書,不需要一點一點地從左上到右下慢慢掃描,即可瞬間知道它上面有書名、出版社等,也知道它擺斜了。這種「平行運作」的能力不僅限於視覺,它也延伸到其它感官和認知功能。例如筆者在清華大學授課時常犯的一個毛病是:嘴巴在講,腦筋思考已經不知往前跑了多少公里,常常為了追趕而越講越快,將不少學生拋到腦後!這不表示筆者聰明,因為研究人員發現我們的大腦具有同時處理和解釋大量感官輸入的能力。

人工智慧是一種讓電腦或機器能夠模擬人類智慧和解決問題能力的科技,因此必須如人腦一樣能同時並行地處理許多資料。學過矩陣(matrix)的讀者應該知道,如果用矩陣和向量(vector)表達,上面所談到之座標轉換將是非常簡潔的(註五)。而矩陣和向量計算正是機器學習(machine learning)演算法的基礎!也正是獨立圖形處理單元最強大的功能所在!因此我們可以了解為什麼 GPU 會成為人工智慧開發的基石:它們的架構就是充分利用並行處理,來快速執行多個操作,進行訓練電腦或機器以人腦之思考與學習的方式處理資料——稱為「深度學習」(deep learning)。

黃仁勳在 5 月 22 日的發布業績新聞上謂:「下一次工業革命已經開始了:企業界和各國正與英偉達合作,將價值數萬億美元的傳統資料中心轉變為加速運算及新型資料中心——人工智慧工廠——以生產新商品『人工智慧』。人工智慧將為每個產業帶來顯著的生產力提升,幫助企業降低成本和提高能源效率,同時擴大收入機會。」

附錄

人工智慧的實用例子:下面一段是微軟的「copilot」代書、谷歌的「translate」代譯之「one paragraph summary of GPU and AI」。讀完後,讀者是不是認為筆者該退休了?

-----廣告,請繼續往下閱讀-----

GPU(圖形處理單元)和 AI(人工智慧)之間的協同作用徹底改變了高效能運算領域。GPU 具有平行處理能力,特別適合人工智慧和機器學習所需的複雜資料密集運算。這導致了影像和視訊處理等領域的重大進步,使自動駕駛和臉部辨識等技術變得更加高效和可靠。NVIDIA 開發的平行運算平台 CUDA 進一步提高了 GPU 的效率,使開發人員能夠透過將人工智慧問題分解為更小的、可管理的、可同時處理的任務來解決這些問題。這不僅加快了人工智慧研究的步伐,而且使其更具成本效益,因為 GPU 可以在很短的時間內執行與多個 CPU 相同的任務。隨著人工智慧的不斷發展,GPU 的角色可能會變得更加不可或缺,推動各產業的創新和新的可能性。大腦透過神經元網路實現這一目標,這些神經元網路可以獨立但有凝聚力地工作,使我們能夠執行複雜的任務,例如駕駛、導航、觀察交通信號、聽音樂並同時規劃我們的路線。此外,研究表明,與非人類動物相比,人類大腦具有更多平行通路,這表明我們的神經處理具有更高的複雜性。這個複雜的系統證明了我們認知功能的卓越適應性和效率。我們可以一邊和朋友聊天一邊走在街上,一邊聽音樂一邊做飯,或一邊聽講座一邊做筆記。人工智慧是模擬人類腦神經網路的科技,因此必須能同時並行地來處理許多資料。研究人員發現了人腦通訊網路具有一個在獼猴或小鼠中未觀察獨特特徵:透過多個並行路徑傳輸訊息,因此具有令人難以置信的多任務處理能力。

註解

(註一)當讀者看到此篇文章時,其股票已一股換十股,現在每一股約在 $100 左右。

(註二)組裝或升級過個人電腦的讀者或許還記得「英偉達精視 256」(GeForce 256)插卡吧?

