跳到主要內容

走向國際,台灣開源貢獻者前進香港開源年會

開源人物誌第二期,將紀錄 COSCUP 遠征隊前進香港開源年會的故事。本篇特別收錄多位香港開源年會的 CSOCUP 講者,分享自己投入開源貢獻的故事。

跨出台灣,勇闖香港
亞洲最大開放源碼研討會開源人年會(COSCUP),於今年 6 月 14、15 日率領台灣開源人前進香港,參加香港開源年會 HKOSCon。由 COSCUP 與 HKOSCon 共同徵選出十二大精彩題目,分享在台灣推動的軟體專案與開源貢獻故事,讓台灣再次以不同的方式躍上國際舞台發光發熱。

COSCUP 繼去年攜手亞洲其他兩大開源社群打造亞洲有史以來最豪華的資訊年會,今年 COSCUP 更進一步,前往世界各地的年會進行交流,與世界各國開源人分享台灣開源活動。合作第一站將前往香港參加香港開源年會,分享台灣開源人在開源路上的努力與貢獻。今年香港開源年會將於 6 月 14 及 15 日於沙田科學園舉行,作為香港開源年會的國際合作夥伴,台灣 COSCUP 享有專門的特殊議程軌。港台的首次合作,吸引眾多的台灣開源人爭相投稿。經由台灣 COSCUP 與香港 HKOSCon 團隊討論後,選出數個題目,將於 6 月 15 日的特殊議程軌分享,讓台灣開源故事在香港開源人舞台上發光發熱。

搔自己的癢,走出困境開源經驗
本次 COSCUP 香港議程軌,有台灣開源貢獻大前輩 Freedom 帶來 Tensorflow Lite 主題。Tensorflow 為目前最受歡迎的機器學習套件之一,Tensorflow Lite 是可以運行在移動裝置(mobile)上的套件。Freedom 最初接觸的原因只是單純「因為想學新東西」而開始使用 Tensorflow Lite,後發現在開發文件上時常有所缺漏,秉持開源的精神,決定自己下來貢獻。「搔自己的癢」Freedom 強調,Freedom 認為,在資訊工程領域中,過去與現在的基礎理論都是一樣的,過去只有在 BSD 中才可以看到較完整的原始碼,現在則是有很多資料來源,但是不論資料的多寡,重要的是要自己親子動手做,做了以後才會知道好是不是真的好,是不是真的符合預期。

知名 DAPP 開發團隊魚王團的 CEO 黃西西,也參與本次 COSCUP 香港遠征隊,分享區塊練在遊戲尚的開發與重要性。黃西西說「過去受益於產業,因此現在想要回饋」,而回饋的方式很重要,當自己站在產業的前端,會希望將知識學習出來分享給大家」。同時黃西西也認為,DAPP 開發中,不可以不公開原始碼,因此開發者可以比對不同 code 實作的方法,與 open source 有密不可分的關係,是相輔相成。在鈺登科技工作的資深工程師黃宇強,則帶來自己的開源專案「 EZIO系統」介紹,黃宇強分享到,因碩班時期在交大計算機中心實習的管理電腦的困境,而透過 SDN 技術開發出 EZIO系統,解決在交大計算機中心所遇到的問題,目前其提出的解決方案使用人數也節節攀升中,未來將朝優化系統架構與 license 努力。

學生力量的展現,專注研究貢獻開源
除了業界的工程師以外,更有台灣各地的學生參與。如來自台大的學生劉安齊,認為「分享是一件很棒的事情」,透過自身學習 Rust 語言的經驗,以資料庫管理系統為實例,帶領大家認識 Rust 語言。Rust 語言與 C++ 非常相似,但有更加嚴謹的記憶體限制,因此在平行化與 concurrence 上更為安全。來自成大的陳奕勳同學,則介紹形式化驗證,陳奕勳同學認為,形式化驗證雖然是數學,但又不像傳統數學,更多的是符號的運算,強調邏輯與釐清歸屬,更舉出 NASA 導入形式化驗證的專案例子,說明形式化驗證的重要性。現在科技中,越來越強調 AI 與深度學習的開發,而這兩種技術都有一個共通點:需要大量的資料。成大的 Vivian 與冠廷,同樣來自成大分散式帳本實驗室,以分散式帳本技術降低買賣資料的風險為主軸,介紹實驗室在去中心化、區塊鍊上的研究成果。

