真乄科技業的頂尖投資團隊

現在大資料非用不可的分析工具是什麼？如果只知道Hadoop就落伍了，IBM首席科學家、負責IBM華生研究中心連結大資料部門，同時也在哥倫比亞大學開了最熱門的大資料分析課程的林清詠表示，大資料技術演變速度之快，每年都有很大的變化，去年還不需要提到Apache Spark架構，但是今年教大資料分析技術，不教Spark就落伍了。

Apache Spark是一個開源的叢集運算框架，採用了記憶體內運算技術（In-memory），由於可以用較少的節點數量，達到比Hadoop的MapReduce還高的執行效能，在這一、兩年內快速竄起，變得非常受歡迎。

而近幾年熱門的大資料技術Hadoop，林清詠卻認為熱潮已經不再，儘管Hadoop在過去10前不斷提供新的管理工具，也形成了龐大的生態系，但是Hadoop基本上已經是十幾年前的產品，考慮的是當時容量小且昂貴的記憶體和儲存空間等硬體條件，現在這些硬體技術前進，林清詠認為，10年前所考慮的軟體和架構不見得還適用。

以硬體面的進展來看，因為GPU的出現與發展，大幅提升運算效能，林清詠表示，GPU可用幾千個核心來進行分散式平行處理，運算概念和過去使用CPU的思維已經截然不同，因此，不需要使用Hadoop，也能執行大規模的運算。

9成5的企業其實不需要用Hadoop
根據他帶領的IBM研究團隊採用Hadoop的經驗，最後常常因為運算效能不夠好而浪費時間，此外，他也提到，由於Hadoop架構需要3倍的儲存空間，企業在採用時，常常會提出硬碟成本太高的問題。

他觀察，目前已經擁有大量資料的企業其實不多，但很多企業要導入大資料專案時，會盲目的採用如Hadoop這樣的大資料平臺，他說，有些企業會在多臺機器上部署Hadoop，但可能每一臺機器都只使用了百分之二十的效能，據他估計，有高達9成5的企業，在採用Hadoop之後發現，其實根本使用不到。

林清詠在紐約待了20年，目前負責IBM華生研究中心System G團隊，研究圖運算（Graph Computing）中的連結大資料（Linked Big Data）領域，也是三個大資料研究計畫的首席研究員，帶領由超過40位博士級研究員組成的全球IBM研究實驗室，以及包括20位以上來自10多所大學的教授及研究員的團隊。他也從2005年開始於哥倫比亞大學擔任兼職教授，去年開了一堂大資料分析課程，現在這門課修課學生超過三百人，是哥倫比亞大學內最受歡迎的一門課，修課學生跨資訊、統計及各個系所。

圖學是大資料未來的關鍵基礎，也是需要解決的問題
林清詠近日回臺灣在2015資料科學愛好者年會上分享了大資料的演進與發展，他認為，圖學（Graph）是大資料接下來發展的關鍵基礎，要解決多樣化資料的關聯性問題。

他說，大資料從2001年左右就出現，以前企業要採用大資料技術的首要問題是，資料要儲存在哪裡，怎麼快速分析資料，而這些問題不是單一硬體或技術可以解決的，當時大資料所需的各項技術都還沒到位，這就是為什麼大資料在十年前紅不起來的原因之一。

讓大資料現在變得熱門且必需的原因，林清詠認為，除了各項技術的進步之外，由於現在越來越多各式各樣的資料能夠被存取，每個人的行為和感測器的資料都可以被蒐集，而且儲存容量變得越來越便宜，儲存的資料不需要丟掉。此外，以前光是跟儲存廠商買資料庫服務，就得花費不少成本，且傳統資料庫有處理線上問題的限制，而現在多了開源軟體的選擇。

以技術面來看，大資料背後的技術包括大規模平行運算、大量資料儲存空間、資料分布、高速網路、高效能運算、運算工作及執行緒管理、資料採礦與分析等技術，林清詠說，當這些技術都已經越來越成熟之後，大資料才能演變成今天這樣。

而在技術成熟之下，林清詠認為，在大資料架構與擴充性問題上，必須要考慮的2大問題，分別為Scale out（水平擴充）和Scale up（垂直擴充），在Scale out需考慮的是，如何運用大量資源及平行運算來處理資料，通常會發生更高的資料延遲性，而Scale up的做法，則是要讓同一個機器的運算效果提升，發揮最大價值。

林清詠分別從大資料的3個特點（3V）來談發展現況，其中，在大量（Volume）及快速（Velocity）這2個特性，都已經有許多成熟的解決方案可採用，如要處理大量資時，可以採用Hadoop、Spark或是GPU來處理，要追求速度快的話，可以採用即時性的串流平臺，像是IBM的InfoSphere Streams或是Spark上的Stream平臺，強調可以處理即時性（Real-time）資料，第3個特點多樣性（Variety），則是接下來大資料技術需要被解決的問題。