(註三)筆者於 1984 年離開清華大學到 IBM 時,就是參加了被認為全世界使用電腦時間最多的量子化學家、IBM「院士(fellow)」Enrico Clementi 的團隊:因為當時英偉達還未有可以在 GPU 上進行平行處理的軟體層,我們只能自己寫軟體將 8 台中型電腦(非 IBM 品牌!)與一大型電腦連接來做平行運算,進行分子動力學模擬等的科學研究。如果晚生 30 年或許就不會那麼辛苦了?

-----廣告,請繼續往下閱讀-----

(註四)補助個人電腦用的 GPU 品牌到 2000 年時只剩下兩大主導廠商:英偉達及 ATI(Array Technology Inc.)。後者是出生於香港之四位中國人於 1985 年在加拿大安大略省成立,2006 年被超微半導體公司收購,品牌於 2010 年被淘汰。超微半導體公司於 2014 年 10 月提升台南出生之蘇姿豐(Lisa Tzwu-Fang Su)博士為執行長後,股票從每股 $4 左右,上升到今天每股超過 $160,其市值已經是英特爾的兩倍,完全擺脫了在後者陰影下求生存的小眾玩家角色,正在挑戰英偉達的 GPU 市場。順便一題:超微半導體公司現任總裁(兼 AI 策略負責人)為出生於台北的彭明博(Victor Peng);與黃仁勳及蘇姿豐一樣,也是小時候就隨父母親移居到美國。

(註五)

延伸閱讀

  • 熱力學與能源利用」,《科學月刊》,1982 年 3 月號;收集於《我愛科學》(華騰文化有限公司,2017 年 12 月出版),轉載於「嘉義市政府全球資訊網」。
  • 網路安全技術與比特幣」,《科學月刊》,2020 年 11 月號;轉載於「善科教育基金會」的《科技大補帖》專欄。
文章難易度

討論功能關閉中。

賴昭正_96
43 篇文章 ・ 54 位粉絲
成功大學化學工程系學士,芝加哥大學化學物理博士。在芝大時與一群留學生合創「科學月刊」。一直想回國貢獻所學,因此畢業後不久即回清大化學系任教。自認平易近人,但教學嚴謹,因此穫有「賴大刀」之惡名!於1982年時當選爲 清大化學系新一代的年青首任系主任兼所長;但壯志難酬,兩年後即辭職到美留浪。晚期曾回台蓋工廠及創業,均應「水土不服」而鎩羽而歸。正式退休後,除了開始又爲科學月刊寫文章外,全職帶小孫女(半歲起);現已成七歲之小孫女的BFF(2015)。首先接觸到泛科學是因爲科學月刊將我的一篇文章「愛因斯坦的最大的錯誤一宇宙論常數」推薦到泛科學重登。

0

0
0

文字

分享

0
0
0
【Gene思書齋】跟著大數據學習教育
Gene Ng_96
・2015/02/03 ・2892字 ・閱讀時間約 6 分鐘 ・SR值 534 ・七年級

A1500526Big_Data_cover-230x346

在這裡介紹過了牛津大學網路研究所教授麥爾荀伯格(Viktor Mayer-Schonberger)和《經濟學人》(The Economist)雜誌資料編輯庫基耶(Kenneth Cukier)的《大數據》Big Data: A Revolution That Will Transform How We Live, Work, and Think)這本好書,他們探討大數據(巨量資料)是什麼碗糕,大數據有什麼意義,還有大數據將如何改變我們的生活,對經濟、社會和科學會帶來什麼影響,我們又能如何趕搭上這波新潮流,如何懂得保護自己,避免個人資料和隱私受到侵害等等(請參見〈快準狠的大數據〉)。

這次他們把魔爪…哦不…觸手伸到了「教育」,寫了這本《大數據:教育篇:教學與學習的未來趨勢》Learning with Big Data: The Future of Education),因為跟據他們的觀察,大數據正在跨入教育體系,對於全世界的教學與學習活動,勢必將產生極為深遠的影響,因此在這本書就是要談談大數據將如何改變教育。

