雲原生玩家 數據驅動轉型
隨著遊戲體驗要求提升、資安威脅加劇與 AI 產業化的興起，弈樂科技創造雲原生角色，階段性升級架構設計、資安防護、數據治理與 AI 算力規劃，為遊戲營運建立決策基礎。
採訪／施鑫澤‧文／鄭宜芬‧刊期／2026.1
弈樂科技在過去幾年持續推動雲原生、資料治理與 AI 應用的落地，相關成果來自團隊在架構設計、平台建置與跨部門協作上的累積實踐。
在雲端與 AI 成為企業營運底層能力的時代，弈樂科技以雲原生為核心，自主發展微服務架構、資安防護與數據治理能力，在成本、延遲與韌性間取得平衡，同時兼顧治理需求，且透過自建 Data Lake 與跨部門合作，使資料能支持即時分析與預測模型。
[ 加入 CIO Taiwan 官方 LINE與 Facebook，與全球 CIO 同步獲取精華見解 ]
雲原生與微服務 打造低延遲核心
弈樂科技研發經理吳梓煊表示，基於工程師文化、成本效益，以及遊戲產業對於低延遲的需求，公司從成立之初便決定將資源集中於遊戲設計與開發，選擇與第三方雲端服務供應商合作，採用 Google Cloud Platform（GCP）作為主要雲端環境，除了技術層面的考量，團隊認為 Google 的工程師文化與公司相契合，評估當時 GCP 在三大公有雲之中具備價格優勢，對新創公司而言具有吸引力，可更有效益地配置公司資源。
在遊戲產業領域，反應時間是決定玩家體驗的關鍵。弈樂科技明確要求讓每個玩家動作的反應時間必須控制在 500 毫秒（ms）以內，資料中心位置便成為了決定性的因素。由於當時 GCP 於臺灣彰濱工業區設有機房，對應到產品主要客群在台灣，能以地理優勢提供用戶較低的延遲，因此成為首選。
確立雲端策略後，弈樂科技在系統架構上，採用雲原生設計，並以 Kubernetes（K8s）進行管理，自行規劃微服務架構，以應對高併發與大量臨時性的流量需求。相較於系統建構在傳統 IDC 後轉型的公司，雲原生企業在導入 K8s 等新技術上更具優勢，且 K8s 的水平擴展能力（Horizontal Scaling）使公司能以少量 IT 人力維運基礎設施。這種架構同時強化了後續的資安防護能力。
[ 推薦閱讀：【專訪】全國電子資訊長黃漢傑 ]
基礎設施到供應鏈 多層次雲端資安防護
面對雲端遊戲的即時互動與用戶資料的敏感性，弈樂科技採取了內外雙層防禦策略，利用雲端供應商的內建工具和第三方專業服務以強化防護能力。
● 外部防禦：CDN 與弱點偵測
遊戲產業最常面臨的外部威脅是 DDoS，弈樂科技利用 CDN 隱藏主機位置，使攻擊流量集中於 CDN 節點，而非直接觸及核心主機，形成第一道保護層。CDN 本身也提供流量清洗與 WAF 等防護功能，形成外部防線。同時也導入了 Multi-CDN 的機制，確保對外服務不依賴單一 CDN，大量提升了服務高可用性。
為了識別內外部的弱點，弈樂科技導入了 Google Security Command Center（SCC），用於偵測環境弱點與組態問題，包括外部攻擊風險以及內部權限設定、虛擬機管理等項目，初期果然抓到外網 IP 隱藏與權限問題，團隊依風險高低與緊急程度進行處理，強化防護能力。
隨著駭客攻擊轉向供應鏈漏洞，弈樂科技曾因使用某中國軟體而觸發勒索病毒，經及時拔除網路線並透過內部 EDR/NDR 監控，阻止災情擴大。因此弈樂導入可與公司現有的自動化整合的 CI/CD 工具，可檢測第三方套件是否含有已知漏洞，能夠主動防範潛在的供應鏈攻擊，提供比 SCC 更即時的防護。
