暴雨洪災的守護者，GOOGLE PUBLIC ALERT陪你共建韌性城市

FIND研究員：賴育琳

    受到極端氣候的影響，世界各地也經歷許多自然災害的侵襲。而在面對自然環境不斷的變動之下，城市開始強調擁有面對足以承受衝擊的容受力及快速重組的恢復力，朝向讓城市系統與市民能夠在各種衝擊和壓力下保持正常運作，且同時結合生態韌性與社會韌性的「韌性城市」，為現行城市規劃很重要的設計方向。

【案例簡介】

    全球極端氣候災害盛行，日前印度正值雨季，卻因破紀錄的暴雨量而引發強烈的洪災與土石流，影響重大，造成一百多人死亡近10萬人被迫撤離家園的慘劇。大自然重創當地環境的衝擊畫面，宛如電影明天過後一般，不禁令人畏懼其帶來的毀滅性破壞力，也令人惋嘆於自身的無能為力。

而為了讓人民即使在面對充滿不確定的自然壓力下，也能有足夠韌性的應對容受力與回復力，Google與印度中央水資源委員會(CWC)合作，推出Google Public Alert災害預報系統，能夠即時發出自然災害預警，體醒用戶洪災的發生並保護人民遠離災害。

【使用情境】

    印度以往每年的雨季都會帶來嚴重豪雨，導致多處河流水位高漲病進而導致洪水成災，也因此顯示出洪災預測警告在印度的重要性。Google Public Alert結合AI人工智慧及印度政府提供之大量數據資料庫，包括共同建立印度氣候預測模型，歷史事件、河流水位讀數，到特定區域的地形和海拔高度等，打造河流的洪水預報 AI 模型，創建洪災地圖並準確預測洪水事件的發生位置、時間及災害嚴重程度。

    Google Public Alert系統整合Google搜尋引擎、Google Maps及 Google Now等服務，透過機器學習與AI技術不斷擴充蒐集各種氣象大量數據資料庫，持續建構包含洪水、野火、颱風與地震等資訊模型，涵蓋美國、加拿大、日本和巴西等幾十個國家，以此探索自然災害的相關性並達到更精準的預測。

【應用效益評析】

    根據數據顯示，Google Public Alert擁有90%的水位預測正確率，並有70％收到警報的族群能提前準備來應對洪患。Google Public Alert的洪災預報系統將提供印度眾多人口能夠在洪患發生前即時採取應對行動，保障民眾的安全。而印度其他因許多人沒有智慧型手機、識字率/教育程度低、高度貧困地區或對科技不信任等未能收到警報者，將計畫由當地政府管理者結合紅十字會等民間組織，合作推播洪水預報，以期將洪水資訊更廣泛的傳播並讓傷害降到最低。

參考來源：

l   THE VERGE：https://www.theverge.com/2020/9/1/21410252/google-ai-flood-warnings-india-bangladesh-coverage-prediction

l   Google AI 能預測洪災、發出災害警告！第一站於印度正式啟用：https://technews.tw/2018/09/28/google-ai-can-predict-floods-and-warn-of-disasters-first-stop-in-india-officially-opened/

l   Google利用AI技術向印度用戶發出洪水預警：https://smart.huanqiu.com/article/9CaKrnKd1gz

DEVOPS安全開發策略探討：以左移（LEFT-SHIFT）為例

FIND研究員：李啟榮

在早期DevOps專案開發與部署的流程中，安全性測試往往在產出上線將至，甚至是上線後才進行，可能有潛在的安全隱患；因此DevOps專家希望能將安全測試和安全檢驗的程序，從產品釋出前階段「左移」到最前面的開發初始階段，以利及早發現問題、及早預防漏洞，避免一步錯、步步錯，導致產品無法補救，徒增產品回收、重新開發的時間和成本。

左移策略概說

早期DevOps專案的開發方法，往往在產品上線釋出前後，實施較為密集的安全測試和分析，而在開發時間軸上集中在右邊（末端）；但較晚實施的安全測試，不但會造成產品漏洞的後知後覺，也會造成交付時間上的壓力。若能將安全測試和分析的環節，以「左移」的方式提前到早期規劃與開發的階段，將安全思維串接整個規劃、開發、上線部署等流程，來分析及預防最源頭、最根本的資安問題。

左移策略預期效益

在左移的過程中，源頭的建置環節可及早發現原始碼漏洞，來預防原始碼封裝部署的潛在問題；而在建置後的部署階段，可藉由自動化方式找出安全性漏洞，來預防執行階段的缺陷；到了終端執行階段，可藉由漏洞掃描來有效做出補救和因應措施，同時減少集中實施弱點分析和威脅測試的時間、資源等成本。

小結

因應日新月異的安全性威脅，DevOps團隊也逐漸領悟到預防勝於治療的道理，著手將安全測試和分析的工作，套用到軟體開發生命週期的完整過程中，演變為DevSecOps的趨勢，減少開發流程中的風險暴露，同持減少後續維護和改版的一系列問題，對開發為運團隊和使用者的影響。

參考來源：

1.(2019年8月15日). 安全「測試左移」的四大實用步驟. 擷取自 Palo Alto Networks: https://www.paloaltonetworks.com/blog/2019/08/4-practical-steps-shift-left-security/?lang=zh-hant

2.(2021年5月12日). 向左移位以快速且可靠地進行測試. 擷取自 Microsoft Azure DevOps: https://docs.microsoft.com/zh-tw/devops/develop/shift-left-make-testing-fast-reliable

階層式預訓練：以自監督學習改良自監督學習

【自監督式學習】 在人工智慧領域中，機器學習是十分重要的一個範疇。在機器學習中最為廣泛使用的為監督式學習（supervised learning），其為透過人工標記的資料給與機器學習正確的答案並作為推論的依據。然而透過監督式學習方式需要大量耗費人力與時間進行人工標記，將會拖延技術導入的時程。>

行動刷卡新趨勢：手機就是刷卡機

FIND研究員：林于婷 根據資策會MIC的調查，台灣的消費者最常使用的交易方式為現金（75.5%）、實體卡（76.3%）與行動支付（60.3%），但當商家支援多元付款時，消費者會優先選擇行動支付(37.2%)和實體卡(34.5%)，反映台灣消費者對於行動支付與刷卡的高度青睞。此外，在今年疫情嚴峻的影響下，消費者對於零接觸的支付方式有更高的需求，卡片支付、行動支付等數位支付已經成為新的消費常態。 >