文／林怡慧　

資源流動是自然的市場機制，在全球化時代，企業資金、人才人力的流動，早已不侷限在國內。根據行政院主計總處公布「106年國人赴海外工作人數統計」，顯示106年國人赴海外工作人數計有73萬6千人，自98年起，平均每年增加1.3% ，且在瑞士洛桑管理學院發布的「2017年IMD世界人才報告」中，我國「人才外流」指標排在後段班，皆顯示國內留才條件有很大的改進空間。

從市場供需面來探討人力外流的問題，可以歸納出各種面向的可能，如何面對這個困境，產業面、企業端、教育界不斷提出解決方案，而讓教育貼近市場，降低學用落差，是目前教育界改善人才外流的做法之一。台北醫學大學管理學院以實務為導向，培養未來生技、大數據、醫療管理專業人才，看中大數據相關人才將是未來市場需求的重要趨勢，於2015年設立大數據研究中心，對大數據資料的收集、儲存、分析、軟體應用、解決方案等提供產學合作，加強學術與實務界連結，進而提升研發能量。

從應用面下功夫 推動大數據相關研究
不可否認，一支智慧型手機，在五年內改變了我們的生活行為模式。當全世界都在談大數據、物聯網，聚焦在人工智慧將對生活產生的改變，業界專家也預估，亞洲區大數據資料市場的人才需求量至少為100萬人，可以想見，培養大數據資料分析的跨領域整合人才，將勢在必行。

台北醫學大學管理學院院長謝邦昌教授表示，發展大數據資料市場，台灣的底子很好，根據英國開放知識基金會(Open Knowledge Foundation)公布的全球開放資料指標(Global Open Data Index)評比結果，我國在2015年及2017年皆是全球第一。開放資料的應用與發展，有很大的發揮空間，可針對金融、健檢、支付系統等各種產業主題提出解決方案。謝邦昌認為，或許台灣在培育人工智慧人才的技術面還不能稱為世界頂尖，但因為我們資訊化相當早，有許多實戰經驗，更適合從數據面、解決面下功夫，推動大數據資料分析與相關學術研究、產業交流與人才培養。

透過產學合作 實際提出解決方案
台北醫學大學管理學院中各系所，跟一般大專院校管理學院常設的系所類別不太一樣。謝邦昌說：「對台北醫學大學管理學院而言，會計、財務金融、資訊管理等專長，是將大數據資料收集、儲存、分析、應用後提出解決方案的過程中，會運用到的一個工具。」也因此，培育資料科學家，提供企業需要的重點人才，並結合跨領域研究人力，將產、官、學、研……等資源加以整合運用，就成了台北醫學大學大數據研究中心的成立目標。

AI人工智慧與大數據的背後都指著同一件事，從累積的數據分析出有效的訊息，當訊息不斷地累積，運算速度越來越快，就能產生很多人工智慧的運用。謝邦昌表示，在培育大數據資料分析人才的過程中，產學合作能夠讓學生貼近了解企業需求，實際提出解決方案，避免學用落差的問題。

台北醫學大學創校超過半個世紀，累積許多醫學相關數據，自然先以健康照護為中心，做為大數據研究中心的主要議題，例如：與健康力公司產學合作，研發全台灣第一個整合200家基層診所、提供智慧醫療服務「健康力APP」，落實智慧診所到居家照護零距離……等。但大數據的表現不只在健康照護層面，它走的是解決方案，因此可以快速與其他領域結合，解決生活中食衣住行的各種問題，例如：與建築公司合作規劃智慧養生宅、與銀行公會合作金融支付方面的應用……等。

專案的深度與廣度 決定研究期程
數據資料要化為有用的訊息，需要經過幾個程序。基本上從資料庫的資訊搜集建立開始，透過儲存、分析、軟體應用、建立模型、提出預測與決策方案，進而解決問題，大數據說穿了，就是扮演著分析運用、平臺整合的角色。