他們舉出「大規模開放式線上課程」(MOOC)、可汗學院(Khan Academy)、Duolingo語文學習網站等案例。雖然這些線上課程早已不是新聞了,可是他們要再進一步告訴我們,當大數據的時代來臨,教育就不只 是上課聽講、讀書考試打成績、或是輕易選修更多科目而已。透過大數據,我們可以擁有史上最強大、具實證效果的工具,能夠瞭解「誰在學習」、「怎樣教學」與 「如何學習」這些重要的課題。

大數據讓我們前所未有的方式和觀點,看到究竟什麼有用、什麼沒用,以前不可能觀察到的種種學習阻礙,現在有辦法一一化解,大幅改善學生的學習成效,顛覆傳 統教學模式,造福更多學子。課程可以依據學生個人的需求做調整,真正做到因材施教,因為教師可以透過學生在線上學習時不經意的行為來判斷成效、調整教學內 容和順序,以及多次複習會造成學習瓶頸的困難觀念,甚至即時因應學生的反應而出招等等。教師的工作不會被教學網路和影片取代,而會變得更有效益、也更有 趣,因為能夠更專注針對學生作個人化的指導。

-----廣告,請繼續往下閱讀-----

他們也認利用大數據分析,學校領導者和政府決策官員,也能用更低的成本提供更多教育機會,這些正是減少社會貧富差距、讓社經階層流動的重要因素;社會大眾 也能夠知道「學習」應當是怎麼一回事,打破教育主管機關和學校的壟斷地位,從而讓教育的本質和體制徹底翻轉。他們主張,大數據時代正是不斷學習的時代、翻 轉教育的時代!

不過大數據的應用是雙面刃,我們可能會把相關性誤判為因果,而且如果學生的個資無法被保護,其舊學習歷程被曝光,可是會影響日後的升學與就業。關於這方 面,《大數據:教育篇》引用了《大數據》的許多觀念和案例,例如誤將相關性當因果以及個資保護等等,所以建議也要去讀《大數據》這本書。

不過,盡信書不如無書,作者在西方遇到的問題,和我們在東亞遇到的,有很大的差異。最大的差異有兩點。

一個大差異,在一張很多網友在臉書分享的圖表清楚表達出來:圖裡有兩條軸線,第一條軸線為「歐美人才養成」,而第二條則是「台灣人才養成」,軸線將學習生 涯分成「學前」、「小學」、「國中」、「高中」以及「大學」等五個階段。「歐美人才養成」各階段的學習目標相當明確並且不同,學前做好生活管理、小學探索 環境、國中要開始找尋自己的夢想、高中則要面對生涯抉擇,而到了大學就要開始培養實務能力。

-----廣告,請繼續往下閱讀-----

台灣人才培養的軸線,從「學前」一直到「高中」生涯,全是「讀書考試」,一直到「大學」時期,才要將「生活管理」、「探索環境」、「找尋夢想」、「生涯抉擇」以及「培養實務能力」一次統統完成,其中當然還少不了「讀書考試」。

歐美的教育偏向素質教育,相對於偏重考試的應試教育而言,較為注重體育、藝術能力和多元智能的培養,而真正的素質教育,目的在於讓學生能發揮個人潛能,各 展所長,並培養良好的品格,並不局限於學術上的才能。台灣的教育能夠篩選出很會考試(甚至還不見得會「讀書」哦)的學生,連公務系統都極度依賴考試,雖然 有好些公家工作幾乎不需要考試的技能。可是因為考試實在太浮濫,使得疲於奔命的教師能好好用心出題的時間都被嚴重壓縮,連有沒有認認真真地好好考考學生各 方面的學術能力都成問題,更甭提學術能力也非社會所需的全部。

