北祥資訊電子報 Vol.36-2021-January

最新訊息通知：IBM Cloud Pak for Applications產品線異動並更名為IBM WebSphere Hybrid Edition

IBM Cloud Pak for Applications提供給企業逐步實現應用程式現代化的最佳解決方案，基於Red Hat OpenShift開放式標準的混合式容器化管理平台以及針對不同部署情境需求的WebSphere應用程式伺服器系列產品，企業可以採用符合成本效益的方式，將傳統應用程式逐步轉移至微服務架構，藉此加速創新同時善用現有投資。

由於眾多已購買Red Hat OpenShift的客戶對於IBM Cloud Pak for Applications包裹銷售OpenShift產品存在許多採購上的疑問，為此IBM自2021年1月15日起，正式移除IBM Cloud Pak for Applications中Red Hat OpenShift及Red Hat Runtimes等相關軟體授權，並將其重新命名為IBM WebSphere Hybrid Edition。這個基於WebSphere核心產品的新產品包裝沿用了IBM Cloud Pak for Applications相同的彈性授權轉換比率，讓客戶可以更清楚地依據實際需求選擇WebSphere Application Server、WebSphere Liberty、WebSphere Application Server Network Deployment等不同版本的應用程式運行環境。除此之外，IBM WebSphere Hybrid Edition還包含了以下協助企業現代化應用程式的工具：

IBM Transformation Advisor
Transformation Advisor可以識別適合遷移至微服務架構的J2EE應用程式，並提供有關如何遷移應用程式的建議。
IBM Mono2Micro
Mono2Micro是基於AI技術的自動化應用程式分析工具，協助企業從單體式應用程式框架移植到微服務運行框架，加速現有應用程式的重構並減輕轉換至微服務架構的風險。
IBM Cloud Foundry Migration Runtime
協助客戶將Cloud Foundry開放程式碼平台即服務(PaaS)上的應用程式無縫移轉至OpenShift基於Kubernetes技術的容器化平台。
WebSphere Migration Toolkit
協助客戶評估及分析既有部署於Tomcat、JBoss、WebLogic中的應用程式如何快速遷移至WebSphere平台。

如需瞭解更多 IBM WebSphere Hybrid Edition的相關優勢，請立即聯繫北祥資訊。

人工智慧自然語言理解工具IBM Watson Natural Language Understanding

IBM Watson Natural Language Understanding使用進階NLP (Natural Language Processing) 技術來分析文字，從中擷取概念、關鍵字、種類、情緒、關係、語意等資料，並透過與API整合，進行自然語言處理以提供分析結果。此外，使用者可以透過IBM Watson Knowledge Studio建立自定義模型，以取得針對不同專業領域量身定制的結果。

IBM Watson Natural Language Understanding的產品特色：

強大的分析擷取功能
IBM Watson Natural Language Understanding使用一套完整的進階自然語言處理功能，將輸入的語言及文字轉變為符號，以擷取內容中的概念、關係、關鍵字、以及文字輸入的語意等功能。
針對各領域建立自定義模型
使用在IBM Watson Knowledge Studio上建置的自訂模型來延伸IBM Watson Natural Language Understanding，使用者無需訓練任何數據，即可針對專業領域開發自定義文件分類的模型。
廣泛的語言支援能力
根據不同的分析功能與需求，IBM Watson Natural Language Understanding支援各種語言，包括英文、阿拉伯文、中文、荷蘭文、法文、德文、義大利文、日文、韓文、葡萄牙文、俄文、西班牙文和瑞典文等。
運用於多種類應用程式
強大的支援功能可有效運用各種案例，包括內容建議、廣告最佳化、客戶分類、市場分析、資料擷取等。

IBM Watson Natural Language Understanding隸屬於IBM Cloud Pak for Data的AI應用解決方案，IBM Cloud Pak for Data是一種完全整合的資料與 AI應用平台，可將企業收集、組織與分析資料的方式現代化，並將 AI注入到整個組織中。如需瞭解更多IBM Watson Natural Language Understanding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 – 5. 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31堂課，我們為您介紹：機器學習應用流程 – 5.機器學習成果。

上週我們介紹了「機器學習應用流程」第四步驟 - 改善機器學習結果，這星期我們將針對「機器學習應用流程」中的最後一個步驟 - 機器學習成果進行說明。此步驟主要是學習將原型模型（Rapid Prototype Model）轉換為建立系統時針對回答問題及注意事項所提出相對應結論的策略，根據問題的類型，結論的表達形式也有很大的不同，機器學習成果主要有兩個方面：

報告結果(Report the results)

總結處理問題的流程，即使是小型專案，也可以加快學習速度。

脈絡(Context)：定義問題存在的環境，設立動機以研究問題。
問題(Problem)：簡單描述問題。
解決方案(Solution)：，為上一步驟的問題提出明確的解決方案。
結果(Findings:)：列下在過程中所發現的結果，例如：數據等。
侷限性(Limitations)：考慮模型的可用性，定義模型擅長與不擅長的部分。
結論(Conclusions)：依據前面所留下的線索，進行問題研究與尋找答案。

運行系統(Operationalize the system)

定義好完整模型後，將模型整合到應用程式。在整合之前，應仔細考慮三個關鍵。

演算法可行性 (Algorithm Implementation)：仔細考慮模型可能產生的依賴性與技術負債，並思考演算法調整的過程，然而，可行性取決於演算法的複雜性及實現技巧，即使使用開源代碼，也可能會有許多複雜的整合操作。
模型測試(Model Tests)：編寫自動化測試程式，驗證可以建立模型，並為所有資料撰寫測試案例。
績效追踪(Tracking)：部署基礎架構以隨時監視模型的性能，在準確性降至最低水平以下時發出警報，並根據模型類型適時的學習與更新。