AWS 台北高峰會 2019 所呈現的趨勢

今年第二次參與AWS高峰會，一如往常的每年都有很多新的嘗試與實驗，跟去年大玩AI應用的路線不同的地方在於，今年的會議帶出很多企業轉型與 DevOps 的議題，同時透過 DeepRacer 競賽讓有興趣的開發者可以用很快速的建構環境嘗試 Reinforcement Learning 的力量，也算是時勢所趨，前陣子學術界有股深度學習會被 Reinforcement Learning 超車的聲音，不過實務上應該最後會是結合的可能性比較高。

這次開場的 keynote 跟去年比較大的不同是火力展示比較少，畢竟 SageMaker 都已經出來讓我們這種人失業了(?)，反而偏重於台灣大型廠商的實際導入經驗，我覺得蠻訝異的是連神腦都加入了這個行列，很明顯這兩年整個產業應用的方向進入整合期的趨勢也開始成為台灣市場的必然了，美國的 IPO 潮也說明了 App 新創產業時代的尾聲，當前 AI 應用大多是以 B2B 的模式為主，其他就是消費者向平台內部的創新動能在引導了。另個角度來說，在這一波AI革命當中，沒有成功轉型的大企業很可能就會成為下一個 Yahoo 。

這次高峰會我覺得非常有價值的地方在於揭露了很多企業實際運作的樣貌，像是上圖 91app 面對雙 11 流量高峰的時候實體的看板 (Kanban) 是怎麼規劃與使用的，對於擔任企業 CIO 或是 CTO 角色的人來說是十分珍貴的訊息，過往台灣在數位雲端架構的經驗受限於市場規模與技術落後的關係，能夠交流這些經驗的人與矽谷、中國或是有培育過獨角獸的城市比起來這方面的資訊與經驗是相對貧乏很多，我大部分的架構觀念與技術也都是在矽谷學來的，看到有這樣的進展覺得是台灣產業一個很好的信號，代表成熟企業也愈來愈能接受適度的揭露與交流訊息，以促進整個產業的進步，當然也很期待台灣的這些成功企業能夠更積極的投入，例如來參與贊助我們 MOPCON 這類的開源研討會之類的XD

自從前幾年開始 microservice 與 serverless 的浪潮之後，對於軟體開發的架構思維又產生了很大的改變與衝擊，也帶來很多新的挑戰，矽谷的新創公司大概都已經踩雷好幾年了，在台灣目前還是很新的題材，包含我自己對於怎麼妥善的使用無伺服器的微服務架構處理機器學習任務也還在摸索的階段，過去幾個月一直在重構自己的程式碼以應付日漸龐大的記憶體消耗與運算時間，但採用的依然是單體執行的模式，這次在會議裡面聽了許多使用無伺服器架構的設計著實收穫良多，但要把所有程式碼改造成能夠這樣運作實在是非常大的挑戰。

宏碁 CIO Ann 所講的這個圖讓我特別有感覺是因為我們最近在美國處理的案例大多是屬於左下角，事實上財星百大的公司裡面大多數都還是屬於非原生雲端技術的公司，大部分的公司都擁有已經成功運行了數十年的大型資訊系統，因此在轉型上面的困難度就更高，傳統的龐大開發架構下很難一項一項拆出來進行改善，即使到今天，我們使用的交付也還是走 On-Premise 的方式為主，大部分的大企業對於使用雲端服務與開源軟體可能產生的風險都還是採取排拒的態度居多，這張圖所示的兩個重要方向或許是值得許多企業領導人參考的：應用轉型與負載轉移，我們在美國處理的案例通常也都是先從內部的試驗性專案開始小範圍的採用，可以利用這個過程培養內部團隊與外部顧問或是服務的信任，同時也給團隊適應新文化的時間。

上圖是第二天 DevOps 議程裡面一個我很喜歡的案例，該 AWS 客戶過往採取的整合模式是以工程師的名字去切分支，我可以想像他們應該很少做 peer code review ，同時也是在各分支節點上進行發布，當開發往前走的時候就會發現feature常常掉在半路上了XD

後來經過導入合理的架構之後，採用 tag 進行完整的 CI / CD 流程，從程式碼的整合到採用Docker映像發布都使用同一套命名系統之後整個開發的流程就變得簡單很多，同時透過容器化與 Auto-Scale 能夠更有效的撐住大流量，這也是我最近幾個月才學到的事情，過往只有一個人開發的時候問題不大，當團隊擴張的時候，這種習慣跟文化沒有建立就會讓團隊常常耗費時間在沒有價值的事情上面。

演講的結尾是以 Amazon 去年度進行的發布次數收場，高達 500 萬次的 deployment 印證了之前我在書上看到的數字，大約是一個工作天發布兩萬次更新的速度，沒記錯的話是 Google 的 3 倍，FB 的 2 倍，所以我在 Amazon 工作的朋友感覺都常常加班

當初看到今年 DeepRacer 實際的機器時，一開始覺得這不就跟我大三做的專題差不多，後來仔細一看發現還是有很多細節處理的很好，不愧是擅長經營開發者關係的美國公司，首先是採用真實比例縮放的 1 / 18 這個概念，很像在宣傳模型，完全打中像我這種肥宅的胃口，另外是配備有線上模擬的環境與預先訓練好的模型，可以快速的開始進行模型的調整與測試，即使沒有太多機器學習背景的人也可以獲得一定的成就感，至少可以完賽獲得贈品，隨著 SageMaker 與 Google AutoML 這類產品的出現，運用AI模型的能力很可能會很快會變成業界普遍的門檻，看起來又是免不了一波腥風血雨的廝殺，只不過這次因為受限於資料的成本與量體門檻，年輕熱血的青年朋友們看起來應該可以洗洗睡了，先去美國念個CS碩士刷一下大公司經歷熟悉一下這些已經被造好的輪子，站在巨人的肩膀上應該會比較有競爭優勢，我都覺得我應該再過不久沒做起來的話也要準備去投履歷了lol