運用IBM Information Lifecycle Governance提升數據安全治理能力

IBM Information Lifecycle Governance (ILG)在數據生命週期管理流程中協助商業訊息與資料的全方位管控，透過可靠的ILG工具與流程圖，可以有效提高透明度、防止處理過多的數據。從數據被創建到刪除的過程中，ILG提供自動執行關鍵DataOps流程，例如記錄管理、電子發現、法規遵從、儲存最佳化以及資料遷移，還可以針對非結構化數據進行深入評估，為使用者建議銷售策略。

IBM Information Lifecycle Governance (ILG) 的產品特色：

• 簡化電子數據展示和目標定義
  提供簡易且全面性電子數據展示流程，透過識別與定位重要訊息，即早了解以減少非結構化數據量及管理成本，例如StoredIQ for Legal為法律與IT團隊識別、探索關鍵數據、獲得更深入的訊息，並採取合適的策略行動。
• 有效進行數據評估和與管理
  協助識別非結構化數據並對其進行處理，無需將數據移至儲存庫或應用程式，避免高價值數據進行多餘的訊息處理，而導致高額的成本與洩漏資料的風險，大大提高資料的安全性。
• 保護數據並滿足法遵需求
  自動判斷與保護敏感的個人資料，例如信用卡資料及個資等，同時遵守法規要求，降低業務風險。

如需瞭解更多IBM Information Lifecycle Governance (ILG)的相關優勢，請立即聯繫北祥資訊。

AI小學堂 – 今天教您「運用MLOps加速實現AI創新」

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32堂課，我們為您介紹：運用MLOps加速實現AI創新。

Machine learning operations (MLOps) 是近幾年在機器學習領域中開始被提出來的作業方法論，MLOps參考了軟體工程領域中開發與維運一體化方法(DevOps)，並試圖定義出一個更加可靠和高效率的流程來提升機器學習模型開發、部署和維運的整個循環過程。機器學習模型開發在本質上屬於一種多階段性的實驗過程，失敗的模型通常也是整個過程重要的一部分。作為一個持續發展中的專業領域，資料科學家們仍然持續不斷地在嘗試中獲得突破性的發展，然而有時一個成功的機器學習模型仍有可能到了第二天卻無法得到相同的預測結果。因此，唯有透過一個可靠且值得信賴的流程，同時採用相同且一致性的績效衡量標準，才能有效地降低機器學習模型開發的時間並建構出更好的預測模型。

倡導Machine learning operations (MLOps) 的專家，無不希望讓模型開發人員、模型部署人員以及管理與維運模型應用環境的人員，都能在一個標準化的作業流程中協同運作，發揮出團隊運作的最大價值。這些專家們將MLOps整理出以下建議的概念性作法：

• 從現有的產品及服務中延伸並擴展出對AI服務的需求。
• 採用模塊化的開發方法 (modular approach)。
• 針對相同的AI服務需求同時開發多個模型，降低單一模型失敗所產生的整體性風險 (parallel model development)。
• 先以預先訓練好的模型進行概念性驗證 (having pre-trained models)。
• 先產生出一組經驗證可成功運行的通用型演算法 (Generalized algorithms)，後續再針對特定需求進行細緻化的模型訓練。
• 縮小訓練數據與正式數據之間的差距，避免過度學習 (avoid overfitting)。

完整的人員編制是導入MLOps作業方法論的最大障礙，例如負責機器學習模型開發的人員就不太適合管理與維運整合模型預測服務的應用系統。一個最好的MLOps團隊必須兼容並蓄，融合不同領域的專家們，讓更多的創新想法加入到團隊中，集結眾人之力加速在企業中實現AI創新。