六個問答,解釋大數據和公共服務的關係
六個問答,解釋大數據和公共服務的關係

對於大數據(Big Data)如何改善、形成公部門的服務?《衛報》(the Guardian)邀請了大數據、開放數據領域的多位專家,針對以下6個問題進行快問快答,讓我們能夠快速了解大數據與政府服務之間的關係。

 

**Q1.**什麼是大數據?

「前衛報記者Simon Rogers曾說,大數據就是『再多一點就讓你不舒服的資料』,這或許是我聽過最好的解釋了。其實,資料的量不重要,重點是連結不同數據集(dataset)的能力。」倫敦大學資深系統分析師、開放數據使用者團體成員Giuseppe Sollazzo指出。

牛津顧問社會包容總監Tom Smith認為,「是該放棄『大』這個字的時候了。這只是資料而已,資料的量與速度雖然呈指數增加,但一直都是難以儲存和處理的大……,這幾年唯一的改變是,決策者終於認知到,資料是有價值的資源。」

**Q2.**為什麼大數據對政府部門很重要?

英國戴爾(Dell)執行董事暨公共部門總經Claire Vyvyan認為,「加入公部門的資料來源,能夠讓政府更有效率、節省金錢、辨別欺詐、幫助公部門好好的服務市民。」

開放數據協會(Open Data Institute)研究總監Tom Heath指出,「資料能幫助政府花更少的錢做現在在做的事情、把現在在做的事情做得更好、或是做一些現在沒有在做的新事情。」

Q3.公部門服務可以因為大數據而獲的領域是?

《公部門:管理那些無法收拾的事》(The Public Sector: Managing the Unmanageable)作者Alexander Stevenson認為是成人社會照護的機會。「大數據用新的方法分析數據,幫助社會工作者對於何時、如何介入,能夠做出​更好的決定,幫助人們盡可能長久的獨立生活。」

Giuseppe Sollazzo認為是健康、教育與運輸。「最大的潛力在於,發展出新的、迫切的資料導向行為。比方說,​如果從健康資料分析中,得出一個人在統計上得到心臟疾病的風險較高,他就能進一步調整其生活形態。」

蘇格蘭議會志工組織數位參與總監Chris Yiu認為在於健康、個人化公共服務、發現與制止詐騙與錯誤的發生,「特別是在錯誤一開始就偵測到。」

《社群媒體與數據的國會研究概要》(Parliament research briefing on social media and big data)作者Ben Taylor認為,警察通常是個被忽略的創新領域。「這裡有個明顯的雙贏方法,在大災難之後,運用社群媒體開發出早期的警示系統,聰明搜集、監控來自社群媒體的資料。」

Tom Heath認為是公私部門的資料整合。「舉例來說,如果可以將銀行的對帳單與企業、商店的環境影響公開數據資料整合,消費者就能得到更多的資訊,選擇如何明智的花錢。」

**Q4.**大數據的應用有何限制?

Claire Vyvyan指出,技術面很容易,但是還有一些實務面的問題,「資料公開就可以被使用嗎?公部門對於資料被這樣使用(有些資料比一般資料更敏感)不會感到不舒服嗎?」

數據工坊(Data-Mania)創辦人Lillian Pierson認為,問題通常是抗拒改變。「管理者都是一般經理人,而不是資料分析師。如何讓他們採用資料導向的決策科技,通常是最大的障礙。」

勞工電子政府專案領袖(Labour's digital government review)Peter Wells認為,政府的複雜性增加了困難度。「資料分析通常需要政府的不同部門一起合作,才能達到期待的結果。這是一大挑戰,因為私部門從來都不用面對這麼複雜的組織層級。」

Chris Yiu認為,缺乏對技能上的投資,「政策制定者被種種可能性搞得眼花繚亂,但卻忽略了對基本知識的投資,如:紮實的統計數據、如何正確地闡明問題並得出結論等。」

**Q5.**風險是什麼?

Ben Taylor認為是隱私和資料保護,「英國資料保護法是很模糊的。人民的同意很重要,現在的模式只是簡單地取得個人資料,卻沒有讓人民有機會選擇是否提供資料,這會是個大問題。」

Alexander Stevenson指出,缺乏策略性的資料保護,「我們似乎對某些領域非常鬆懈,如:國家安全方面,卻又對其他領域異常嚴格,像是知道人們的垃圾被收集的時間。」

Nesta資深計畫經理Ed Parkes強調,這是信任與市民接受度的問題,「究竟哪種大數據的分析會更被大眾接受?這是個有趣的議題。誰會想要一起做這樣的分析?為什麼他們會有動力這麼做?」

Chris Yiu指出,「我們面臨了資料與隱私權的全國性辯論,但問題是,哪個政治家能勇敢承擔?」

**Q6.**政府如何更妥善地運用大數據?

Lillian Pierson認為,僱用更多統計學家、分析師與資料科學家。「IT部門在這個議題上扮演著很重要的角色,但他們卻不是好的分析者。事實上,對於那些能夠讓IT部門提供的資料更有意義的程式設計師、開發者,總是讓他們備感威脅。」

Giuseppe Sollazzo指出,「兩個最重要的改變是,在開放許可下釋出資料,並保證在資料改變時的最低更新頻率,以及讓資料冠軍升官,很多時候資料導向的方法,都會因為高層缺乏瞭解而受到阻撓。」

Chris Yiu認為,提供資料分析的誘因,「整理數據資料的技巧、基本科學素養、將資料分析置於市民服務競爭力的核心架構中;用新的方法獎勵資料的使用,包含(但不限於)依分析成果加薪。」

「提供更多法律的協助,技術議題相較之下都還算簡單。」英國戴爾(Dell) EMEA 大數據與雲端解決方案計畫經理Paul Brook強調。

Tom Smith建議,開放安全的管道取得政府持有的資料,「讓別人可以運用這些資訊來定位、改善服務,從安全管道取得的資料,不必是太過個人層面的微觀資料。」

Giuseppe Sollazzo建議舉辦駭客松。「駭客松是個腦力激盪、製作原型的好工具。他們是第一次針對一個數據集做深入的挖掘,試圖討論出新鮮的點子。」

​​出處:The Guardian

想了解更多相關資料,請參考日經BP社授權數位時代出版《全球智慧城市研究報告》,或上CityNext智慧城市入口網

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