大數據產學合作隨每個專案合作的深度與廣度不同、規劃的時程也不一樣。謝邦昌說，以規劃期程管理來看，最簡單的形式是以半年為一期，看專案的發展狀況，有些可能會延伸第二期合作。例如：大數據研究中心與英國保誠人壽獨家攜手合作開發「智能健康模組」，結合多種醫療資料庫，及醫學文獻資料、健檢資料，從而建立健康風險測驗分析模組，使用者只需要輸入簡單的生活習慣及健康狀況，即可了解其罹患慢性病與癌症的風險程度，及後續的健康提醒建議。推出之後反應非常好，目前也預計有第二期的產學合作。

專業領域 跨界合作
台北醫學大學是國內唯一設有大數據研究中心的醫學大學，近年來對於AI技術的應用與大數據資料分析結合產業研究，廣受業界好評，也因此產學合作的機會持續不斷。在產學合作的過程中，學生可以獲得專業知識與實戰經驗，而控管產學合作品質的指標之一，就是數據的獲取與整理。謝邦昌說：「大數據發展最怕「garbage in, garbage out」，無效的數據分析只會得到無效的決策結果。數據獲取首先需要整合資料、分析資料，因此如何得到有效的數據就是一個訓練；掌握到有效的資料，再依想解決的商業命題來建構模型，提供決策參考；然而模型分析出來的結果很可能是個假象，這時候就需要各個領域專家加入，提供專業見解來定義，做為發展決策的橋樑。」

謝邦昌表示，大數據就是跨領域整合的學習，透過不同類型的產學合作，可以整合不同專業領域的研究人力資源進來。台北醫學大學大數據研究中心也創立「台北大數據＋聯盟」，透過召集產業、官方、學術及研究……等四方相關單位，共同合作為大數據提供更多方資源，以數據驅動、跨界發展為主軸，走向加值應用新世代。

做中學、學中做的產學合作過程
大數據的學習途徑與過去認知的不太一樣，因為是很新的議題，技術進步的速度與變化甚至是以月份來論計，也因此沒有教科書可以參考，最好的學習方法就是「做中學、學中做」，從解決方案中摸索，進而找到學習的途徑。在大數據領域，不只學生們學習，連老師們也一起在學習。產學合作一方面訓練研究生、研究助理的實作技術，另一方面也訓練老師間的專業合作，透過不同合作案，整合更多專業領域的人才。這也就是為什麼，謝邦昌認為產學合作對培養大數據分析人才，是不可或缺的過程，從實務面著手進行實體課程，讓資料分析不只是有距離感的理論演練。而透過產學合作訓練出來的研究員，因為實際面對過企業問題，有實戰經驗的能力，更容易為自己爭取到畢業即是就業的機會。

此外，台北醫學大學大數據研究中心也與台灣微軟合作，宣布啟動全台首創「AI人才培育計畫」，北醫提供7週的線下AI跨領域課程，台灣微軟則是提供300小時的線上教學，以及全球認可的微軟資料科學數位認證，讓學生在完成課程後，能獲得紮實的AI應用能力。

開放的心態 以團隊合作的模式精進學習
有志投入大數據相關研究的人，一定要帶著開放的心態去接受學習，知道自己的專業強項為何，不抗拒與任何產業的結合，才能在團隊合作處理專案時，明白需要哪方面專業領域的協助與加入。謝邦昌說：「大數據相關研究必須以團隊合作的模式來進行，在團隊中不是比誰比較優秀，而是以各自專業激盪出最好的解決方式。因為大數據研究是新創立的課程，台北醫學大學管理學院也設有學士後第二專長大數據科技與管理學士學程的課程，不少博士生、碩士生降格學習，期能具備大數據理論與實務操作能力，提升企業決策能力與營運效能，為工作增添效能與效率。」

未來，當AI、大數據已改變我們的社會結構、生活模式，迫切需要的已不再是技術平臺層面的問題，我們將面臨的，可能是倫理、道德、法律等問題，這也牽涉到社會制度規範，也是目前積極投入大數據研究領域的我們，需要用更寬廣的視野與高度去思考的議題。