劉逸的留意世界

昨天跟客戶開會,看著客戶手中拿著一隻外型還不錯的手機,進眼一看才發現,原來是最近一直搶購一空的紅米機,我問他好用嗎?他笑著回答:我可是搶了三次才搶到的,甚是滿意.印象中兩年前,我曾在課堂上說過,台灣不是何做LV,但台灣絕對可以做手機界的zara,因為竹科繞一圈手機一隻就出來了.蘋果的精品地位不是台灣短期可以形朔這樣的氛圍,但平價時尚這一條道路其實才是條藍海…可惜了,對岸先走到了這一步!那台灣呢?which is your next step TAIWAN?

現在真的是一個app滿街跑的時代，但是說真的有時候用電腦作事情的比例也不少，所以雲端的事界哪少的了website呢？而當一個服務同時需要website、又需要app時，其實是可以找到一個total solution的，在這我就把他稱之為『appSite』了。

我大約20年前我五專開始第一次接觸電腦，當時興奮不已，因為下一波是IT人員主宰的潮流，而我正式引領潮流的一員…那時我是真的這麼深信著。但記得約兩年前，也就是大概過了十七、八年後，印象中公司派我參加了一個科技美學的展覽，開頭是政大表演劇團的演出，他們的內容正嘲諷著，坐在底下這批自認為是商場上『扮演最關鍵要角的我們：IT人員』。頓時我才發現，我是二軍？

前陣子看了一本巨著『資訊』，裡面從遠古的資訊傳遞方式一直談到當今的DNA，其實從遠古時期的鼓聲傳遞，到現今的人體基因內的染色體，都在在的傳達出表達資訊跟傳遞資訊的理念。原來我所念的資訊科學，並不僅存在於電腦，看來是我太狹隘了些。

印象中，當小主管後，第一次面試國防役時，我找個三位來面試，印象很深刻，一個是政大、一個是中央、一個是中華的。後來我選擇了中華那位同學，呈報上去後主管有點驚訝，問我為何沒挑兩位學歷好的學生，我回答的很直接，因為私立那個同學，他會的『不是課堂上教的』，其他兩位會的是課堂上教的而已，這代表著：『他們只是因為系所的規定，把他做好，這種只依照規範做好事情的人，不是我要的』。

最近看著將近八百頁的賈伯斯傳，我只能用精彩絕倫形容。若說，人生至少得有一件值得拿到世界面前說嘴的事，那賈伯斯的事蹟可抵過數十個人的一生，更何況許多人窮極一生都未能尋找到專屬於你的動人時刻！

相信有看過賈伯斯傳的人，對於他在1980年代其間打造麥金塔電腦的過程，必定深刻不已。雖然他固執、霸道、愛罵人，但確有需多熱情投注在其中。賈伯斯曾經說過：一週工作90小時依舊熱血不已，這是當初創造麥金塔時他們穿的衣服上寫著的；另外，他們甚至在外面掛著一幅海盜的旗子，鬧著說他們寧願當海盜也不願當個乖乖的水手。如果你看到他們在1984年麥金塔發表時的元老照片時，你會發現他們屌的很，一點都不像工程師，反而像個樂團或反派份子。我們呢？還遵照著傳統的正統模式走？學著傳統的MBA？寫著標準的投資計畫書？…你到底是正規的水軍，還是想當個狂傲的海盜。箇中的海盜瓢竊的不是錢財，而是宇宙的印記！

十年的工作生涯(或許也可以說20年啦，因為補習班也將近十年)。我在IT業中看過太多人的去留，原本總會覺得這件事非他不可，沒有他部門就倒了，後來實際的情形是：『他只是可以做得很好，但沒有他世界照樣跑』，IT業的宿命就是這樣，就算你在強，當你決定換跑到時，不要以為老闆會痛哭流涕，因為過幾個月後你就會發現，那件事依然再進行、案子仍舊可結、時光…持續前進，回過頭才會發現：所謂的重要，真的那麼重要嗎？當大家說『非你不可』，又真的非你不可嗎？

在18世紀時，英國科學家巴貝吉發明了一台名為『差分機』的機器。有別以往，此機器專門製造一種商品，此商品名為『數字』。從此之後，開始有專門的機器幫人處理大量的計算功能。

今天看了賈伯斯生前被採訪的影片。我想大家從我之前的文章都知道我個人很欣賞賈伯斯，而在課堂中也數落了微軟不下數十回有了。但今天，下課時，騎著車回家，突然想到…如果沒有微軟？我能有今天的電腦知識嗎？一個窮苦的家庭買的起當年一台要十幾萬的麥金塔電腦嗎？我想了想…答案很快浮現在我的心中，我開始覺得從另一個角度來看，微軟其實有它的偉大之處，至少他庇蔭了我這個在窮苦家庭長大的小孩，讓我媽至少買的起當年的第一台電腦。當有錢有閒時…誰不想要品味？但如果大家都能用的起、買的起、學的起有品味的東西…這東西還有品味嗎？東西不都是比較出來的而已？好多的問號就這樣在我的心中浮起，打破了很多我之間根深蒂固的想法。

什麼都可以這句話是我在產業界中常聽到的話。無論做什麼，每間軟體廠商總會說這我麼有做，這個可以、那個可以、沒問題、交給我們就對了。從一個小到20萬的專案，大到1000萬以上的專案都可以做，真是厲害。印象中剛出社會的我，也常去客戶那邊為了證明自己的能力，說了不少這樣的話，為的就是要拿到案子，但其實『什麼都可以，背後其實代表了：什麼都不可以』。