● 內部防禦：韌性與高可用性
弈樂科技利用 Google Kubernetes Engine（GKE）部署核心服務，當異常流量增加時，系統可透過自動擴展來維持服務運作，在攻擊期間將以擴展資源來應對大量服務請求，「如果有駭客對我們進行騷擾，等於就是雙方資源的對決了」。
此外，即使雲端供應商的基礎設施資料中心整體運作穩定，仍可能因部分硬體故障，而對服務出現短暫影響。所以當企業採用第三方雲服務時，系統高可用的設計是基本要求，才能在機房或硬體發生異常時，確保服務持續運作不中斷。
因此，弈樂在內部基礎設施上採用跨區域部署（Region of Machines, ROM），分散部署於 A、B、C 三個不同區域，以降低單一區域故障造成的服務中斷風險，確保服務在不同區域之間可快速切換，維持整體營運的穩定性。
資料出雲成本與 DR 兼顧營運連續
弈樂科技在多雲與資安部署上，主要考量資料移動成本、災難復原規劃以及新興的數據治理要求。因此在雲端服務選擇上，公司採用 GCP 作為單一雲主平台。
「資料進雲不用錢，但出來要。」資料出雲費用（Egress fee）是採用即時多雲架構的最大障礙。若需在不同雲端平台間維持資料同步，資料頻繁進出雲端將產生天價費用。基於此考量，公司採用 P2P（Backup to Backup）型態的非即時方案，在主要服務部署在特定雲平台，同時將資料備份至其他雲端或獨立環境，作為主雲服務發生重大問題時的應急方案，用於非即時的災難恢復（DR）。
在災難復原與業務連續性規劃上，弈樂科技並未以「零停機」作為唯一目標，而是從風險可控的角度進行整體設計。考量雲原生架構具備高度可移植性與多地備份的彈性，加上遊戲服務相較金融業，對超低延遲停機時間（DT）的容忍度較高，團隊在架構設計上選擇以可預期、可管理的風險為前提，進行成本與營運效益間的取捨。
在此策略下，公司接受合理範圍內的停機預算（SLA Credit），避免為追求極低機率的零風險場景而投入不成比例的成本。針對如 IDC 故障等極端情境，弈樂仍透過手動切換的備援線路、跨區部署（Multi-Region）與多重異地備份機制，確保服務能在半天內恢復，將風險控制在可接受的營運範圍內。
目前弈樂科技擁有 2 個 APP，但只需約 3-4 位的 IT 人員即可管理現有的雲基礎設施。未來若公司服務規模擴大到足以支持自建機房及維運人力的成本時，或許考慮將部分遊戲服務及不常存取的冷資料落地於自建機房，高可用需求的服務及熱資料則保留在雲上以維持效能，形成混合雲架構以降低成本。
AI 預測模型 介入玩家價值與流失分析
資料應用為提升企業競爭力的關鍵，但同時也伴隨大量敏感資料的管理挑戰。弈樂科技目前在與外部研究機構合作時，基於資安與隱私考量，並未對外提供相關資料，雖然確保了資料安全，卻也在一定程度上放緩了資料應用的推進速度。因此，弈樂未來將著手建立更明確的數據治理規範，透過制度化的管理機制，在確保資料安全與合規的前提下，加速資料與 AI 應用的發展，讓創新與風險控管能同步前進。
公司過往的遊戲相關資料散落在各單位所建置的系統中，包括數據團隊掌握供高層決策使用的營運資料，行銷團隊管理行銷投放記錄與素材，研發團隊則持有遊戲歷程、玩家資料、儲值記錄及資安日誌等，存在嚴重的數據孤島問題，不利於分析與模型建構。