另外一個差異是,台灣的教育太過注重標準答案,可是嚴重扼殺學生的創意。但是歐美的教育很注重個人的啟發,所以頂尖的人才在歐美的教育環境,往往可以更容 易發揮出他們的潛力,表現出他們充沛的創造力。可是他們的對素質一般的學生,反正做得不見得比台灣好。台灣的教育環境,讓學生拚命練習考試、練習考試再練 習考試,讓學生的程度比起歐美整齊的多。以我和朋友們在美國唸博班當助教的經驗來看,台灣學生的程度差異在一個班中,算是比較整齊的,成績優劣幾乎憑個人 努力付出多寡。可是在美國大學,尤其是公立學校,大部分的學生,在數理方面真的很不行!

舉個例子來說,我們常常看到學生在實驗數據中,他們嘗試要把上噸的鹽溶在小燒杯裡,或者把實驗桌上的小鉛球射上火星,因為連單位都搞錯了Orz 有位老師在普通生物學考題上問學生什麼是pH值,居然有四分之一的學生選擇「它不存在」;還有老師指出,大四的學生,居然有兩成回答果蠅的基因數量是小於 一,另外兩成寫無窮大(正確數目大約是一萬多),他說那四成學生基本上是「完全的廢物」;還有很多搞笑的事,真是罄竹難書。面對這些學生,教授們的態度往 往是「放棄」,可是大數據或許能讓這情勢反轉。

-----廣告,請繼續往下閱讀-----

台灣的教育環境,往往比歐美更善待中上程度的學生,用嚴酷的練習考試來磨練他們的能力,可是卻嚴重地忽略了頂尖人材的教育,而且也幾乎完全沒有為培養社會 各界的領袖所準備。台灣的大學,就算連頂尖的台大和清大,大致上都還是停留在訓練優異的幹部為主,教授的教學方式和內容,和其他大部分的大學幾乎沒差太 多,頂多深度有一些差異而已。可是,就拿美國來說,頂尖大學的目標是在培養頂尖的領袖!一流大學的目標是在培養社會各界菁英、二流大學的是在培養優異的幹 部、三流大學的是在培養良好的基層員工等等。所以,很不幸的,台灣的大學可能在培養優異的幹部上很稱職,可是要成為社會各界菁英,就只能靠學生自己的努力 和見識,領袖的話就算了。

要培養出優異的幹部,大數據的應用應該有其優勢,可是社會菁英和領袖的培養,大數據或許無用武之地,因為大據數無法告訴你過去未曾發生的事情,也無法預測 和產生出創新,因此對於台灣的教育,大數據可以提高學生的學業,可是五育的訓練,以及領袖和社會菁英的培養,我們可能先不要去思考什麼大數據之類的,先從 整體教育環境下手才比較實際。

關於教育,這裡只能點出冰山一角,我也沒有標準答案,但請容我在此私心介紹一位好友謝宇程在商周的高人氣專欄「學與業壯遊」,裡頭有很多很多問題,我們必須繼續思索。

台灣教育問題多如牛毛,不過我們不必對台灣教育灰心,看了以下影片,你應該會很感動,希望還是在的:

-----廣告,請繼續往下閱讀-----

本文原刊登於【GENE思書軒】,並同步刊登於The Sky of Gene

Gene Ng_96
295 篇文章 ・ 30 位粉絲
來自馬來西亞,畢業於台灣國立清華大學生命科學系學士暨碩士班,以及美國加州大學戴維斯分校(University of California at Davis)遺傳學博士班,從事果蠅演化遺傳學研究。曾於台灣中央研究院生物多樣性研究中心擔任博士後研究員,現任教於國立清華大學分子與細胞生物學研究所,從事鳥類的演化遺傳學、基因體學及演化發育生物學研究。過去曾長期擔任中文科學新聞網站「科景」(Sciscape.org)總編輯,現任台大科教中心CASE特約寫手Readmoo部落格【GENE思書軒】關鍵評論網專欄作家;個人部落格:The Sky of Gene;臉書粉絲頁:GENE思書齋

