隨著半導體製程與技術演進，加上雲端運算的崛起，過去需要費時一個月的運算，透過雲端服務，只需數小時就可以得到結果。在可預見的未來，5G搭配物聯網應用將可能成為爆發點，隨著企業專網的頻譜釋出與建立，屆時AI應用也將更加頻繁，對反應的要求也會更即時。
近期才協助貝爾聲學運用雲端無伺服器服務結合AIoT技術，翻轉聲學測試領域營運模式，取得IDC數位轉型市場顛覆者（DX Gamechanger）獎項的伊雲谷，投注在資料領域已有數年，更早之前也協助香港大型零售業者藉由雲端服務，將過去每改一次條件參數便需要花40分鐘才能產出的報表縮短至2分鐘。除此之外，在製造業的應用情境中，也將產線自動化結合AWS雲端服務，藉由整合產線數據、機器學習、物聯網技術，在成本最佳化的情況下收集、處理、存放及分析設備資料，進而提升預測分析及瑕疵檢驗的能力。
伊雲谷商務創新處協理林柏州觀察，運算資源的增加與就緒是推動人工智慧（AI）的一大動力。舉例而言，AlphaGo的演算法早在30年前就已經存在，只是礙於當時的基礎架構不足以支撐運算量，如今，隨著半導體製程與技術演進，加上雲端運算的崛起，過去需要費時一個月的運算，透過雲端服務，只需數小時就可以得到結果。在可預見的未來，5G搭配物聯網應用將可能成為爆發點，隨著企業專網的頻譜釋出與建立，屆時AI應用也將更加頻繁，對反應的要求也會更即時。「預估未來5年內，人工智慧產業每年至少有20%的成長幅度。」
目前包含金融業、醫療產業以及零售業都是AI應用較多的領域。他提到，或許不少人會覺得金融業對上雲有所顧慮，但事實上，台灣已有60%的金融業都在運用雲端資源，雖然因為法規限制，核心系統不能上雲，還是有許多應用場景可以運用雲端進行AI模型訓練或是建置人工智慧、機器學習（ML）環境。舉例而言，伊雲谷便曾協助某金融投信單位找出新聞與個股之間的關係並且進行驗證，這是一個典型的創新應用場景，資料也不涉及交易資料或敏感資料，但是雲端的優勢便在於，企業可以很容易地取得資源實驗，就算失敗也沒有關係。其他像是防詐欺、反洗錢以及還款能力評估，也都是金融業常見的AI應用場景。
基礎架構之前二大挑戰須先克服
身為AWS亞太區代理商以及高級諮詢合作夥伴（AWS Premier Consulting Partner），伊雲谷致力協助企業打破傳統數據散亂和溝通的壁壘，同時延伸各類分析應用，如視覺化儀表板、即時分析、機器學習及人工智慧預測，藉由一系列轉型工程，來強化企業研發創新、數據決策的能力及效率。
但是在推動的過程中，同時也發現了企業最大問題在於對商業模式的理解不足。林柏州解釋，大多數的企業對於AI已有相當的認知，而且也聽到許多美好的故事，希望能夠將AI帶進企業內部並且做出一些成績。但是過度發散的想像以及無限擴充的規模，最終將因成本超乎預期，反而使得企業猶豫不決，保持觀望。「這是因為企業並沒有定義好打算用AI來解決哪些商業問題，太過發散的想法、每件事情都想做的結果，勢必得投入相對的資源，最後也讓企業為之卻步。」
伊雲谷商務創新處協理林柏州認為，技術層面的問題相對容易解決，最差的情況也不過是尋求外部協助，但是委外公司並不會瞭解產業的領域知識，因此找出商業問題才是最關鍵的地方。
除了商業問題之外，「人」也是一大挑戰。這包含了兩大面向，一是組織文化，由於資料可能來自於多個部門，較好的情況是成立專責部門或團隊來執行。另一個面向則是找到符合的人才，不只需要商業邏輯，還需要具備相關的領域知識以及技術能力，如此才能運用人工智慧或機器學習進行洞察與預測。
解決前述兩個問題後，才會回到基礎架構層面，而這也是許多IT部門「卡關」的地方。當規模太大，資料要不要全部收攏後才執行？面對老闆詢問ROI、轉換率、來客數與客單價可以提高多少，又該如何回答。「其實，我們會建議，若是企業已經收集到一些數據，就可以開始想辦法落地，而不要等到把資料收集齊全後再執行。」他指出，雖然小型的概念驗證可能無法讓企業立刻上線，但至少能夠有助於找到痛點，並且快速地找到可以解決的方案。更重要的是，只需要一兩個月就可以看到成效，而且決定要不要持續下去。
視企業準備階段提供不同層級服務
有鑑於企業環境不同，面臨挑戰也有所差異，伊雲谷也針對企業不同階段來提供不同服務。舉例來說，針對已經確定目標，只是缺乏技術能量的企業，提供AI模組開發協助；對雖然有既定目標，但資料散落各地的企業，則協助建立資料湖，並且訓練模型，包含流程串接與基礎架構的建置，都可以提供相關的協助；若是企業還沒定義出商業問題，但資料已經收集，這時便會與企業共同檢視與討論，同時提供可行的應用場景作為參考。甚至，建議先在雲端上進行概念驗證，一方面在老師傅質疑AI成效時有所依據，二方面也可免除老闆詢問「花了那麼多成本到底可以帶來哪些實質幫助」的壓力。
儘管，透過雲端可以取得資源彈性、降低初期投資、快速上市以及敏捷等諸多好處，甚至可減少企業在技術與人才方面的挑戰，但林柏州也不諱言，在部份情境下企業自建AI基礎架構會更合適，一是針對資安或保密性考量，有些企業的客戶本身對於雲端並沒有那麼信任或是認為資料不應該存放到雲端上，這時就會傾向自建。另一個考量則是基於推論的速度，若是需要在現場即時反應，立即結果推論，否則就會有風險的應用場景，在地端部署就更為適合。
他補充，確實有不少企業對AI的想像是只要把資料餵入就會自動跑出結果，或者認為AI可以百分之百取代人力，其實這些都是錯誤的想像。人工智慧只是協助人執行自動化或是重複的工作，或是從繁複又不斷變化的事件中抽絲剝繭，在大部份的情境下都不會是百分之百的準確，但是至少能夠達到八成以上的準確度或是自動化。而就技術層面來看，雖然AI已經愈來愈簡單，甚至不少雲端服務供應商都相繼推出AutoML功能來自動建立最佳的分類和迴歸機器學習模型，同時擁有完整的控制與可見性，但是現今離這段想像其實還有一些差距，「不只是AI技術本身的演進問題，現今就算把AutoML功能提供給企業，許多企業還是不會使用。當然，技術層面的問題相對容易解決，最差的情況也不過是尋求外部協助，但是委外公司並不會瞭解產業的領域知識，因此找出商業問題才是最關鍵的地方。」