建立安全的企業遠端辦公環境 HCL BigFix

為了因應在幾乎沒有預警的情況下所發生的危機，企業必須迅速有效率地讓員工可以遠端工作，確保營運和業務的持續性。HCL BigFix提供居家辦公解決方案協助企業建立安全的遠端辦公環境，例如：作業系統和應用修補程式、軟體自動分派、自助服務軟體目錄、遠端桌面控制等等，協助支援客服部門與遠端存取電腦實驗室等功能，迅速幫助政府機構及各類企業安全管理遠距員工的工作站。

HCL BigFix 的產品特色：

• 快速註冊企業員工自有設備（BYOD）
  讓員工能夠使用自己的設備（BYOD）安全地存取商業應用程式和資訊系統，使用者只需點擊IT人員發送含有URL的電子郵件連結，即可啟動安裝安全管理應用程式、作業系統及修補程式，並透過集中管理介面，讓IT人員能夠遠端完成設定及部署任務。
• 自動化部署商業和安全應用
  HCL BigFix提供企業統一的控制台與優化儲存庫，從中管理關鍵商業應用程式和安全應用程式的分配流程，確保關鍵性和強制性軟體成功安裝，並控制在不論網路大小或速度如何，調節頻寬使軟體得以順利發送。
• 透過持續修補程式與執行政策來確保安全
  HCL BigFix透過自動、簡化的修補程式管理程序，達到快速部署與高有效性的需求，降低提供修補程式安全的風險與損失，並透過不斷應用修補程式，持續保護公司的敏感數據、確保設備安全以及協助維持合規標準。
• 支援員工遠端在家工作
  HCL BigFix遠端桌面控制提供控制中心，讓客服部門員工控制Windows、Linux 和MacOS工作站，使用者能夠選擇適合其環境的技術，進行遠端使用者培訓、排除故障等，並提供了強大的遠端診斷功能、聊天功能和檔案傳輸功能，協助管理者和客服人員解決工作站問題。

如需瞭解更多 HCL BigFix 居家辦公解決方案的相關優勢，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 – 4.改善機器學習結果」

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30堂課，我們為您介紹：機器學習應用流程 – 4.改善機器學習結果。

上週我們介紹了「機器學習應用流程」第三步驟 - 抽查演算法，這星期我們將針對「機器學習應用流程」中的第四步驟 - 改善機器學習結果進行說明。此步驟主要用於發展額外性能並改善從機器學習演算法獲得結果的方法。進行演算法的調整時，需要使用評估演算法所造成性能指標差異的技術，例如使用交叉驗證以降低錯誤，改善機器學習結果的策略大致可以分為以下三種：

• 演算法調校(Algorithm Tuning)
  
  首先要從已經知道對問題的性能良好的演算法中獲得更好的結果，透過自動化探索和微調演算法的配置進行取樣以針對問題尋求最佳的結果，並進行優化。然而，演算法調校的參數越多，對於訓練數據及測試工具的偏差就越大，同時也可能導致模型與測試工具符合，實際表現卻不符合預期。
• 組合學習(Ensemble Learning)
Ensemble Learning是將多個專門研究問題的模型與多種方法的結果組合起來以獲得更好的結果，策略包括以下三種：
• 裝袋演算法(Bagging)：又稱為引導聚集算法（Bootstrapped Aggregation），演算法經過在不同子集上進行訓練而對於問題產生不同的反饋。
• 提升方法(Boosting)：在相同的訓練數據上訓練不同的演算法。
• 混合(Blending)：又名Stacking Generalization或Stacking，該模型學習如何將各種預測作為新模型的導入，並將其組合為整體預測。
• 極限特徵工程(Extreme Feature Engineering)
此種策略目的為讓演算法學習更多問題的結構，機器學習演算法學習如何尋找與使用以制定策略，從技術觀點出發，此策略所做的就是減少依賴關係(dependencies)及線性無關(non-linear relationships)，成為線性獨立(independent linear relationships)。
• 分類(Categorical)：您有一個類別屬性，其值為[紅色，綠色，藍色]，可以將其分為3個紅色、綠色與藍色的二進制屬性，並賦予1或0的值。
• 實數(Real)：實數值的範圍是0到1000，透過創建10個二進制屬性，每個屬性代表不同價值，並進行分配。