在談設計模式的過程中，我就假定讀者已經熟知物件導向的四大特色了，若有不熟之處，可能在麻煩先看看手邊的OO書籍，或者我先前所寫的物件導向相關文章(抽象化、封裝、繼承、多行)。所謂策略模式其實就是把『變動的部分淬取出來，加以封裝』。有何好處呢？其一，使得往後在執行過程可以彈性使用之；其二，之後的演算法變動、擴充、增減對外界的影響不大。

策略模式：說穿了還是封裝，只是封裝的更有設計感。其實採用策略模式就是希望在日後的維護能更有彈性，調整時對其他類別的影響幅度竟可能降低。

What’s the design pattern。物件導向中有很多的重要特色，諸如資料抽象化、封裝、繼承與多型等。由這幾個元素可以組成千變萬化的設計方法。所謂的design pattern其實就是經歷多人長時間從事物件導向設計的過程中，遇到同質的問題找出了特定的設計方法；簡單來說：就是集結眾人的經驗來幫助你解決一棘手的問題，避免開發者陷入日後系統維護的窘境，這就是設計模式的效用。

1955年10月28日，一位出生於富裕家庭的公子哥出事，在年少時期，外婆就極力鼓勵他應該要『聰明思考』，造就了一個聰明的大人物『比爾蓋茲』。他在哈佛二年級時，毅然決然休學去創業，公司初期名為『micro soft』，爾後更名為現在家喻戶曉的『microsoft』。

Priority！這個詞我經常聽過，由於在五專就開始學習著電腦，因此種種課程中都聽過這個名詞，反正就是高優先權的先執行，大概就這麼一回事。離開學校之後，我幾乎跟這個名詞告別，只有在晚上跟假日的課堂上會再度跟同學講解著priority scheduling、priority queue…等等技術名詞。似乎，我忘了原來真正重要的是人生的優先權呢？

大數據是否會引發出大的泡沫出來，這是一個值得省思的問題。現在資訊業一頭熱的鑽進去討論Big data的議題。當然，我們就是要解決巨量儲存、巨量搜尋、巨量挖掘…這一切的一切都是為了做巨量分析。但問題來了，資訊人員的分析總是建構在data mining algo、AI algo或用OLAP來分析探討資料。巨量資料下，分析演算法雖然重要，但更重要的是『解讀』的能力。試想：若是一個醫療資訊庫，那具備解讀能力的絕對不會是從事資訊業的我們，而是具備專業知識的醫療團隊們；若是替製造業累積了上億比製成資料，一樣的看的懂得不會是建構big data的人們，而是那些具備專業製成know-how的人才有辦法解讀。這就是資訊業中喊的很熱的big data，一旦沒有跨業整合，其實這一切會變成只是做而做而已。很可能到最後回過頭來看，突然發現又跟data warehouse一樣當初都喊的很熱，但現在大公司真的有data warehouse又有幾間呢？這…值得省思。

在台灣的軟體產業投入也超過八年了，說短不短、長不長。但倒是有一些體悟，我在職場中前半段是個工程師，在此階段我總是覺得才能非常重要，有些人真的天生就是coding天才，其他人解不掉的他總能解掉。這種人在台灣還不少，而現在多數人稱之為內地的大陸，擁有的coding天才比我們更多。試想，以前破解版總是繁體中文版，現在都是我們去大陸下載簡體版的破解軟體，就可以知道對程式瞭解的深度，對岸不會比我們來的差。但自從轉任帶團隊的任務之後，我慢慢發現：軟體業不能盛行不是做不起來，而是缺『志在於此產業的伙伴』共同打拼。若你非常熱愛寫程式，或很會寫程式，這篇 po文提供你好好思考一番。

就我而言，總共讀了9年的資管所。從五專、二技到研究所，不管作業系統、資料結構、基本計概、程式語言(從basic、cobol、pascal、C++、C、Java…課程都有開過)、資料庫、高等資料庫…上述專業科目，我可說是上的琳瑯滿目。但老實說從16到24歲當中，我一直不曉得我念這些東西要幹嘛。另外，就算念也只是背…印象中期中考前背、期末考背、考二技背、考研究所背。我從來不覺得這些東西能幫上什麼忙…但這一切直到我出社會工作，又邊兼顧著上課…許多原理在有意無意間連結了起來，瞬間我才知道原來理論不是沒有用處，而是我一直沒有看透他而已～以下我舉幾個例子稍做說明：

上一篇有討論到Big data的演進史，而這一篇主要是要介紹其所能帶來得效益。早在還沒有Big data這名詞之前，在電子商務的帝國Amazon，就一直再探討跟實做：從user behavior logs挖掘出購買之推薦。迄今這樣的出發點依然不變，分析仍然為Big data中相當重要的回饋結果。凡事回歸效益面，如果big data無法帶來效益，那一切討論都是空談。綜觀未來應用的角度，在此我姑且將之分為三個面向說明其效益～

最近Big data成了市場上無人不談的議題。到底這裡面的玄機是什麼，我想可以從他幾個演化的角度來進一步探討探討。

所謂Big data常稱『巨量資料』或『海量資料』。其實他只的不外乎就是未來會有越來越多系統面臨到資料量極大的問題，在此之下如何儲存？建立索引？快速搜尋？跟做最後的分析工作？…這些都是面臨海量資料時的關鍵議題。有興趣的可以往下繼續看看囉～