隨著現時香港的經濟環境，2019年是滙智研究所非常困難的一年。不過，作為一家顧問公司，一向對員工及客戶維持長遠的承諾。因此，我們投資了一個相當可觀的數目以升級實驗設備，包括了顯示卡及用上SSD的全新伺服器。
數據科學雲(私有雲)
我們的數據科學專屬私有雲，基本上是參考了壹方案有限公司——私有雲方案。她們的雲端平台，絕對是一個好方案去應對各有雲端服務商，提供的大容量儲存、資料庫或大數據平台服務。如果閣下的工作量，內有大量的複雜計算或有50Tb的數據處理的話，用上7×24的雲端服務，必然是一個付出高昂收費的壞主意。
在得到壹方案有限公司的協助下，我們用上了技嘉的伺服器／工作站底板去建立自主構建的伺服器。我們私有雲的構架圖如下圖所示：
（註：我們的圖片只是展示了Hadoop的部份，這並不是一個完整的分析及機器學習系統設計。）
圖示 1: Open Stack架構圖 – 私有雲的其中一部份
建立數據科學私有雲，主要目的是為了擁有一個避免被供應商鎖定的環境，作為研究及培訓之用。這裡已經存有一些重要的開發項目，運行一些像物聯網及人工智能的工作。
置於高可用性及災難恢復方面，只是需要拷貝至另一個數據中心的同等設備上，以保持資料接近實時的同步。
在Open Stack雲端的管理上，我們使用chef及compass去維持私有雲的日常運作。簡而言之，這不單是相關於節省成本，但更為重要的是作為一家學習型公司必需保留自主性。
開發工作站
開發工作站方面，這是重要的把不同的工作類型分類的，比如預測分析及機器學習。
如果任何相關於人工智能／機器學習的，建議去安裝至少一張顯示卡。為了減輕成本，我們用了翻新的打機用個人電腦，配備了英特爾i7或Xeon處理器及不同顯示卡像Nvidia GTX 2070。
還有，應該好好地比對一下各式各樣顯示卡的效能；深度學習顯示卡指標分數： https://lambdalabs.com/blog/best-gpu-tensorflow-2080-ti-vs-v100-vs-titan-v-vs-1080-ti-benchmark/
顯示卡伺服器
科技界巨人—谷歌使用她們自家開發的硬件，去運行TensorFlow以執行人工智能及機器學習。不過，世界上只有華為，在市場上公開發售針對人工智能使用的專用硬體。為了可以利用一些四處可以找到的資源，我們會建議使用遊戲市場的NVIDIA 2080Ti或NVIDIA官方推介的Tesla / Titan系列去進行一些密集式的計算。
不幸地，我們的團隊因為資源所限，現時利用了一台有六片Nvidia GTX 1080Ti的以太幣棄置擴機。不過，我們有計劃去升級這一個群集，主要是記憶體及速度的考慮。我們建議一些大型及基於TensorFlow框架的機器學習／深度學習的模型，應該使用一些像Titan V100內有32GB記憶體的顯示卡。
圖示 2: 一台退役的6顯卡以太幣擴機
同時，我們也嘗試使用另一台退役擴機，內有6張AMD RX570顯卡的，查證一下它去進行機器學習時的效能是能達標。
投資方面，這絕對不是一個小數目，但主要也是對同事及客戶的長遠承諾，公司必然會長期持續發展團隊的技術水平。基本上，我們是非常自豪的表示，專業團隊是運用不斷進步的數據科學技能面對挑戰；而不是運用工具去抄襲他人應用以求過關的技工。
