北祥資訊電子報 Vol.16-2020-August

全球領先的API管理解決方案IBM API Connect

IBM API Connect是一個全球市場領先的API管理解決方案，它可以自動執行API建立、資產探索、自助式開發者存取，並提供內建的安全和控管性能。讓企業在不同應用系統服務之間建立安全公開且易於管理的API服務，藉此推動數位應用轉型並激勵創新。

IBM API Connect可以讓企業在複雜的混合雲環境中部署並集中管理API，它提供高度安全的部署支援，並根據多種不同服務和平台上的工作負載需求，獨立調配API管理平台元件（包括IBM Cloud、Amazon Web Services及Microsoft Azure等公有雲平台，以及IBM Cloud Pak與標準化Kubernetes私有雲容器化平台）。這種創新的容器化和微服務設計可為企業提供無與倫比的擴充性和效能表現。

IBM API Connect優異的產品特性包含：

建構於高度存取安全性的IBM DataPower Gateway，提供單一的加密網路閘道，可以大幅降低API使用上的風險。
高達22% 的全球市場占有率 - 超越任何其他競爭對手，足以證明它是一個值得信賴的API解決方案，可用來在混合雲環境中管理與保護服務與資料。
基於微服務架構設計並提供無縫式的元件組合擴充，可提升API使用者體驗，同時維持效能表現。
贏得2019 iF Design Award產品設計大獎，運用優異的使用者體驗設計輕鬆地快速建立、保護與管理 API，同時減少管理時間，從而從投資中獲得更多效益。
提供不同工具讓使用者能夠敏捷建立、保護、管理與共用API，同時維護連續可用性，並可擴充API策略以滿足不斷改變的使用需求。

想進一步了解更多IBM API Connect產品優勢，請立即聯繫北祥資訊。

IBM Data Virtualization加速實現異質系統間的快速資料查詢

在傳統的資料集中化應用發展歷程中，企業試圖將資料從不同的應用系統複製到集中的資料儲存庫以供報表設計與資料分析使用（例如資料倉儲、資料超市、甚至是資料湖泊）。建置集中化的資料倉儲系統不但成本高昂，有時候還無法確保資料的正確性，甚至容易出錯。就經驗而言，當不同資料來源達到一定數量時，大多數企業就會面臨管理上的困境，因為資料的結構和類型各不相同，若無法結合資料治理流程並設計出實用且具擴充性的資料模型與自動化資料整合流程，集中化的資料儲存架構反而會造成事倍功半的影響。

IBM Data Virtualization是一個現代化的資料虛擬化平台，可以跨域連結多種異質資料系統來整合資料，並將所需資料轉換成一個邏輯資料視圖。這個虛擬資料平台可以實現即時分析的需求，在無須移動資料、建立副本、開發ETL流程及其他資料集中儲存的前提下，加速資料查詢的速度及效率。

資料虛擬化的產業應用：

對於金融機構而言，有了資料虛擬化平台，就不必將資料搬移至集中的資料倉儲系統以供分析及報表產出，讓金融機構透過一個虛擬化的資料中心，滿足即時性的資料需求。
對於數位廣告服務商而言，資料虛擬化和邊緣運算分析可以讓企業更充分地瞭解如何精簡大數據的蒐集與資料分析，並精準掌握投放至行動裝置中的廣告影響力，從而節省成本和時間。
對於零售通路商而言，資料虛擬化可支援近乎即時的邊緣運算分析，提供對於消費者行為的洞察，這可以協助零售通路商更充分地瞄準商品、銷售和促銷，並創造出優異的客戶體驗。
對於電子製造業而言，自動化製造環境係透過元學習 (meta-learning) 的方式來擴充其品質和流程技術，電子製造業可透過資料虛擬化和機器學習方法，來增進預警模式篩選並將其轉換為可據以行動的資訊。

請立即聯繫北祥資訊，瞭解更多IBM Data Virtualization加速AI創新、消除資料互不相通的方法。

AI小學堂 – 今天教您「深度學習」

人工智慧時代來臨，面對市場需求的變化以及未來的無限商機，北祥資訊將與您一起學習，讓AI小學堂成為您最佳的學習助手。第11堂課，我們為您介紹：深度學習(Deep Learning)。

深度學習是一種機器學習技術，基於表徵學習(Representation Learning)以及類神經網路(Artificial Neural Network)演算法從非結構化資料（例如影像、音訊、語言等）中萃取出足以表達資料的結構化描述方法，或稱之為標記資料 (Labeled Data)。接著便可以使用大量標記化的資料並運用多層次的類神經網路演算法來訓練模型，模擬人類大腦的神經元學習方式進行自我學習，以便於獲取對於未知問題的最佳預測。

深度學習的模型訓練過程可區分為監督式學習 (Supervised Learning) 與非監督式學習 (Unsupervised Learning)，在一般實務上，會先以非監督式學習的方式將訓練集資料進行分類或分群，接著運用表徵學習演算法取得標記資料與其預期的結果值，也就是告訴機器分辨對錯的「規則」，然後再將訓練資料、標記資料以及預期結果透過類神經網路演算法進行自我學習，最終訓練出一個錯誤率低的預測模型。

目前，深度學習已經漸漸被導入於各種不同的產業應用中，例如汽車製造產業將深度學習用於自動檢測車輛、行人、停車標誌以及交通號誌，這將有助於提升自動駕駛技術並減少事故的發生；醫學研究機構將深度學習結合生物電子顯微鏡所產生的大量影像資料，進行癌細胞的自動檢測；另外，在生活中常見的智慧音箱產品也是結合深度學習技術進行音訊與自然語言的轉換，藉以理解使用者的偏好，並做出最合適的行動回應。