弈樂於兩年前啟動 Data Lake 專案，目標在於解決長期存在的數據孤島問題。吳梓煊表示，團隊以開源技術為核心，自行建置 Data Lake 架構，透過 Kafka、Spark、Hive 等工具，將資料集中於 Google Cloud Storage（GCS）統一管理。在兼顧成本與系統穩定性的前提下，不僅實現近乎即時的資料同步，也避免了高昂的平台建置成本與對單一供應商的依賴。
在資料傳輸與處理流程上，Kafka 作為訊息佇列，用以緩衝即時資料流，確保資料同步過程不中斷，且不影響線上遊戲服務的穩定運作；資料則以 GCS 作為主要儲存層，以符合長期成本效益的考量。
此外，由於遊戲數據相較於電商交易資料具有更高的即時性與變動性，Data Lake 內部在資料表設計與同步頻率上，需依資料複雜度與時效需求進行彈性調整。弈樂因此採用多元開源工具組合，自主打造符合自身產業特性的 Data Lake 架構。
在資料治理架構逐步到位後，弈樂下一步將要把重心拓展至資料分析與 AI 模型建構。AI 團隊中的資料工程師、分析師與 AI 領域專家，與業務部門密切合作，共同定義高價值玩家與流失風險玩家的判斷標準，並整合歷史資料進行清洗與建模，以預測潛在的高價值與高風險流失玩家。相關分析結果進一步支援行銷單位進行精準推送，有效提升玩家留存率、儲值金額與整體生命週期價值。
[ 推薦閱讀：【專訪】南仁湖集團資訊部經理劉哲宇 ]
AI 算力規劃：自建、外租與成本控管
隨著 AI 團隊的成立，如何規劃昂貴且能源密集型的 AI 算力，成為資源配置重要議題。弈樂科技開始調整算力資源的規劃，特別是在訓練與推理的成本控管上，採取以自建設備為主的混合模式，購置硬體進行 AI 模型訓練，減少過度依賴雲端 GPU 服務。
弈樂科技購買多台 GPU Server，初期應用於協助美術素材生成，這些設備後續也投入資料訓練與建模。公司雖然曾與外部學術機構合作使用 Nvidia H200 等高階 GPU 資源，但是算力需要預約及等待。從整體執行效率來看，自建仍較符合使用需求，因此公司計畫階段性引進高階設備，持續強化內部算力。
弈樂科技秉持開放態度，鼓勵員工使用 AI 工具以提升工作效率。公司為員工提供企業版 AI 工具，例如 Google Workspace 內建的 AI 助理，這類工具通常具備資料保護機制，有效降低影子 AI 帶來的資料風險。同時，軟體工程師也可使用 AI 開發工具，顯著提升約 20–30% 的工作產能。此概念逐步延伸至企劃、行銷等部門，並透過分享會推廣使用，進一步提升全公司 AI 工具的採用率與效益。
[ 推薦閱讀：【專訪】揚秦國際企業董事長卓靖倫 ]
雲原生升級 從軟體拓展數據服務
弈樂科技 AI 團隊成立的初衷是為了解決遊戲開發中缺乏資料訓練與建模能力的問題。經過一年的努力，團隊透過從外部招募人才、員工內轉培訓以及學術合作，逐漸具備相應的技術能量。過去遊戲 AI 多採用 Rule-based 的規則式設計，即針對特定情況做出預設反應。現在團隊已將 AI 技術應用於玩家資料的訓練，並運用強化學習方式訓練輕量型的對戰型遊戲 AI。透過程式自動產生大量資料，並加入獎勵函數（Reward function）進行訓練與建模，所產生的 AI 對弈能力表現優於傳統的規則式方法。
展望下一階段，弈樂科技將積極推動 AI 產業化，把已在自身業務中成功落地並驗證的產品與能力，轉化為可對外提供的服務。除遊戲服務本業外，亦將發展數據與 AI 加值服務，打造第二成長曲線，正式啟動多角化經營布局。
(本文授權非營利轉載，請註明出處：CIO Taiwan)
