北祥資訊電子報 Vol.31-2020-December

業務導向應用程式開發工具IBM Rational Business Developer

IBM Rational Business Developer是一個基於Eclipse的應用程式整合開發工具(IDE)，提供了內建的服務結構與生成工具，開發人員可即時創建應用程式體系結構，該工具使用了一種可簡化軟體開發的程式設計語言和支援技術Enterprise Generation Language (EGL)，透過運用EGL，開發人員可以把重點放在程式碼所要解決的商業問題，而非技術實作的細節。

IBM Rational Business Developer的產品特色：

簡單的服務創建
IBM Rational Business Developer使用Enterprise Generation Language (EGL) 簡化了Web 2.0的應用程式的升級、服務導向式架構(SOA)以及傳統應用程式的開發，使用者可以在產生Java、JavaScript或COBOL程式語言進行部署的同時建立並測試EGL應用程式。
自由的多平台部署
IBM Rational Business Developer利用安全的環境QoS，允許開發人員在同一整合開發環境中作業，並藉由跨平台的開發技能，為IBM i及IBM z Systems的傳統綠螢幕應用程式進行開發與部署，提供在多個平台上將服務開發至IBM WebSphere Application Server。
強大的可擴展平台
IBM Rational Business Developer擴展現有的IT資產，並提供基於Eclipse平台的可擴展、伸縮性與生產力的功能，與IBM Rational軟體解決方案整合，使團隊可以輕鬆地置入已建立的軟體開發生命週期和溝通管道，以進行高級配置，原始碼控制與變更管理。

如需瞭解更多IBM Rational Business Developer的相關優勢，請立即聯繫北祥資訊。

資料庫安全合規解決方案IBM Guardium Data Protection for Databases

IBM Guardium Data Protection for Databases是一個全面性的資料安全平台，它針對資料庫和資料庫倉儲內的機密資料，提供自動化的機密資料探索及分類、即時活動監控和認知分析，以探索有關機密資料的異常活動。IBM Guardium Data Protection for Databases能夠學習一般的使用者存取模式，然後針對可疑活動提供即時警示，藉此防範未獲授權的資料存取。它也可以動態封鎖存取或隔離使用者 ID，以防範內部和外部威脅，同時協助簡化與自動執行合規工作流程，完整透視所有主要資料庫的資料活動。

IBM Guardium Data Protection for Databases的產品特色：

監控和審核所有資料活動
提供使用者對所有資料庫管理平台的全面可見性，包括資料庫管理員、開發人員、外包人員及應用程式，並提供獨立的本機資料庫資料記錄與應用程式存取監視記錄，同時利用分析功能來檢測異常資料存取模式，從而提高資料安全性。
加快合規工作流程與審核活動
協助進行匯整與標準化審核資料，以自動化產生可自行定義的合規性報告與防篡改資料存取的追蹤，並分發給稽核團隊進行電子簽名及升級，藉此在適當的時間將合適的報告提供給負責的人員。
支援異質資料庫環境
無論資料儲存在內部部署或混合雲環境，IBM Guardium Data Protection for Databases都能協助保護資料安全無虞，它擁有資料分類、漏洞評估與補救、資料活動監視，加速合規性模型等功能，此功能可以在資料庫、文管系統、大型主機等不同的服務環境中進行擴展。

如需瞭解更多IBM Guardium Data Protection for Databases的相關優勢，請立即聯繫北祥資訊。

AI小學堂 – 今天教您「機器學習應用流程」

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26堂課，我們為您介紹：機器學習應用流程。

延續上星期AI小學堂介紹的資料探勘標準流程，CRISP-DM源自於資料庫知識探索(Knowledge Discovery in Database, KDD)流程模型，也就是從資料庫所儲存的大量資料中識別出有效、新穎、可用且容易被理解，同時有助於輔助決策行為的一個重要的流程。本周我們選擇了另一個衍生於KDD流程模型的「機器學習應用流程」，同樣作為知識探索的流程，機器學習應用流程融入了實務應用的經驗，並將機器學習歸納為5個階段步驟，分別是定義問題(Define the Problem)、準備數據(Prepare Data)、建立演算模型(Spot Check Algorithms)、優化模型結果(Improve Results)、展示結果(Present Results)。

在解決機器學習應用問題時，開發人員會開發出適合的模式或流程，以快速獲得良好的結果，此流程以線性方式呈現，以利過程中可以反覆嘗試、改善，並在操作過程中不斷檢視，使開發的模型越穩健與完善，獲得更快速獲得可靠的結果。

機器學習應用包括監督式模型與非監督式模型，在非監督式模型中，推理和分析都是從雜亂的資料中獲得，進而透過統計演算法與機器學習技術來分類和處理資料。此外，機器學習也可應用於解決不確定性問題，尤其是在需要對大量統計產生的資料所進行的分析。我們將於接下來的AI小學堂中詳細說明「機器學習應用流程」的5個步驟，下一堂課將會先介紹第一個步驟 - 定義問題。