0

0
0

文字

分享

0
0
0
滅火新趨勢:資料探勘直搗黃龍
李柏昱
・2014/04/21 ・1573字 ・閱讀時間約 3 分鐘 ・SR值 514 ・六年級

-----廣告,請繼續往下閱讀-----

 

荷蘭阿姆斯特丹的災害風險地圖。(資料來源:Qliktech)
荷蘭阿姆斯特丹的災害風險地圖。(資料來源:Qliktech)

在紐約、倫敦、阿姆斯特丹或是其他任何一座現代大型城市中,數百萬棟建築聚在一塊兒,而每年總有幾千棟會被大火吞噬。消防隊有沒有可能事先預知哪一棟建築將竄出火花?有關部門又該如何決定資源的配置以因應潛在的嚴重意外?
 
過去看似無解的難題,巨量資料時代的來臨與資料探勘(data mining)技術的發展,或許帶來解決問題的一道曙光。
 
巨量資料時代
 
巨量資料在當今諸多領域都是熱門話題。用最簡單的話講,巨量資料就是數據資料的資料量大到難以進行分析、搜尋或是處理。目前我們的社會正以爆炸性的速度產生各種資料。根據IBM的報告,自人類有歷史以來,有90%的資料是在過去的兩年中被創造出來。
 
巨量資料主要來自電腦、智慧型手機、社群網站、各種錄影設備以及網路。不過隨著電腦運算能力與時俱進、軟體逐漸高度專業化,我們開始有能力處理並使用這些大海般的資料數據,也就是能開始進行資料探勘的工作。
 
資料探勘
 
回到火災的話題上,利用新科技與新軟體,各地消防部門的風險管理員得以分析一拖拉庫的資料數據。透過整合建築物、街道、水路、運輸管線、貧窮、屋齡、空屋、有無電氣問題、灑水器數量與位置、有無電梯等等與火災相關的資訊,與消防意外事件數、火災傷亡人數疊合,便能製作出一份「災害風險地圖」。
 
這張地圖對於消防部門助益極大。首先,消防部門能有效部屬應對不同事故所需的資源,例如化學火災或車禍,在災害發生第一時間就擁有正確的救難設備與資源。
 
其次,各地區消防員的訓練能依照各地災害風險的不同量身打造;進行例行性的消防檢查時,消防員也能從中得知哪些是風險最高的建築物,需要優先拜訪。而在此之前,消防員的例行檢查都是隨機進行的。
 
第三,對於那些住在災害風險高的建築物的居民,消防部門也能提供他們如何提升安全指數的改善建議。
 
最後,這套系統能作為消防部門決策的依據,根據風險高低制定救災優先順序。風險最高的地區需要最短的救災反應時間。同時,災害風險地圖也能協助指揮救災資源的配置。
 
不過,一切才剛開始,防災地圖未來有十足的發展可能性。比如說,未來消防車上將配置能顯示技術資訊與風險資料的螢幕,從社群媒體上取得資料也是考慮中的方案。
 
目前消防部門碰上所有推動防災工作的人都會遭遇的問題:他們無法證明火災發生次數的下降是否為災害風險地圖的功勞,某些「原本」應該付之一炬的建築,是否因為這份地圖而被拯救。或許只有透過長期的追蹤,這份火災的風險地圖才能在持續下降的數據當中,展現它的價值。

(本文由科技部補助「新媒體科普傳播實作計畫─重大天然災害之防救災科普知識教育推廣」執行團隊撰稿/2014年/3月)
 
責任編輯:鄭國威│元智大學資訊社會研究所

本文原發表於行政院科技部-科技大觀園「科技新知」。歡迎大家到科技大觀園的網站看更多精彩又紮實的科學資訊,也有臉書喔!

-----廣告,請繼續往下閱讀-----
延伸學習: