「垃圾進，垃圾出」這句話，搞IT的人應該沒有人沒聽過，也都瞭解是甚麼意思；但這句話如果拿到現在最熱門的「資料分析」或「AI應用」的場景中，說法卻必須做一點調整，怎麼說呢？
根據我自己的研發經驗，需要使用資料或數據做分析的問題可以分成兩大類（聽起來好像繞口令）：
- 第一類：「我們知道我們不知道」的問題
- 第二類：「我們不知道我們不知道」的問題
「我們知道我們不知道」
第一類是比較容易瞭解、也是一般常面臨解決的。
簡單來說，就是我們對問題本身已經有了一個假設、甚至已經有可以運作的模型，只是對其中的一些參數還不知道；此時蒐集資料的目的，就是要來決定這些參數。大家熟知的「A/B測試」，就是很常用的工具：對已經存在的兩組（或多組）介面設計，如果想知道哪一種比較受歡迎（設計參數），就把設計發給兩組使用者群，藉由蒐集使用的頻率，或是直接進行意見調查，就可以決定哪一組設計比較好。
如果蒐集進來的數據有問題，推論出來的參數就是錯的。
這個說明當然經過簡化再簡化，只是用來讓大家瞭解問題的性質。
資料的正確性，在這一類的問題自然具有決定性的關鍵；如果蒐集進來的數據有問題，推論出來的參數就是錯的。
然而，第二類的問題就沒有這麼直接了當、而且也比較稀少；但是一旦解決，卻是價值比較大的分析類型。
「我們不知道我們不知道」
這一種型態的問題，解決方案之所以那麼稀少，主要還是因為發現問題所在的運氣成分非常重，更不要說成功地解出問題。
不過，回顧這些相關的案例就會知道，它們被發現的「觸發點」還是有許多相似之處：多半是在解決第一類問題的時候，陰錯陽差找到一些令人驚訝的事實，然後被有觀念的人鍥而不捨地繼續鑽研。
在筆者之前的〈從Office精簡版的血淚，看軟體功能的「長尾理論」〉一文中，就曾經提到過：因為測試Excel大檔的功能，而無意中發現了Office的長尾現象，就是其中一個例子。
在這裡舉另一個例子，讓大家進一步瞭解這種現象。
自Windows XP引進Watson的遙測資料蒐集功能之後，如何儲存並分析這些資料成為一個很大的挑戰；因為，它的規模其實超乎原來微軟的預期。
兩類分析資料
在使用者同意傳回資訊的前提之下，回傳的資料大致分成兩類：
- 第一類是前一篇所說明的、事先計畫好的遙測資料；
- 另一類（資料量其實超過六成以上）是當系統中的應用程式發生記憶體毀損、或是某一段程式執行同一段碼過久時，系統就會發出一個對話方塊，詢問使用者要不要回傳記憶體的內容下載（memory dump）給微軟，以便做進一步的分析。
我記得有一個數據，是即使多數的使用者都持保守態度、不願傳回的情況下，微軟還是每天會收到超過一百萬次回傳。那個時候，我們都笑稱那些資料是「應用程式垃圾」。
但仔細想一下就能瞭解：如果這些回傳是由微軟自己寫的、或是友商的應用程式所產生的還好，的確可以回溯問題的發生點、找出先前沒有找到的臭蟲。
但實際的情況是，這些回傳有八成以上是微軟「不認識」的應用所製造出來的。這讓毀損程式碼的分析，變成一種不可能的任務；微軟再有錢，也找不到那麼多人來做反組譯和追蹤（trace）錯誤所在的工作。
也因為如此，早期有許多收回的資料其實跟廢物沒兩樣。
從分類中挖黃金
不過，微軟究竟是對資料具有極大興趣的公司，也不想因為很難做就放棄；因此還是投入了很多工程師和研究人員，試著將這些回傳資料做自動分類。
有些分類是從毀損點的程式碼模式，有些則是從毀損時堆疊的資料內容分析，看看能不能找出類似的模式（pattern）。讓我印象很深刻的是，有一個團隊甚至將機器碼和資料在記憶體中的分布做成圖型，試著透過電腦視覺的方法來找出模式。
其中一個很有價值的發現，是一位工程師在檢視有問題的下載資料段內容時，發現了一連串的IP位址；剛好這位工程師之前在防毒產品團隊待過，懷疑這些IP是「殭屍網路」的一部份。
經過反組譯處理，工程師確認有一段的確是惡意程式的一部分；於是這位工程師大膽假設，製作惡意病毒的人跟一般開發者一樣，寫出來的程式也會有臭蟲、也會當掉。
好玩的是，即使寫惡意軟體的人刻意在檔案中對IP特別加密，以避免被防毒程式掃到，但它在記憶體中一定會回復成明碼形式，否則程式無法使用。所以，如果在資料中找到殭屍網路的IP，就有九成九的可能是個惡意程式，值得進一步追查。
這個假設一出來，有好幾位工程師持續去驗證，果然找出許多已知的惡意程式的片段。之後公司發現這有非常大的價值，甚至還與執法和國安單位合作，成立了獨立的產品組，對大型企業或公務單位提供分析惡意程式的服務，成為超高利潤的業務。
結語
簡言之，這類問題的解決核心，在於能不能從「垃圾」裡找到黃金；而對於能從中挖出黃金的垃圾，我們還能稱這些是垃圾嗎？
我雖然不是資料科學和AI的專家，但看得出對於有能力掌握資料的高科技公司而言，這些方法論是很有價值的。之前的這些發現，都必須仰賴人們不屈不撓的對一堆垃圾進行挖掘和測試，而且還有很多運氣成分。
如果這些過程能用自動化的程序和電腦來取代，結果會不會更好？
在新的時代中，資料是不是垃圾，恐怕不會是人類說了算。