他認為，要在多樣化的資料中找出相關性，關鍵在於資料之間的網絡關係（Network）和圖學（Graph），在學術界稱為網路科學，業界則稱作圖運算（Graph Computing），怎麼快速將資料串連，找出關聯性，他說，近幾年內幾乎所有大資料、資料採礦、資料庫的研討會，或是學術單位都一直在探討如何解決這個問題，IBM也一直在研究圖運算。

他提到，以前超級電腦用Top 500當作評價指標，以每秒可運算多少資料量來排名，從2010年左右開始，業界及學術界才逐漸理解，運算量不一定是最重要的，在有些應用案例中，更重要的指標是超級電腦每秒可以搜尋到、找到多少相關的資料，然後把這些資料儲存出來。因此，超級電腦社群才開始使用有Graph 500的評價指標。

林清詠指出，IBM團隊目前所處理到的Graph規模，超過8兆個節點（Node），串連出256兆個邊的關係（Edge），遠高於Facebook由超過10億個使用者的社交Graph，而Twitter在2012年的Graph規模大約是1億2千萬個節點，20億個邊。

在硬體方面，IBM發展了大約4年，其中一項SyNAPSE計畫，是要打造出大腦晶片（Brain chip），希望最終達到人腦1百萬個神經元（Neuron），2億5千6百萬個突觸（Synapse）的規模，根據2年前的資料顯示，當時的Graph的複雜度規模已經達到貓的等級，要達到人腦的規模還要好幾年，不過，Graph規模達到之後，如何用來計算和處理也會是個問題。

免費釋出開源工具，加速臺灣資料分析技術發展
林清詠現場展示了IBM System G團隊進行的一項大腦網路分析計畫（Brain Network Analytics），分析老鼠在觀看不同圖像時，腦部神經網絡的反應情形，包括之間的關聯性，以及對什麼圖像會產生反應。早期的研究已經知道哪些神經元對應到哪些反應，而最終則是希望能知道同時刺激哪些神經元，可以產生不同記憶。

他也說，大部分的大資料都是互相連結的，稱作Linked Big Data，目前Linked Big Data研究的幾個重要方向，包括如何記憶、儲存相關的資料，此外，Linked Big Data可以使用其他的查詢語言（Query Language），不再是C語言。林清詠同時也宣布，System G團隊要將免費釋出開源的基礎圖學工具（systemg.research.ibm.com），提供各式各樣的圖學工具，讓大家可以在平臺上建置各式各樣的應用，希望能加速臺灣在資料分析領域的腳步，催生出更多應用。文⊙辜騰玉 

IBM首席科學家林清詠表示，在大資料架構與擴充性問題上，必須要考慮的2大問題，分別為Scale out（水平擴充）和Scaele up（垂直擴充），在Scale out需考慮的是，如何運用大量資源及平行運算來處理資料，通常會發生更高的資料延遲性，而Scale up的做法，則是要讓同一個機器的運算效果提升，發揮最大價值。 

IBM首席科學家林清詠認為，要在多樣化的資料中找出相關性，關鍵在於是資料之間的網絡關係（Network）和圖學（Graph），在學術界稱為網路科學，業界則稱作圖運算（Graph Computing），而這也是接下來大資料要解決的問題，怎麼快速將資料串連，找出關聯性，他說，一直到2013年左右，幾乎所有大資料、資料採礦、資料庫的研討會，或是學術單位都一直在探討如何解決這個問題，IBM也一直在研究圖運算。

IBM首席科學家林清詠指出，IBM團隊目前所處理到的Graph規模，超過8兆個節點（Node），串連出256兆個邊的關係（Edge），遠高於Facebook由超過10億個使用者的社交Graph，而Twitter在2012年的Graph規模大約是1億2千萬個節點，20億個邊。

IBM首席科學家林清詠現場展示了IBM System G團隊進行的一項大腦網路分析計畫（Brain Network Analytics），分析老鼠在觀看不同圖像時，腦部神經網絡的反應情形，包括之間的關聯性，以及對什麼圖像會產生反應。早期的研究已經知道哪些神經元對應到哪些反應，而最終則是希望能知道同時刺激哪些神經元，可以產生不同記憶。

IBM首席科學家林清詠宣布，System G團隊要將基礎的圖學工具以Open Sourse的方式免費開放出來（systemg.research.ibm.com），提供各式各樣的工具，讓大家可以在平臺上建置各式各樣的應用，希望能加速臺灣在資料分析領域的腳步，催生出更多應用。

資料來源:IThome