開源起於資訊產業,但不止於資訊產業
除了各式技術開發,COSCUP 也帶來「非工程師也可以努力的開源貢獻」,包含將自己的專業帶入開源活動,協助推動開源軟體、年會、技術的推廣,進行不同領域的專業技術交流,分享不同領域的工作經驗與產業思維,或是協助培育台灣學子參與開源專案,都是貢獻的一種方式。透過本次合作,COSCUP 透過開源,展現台灣共享、回饋與解決問題的實力,讓技術能更快速地進步,奠定台灣的系統軟體良好的基礎,將台灣推上國際。眾人之事,眾人助之,城市和社會,COSCUP 通過開源的理念來分享對於台灣的熱愛;透過對開源的熱愛,COSCUP 突破空間與地點的限制,將台灣的開源故事散播世界各地,讓台灣再次被國際看見。

留言

這個網誌中的熱門文章

鑽石級贊助商 - KKBOX 帶你打造具備 NLP 功能的 Telegram Bot (上)

打造具備 NLP 功能的 Telegram Bot(上) 最近因為一些契機學了 Python 3,用它做了一個 Telegram Bot ( GitHub 連結 ),裡面用到 NLP Service,用上下兩篇文章記錄一下實作過程還有眉角。上篇首先教大家如何做一個最基本的回聲 Chatbot,接下來我們可以透過 NLP 服務,讓 Chatbot 根據使用者不同的訊息做回答,這樣就變成更加人性化的聊天機器人囉! 使用的工具及服務: Python 3 (for develop) pipenv (for dependency management) OLAMI (for NLP) ngrok (for testing) Step 1. Creating new bot Telegram 很有趣的地方在於,與其他通訊軟體(Line、Messenger)相比,開發者管理 Bot 的方式也是透過官方提供的一位 Bot 在處理的,它叫做 BotFather (眾 Bot 之父 XD)。如果已經有 Telegram 帳號,只要加 BotFather 為好友,就可以開始管理你的 Bot。 加入 BotFather 好友後,它會親切地問候,並告訴你他能為你提供什麼服務。 I can help you create and manage Telegram bots. If you're new to the Bot API, please see the manual ([https://core.telegram.org/bots](https://core.telegram.org/bots)). You can control me by sending these commands: /newbot - create a new bot /mybots - edit your bots [beta] /mygames - edit your games ([https://core.telegram.org/bots/games](https://core.telegram.org/bots/games)) [beta] Edit Bots /setname - change a bot's name /setdescr...

COSCUP 2025 Call for Proposals / 徵稿辦法

COSCUP 常規徵稿已於 2025-05-10 截止,接下來進入加碼徵稿階段。加碼徵稿是為了提升大會的稿件品質,依據投稿狀況(數量、品質)部分徵稿主題可能提前喊停。最遲請於 05 月 24 日(AoE) 前投稿,徵稿主題可參考下方列表。 The regular call for proposals (CFP) for COSCUP closed on May 10, 2025. We are now entering the bonus CFP phase to improve the quality of submissions. Some topics may close earlier than expected, depending on the current status of submissions (in terms of quantity and quality). Please submit by May 24 (AoE) at the latest. You may refer to the topic list below for inspiration. 開始投稿 Submit Your Proposal 提案須知 Things you may need to know 演講形式:預設為現場30分鐘演講包含QA,若有其他需求可於提案系統註明,由各主題主辦單位決定如何安排。 Talk Format : The default format is a 30-minute on-site talk, including Q&A. If you have other requirements, please indicate them while submitting your proposal. The final arrangement will be decided independently by the organizers of each topic. 語言:COSCUP 受眾包含海內外與會者,大會不限制發表語言但鼓勵以英語發表。大會將公布雙語議程表,請提供中英文版議程介紹。 L...

機器學習的五大實務問題:對企業的影響與相應的化解方式

Appier 首席機器學習科學家 林守德博士 正如 Jason Jennings 及 Laurence Haughton 在《以快吃慢–如何藉速度在商戰中克敵制勝》一書中指出──未來,不是大公司吃掉小公司,而是速度快的公司吃掉速度慢的公司。 從現在開始,唯有善用適當的資訊快速做出決策的企業,才能成為戰場上的贏家。 機器學習技術驅動了這場變革。無論企業是嘗試向顧客提出建議、改進生產製造流程或應對市場的變動,都能運用機器學習技術處理大量的資料,進而提高自身的競爭優勢。 然而,機器學習雖能創造大好機會,卻也同時帶來了相應的挑戰。機器學習系統需要大量的資料,以及執行複雜的運算能力。顧客期望改變、出乎意料的市場波動等等外部因素,都意味著機器學習模型的運作並不是百分之百的自動,往往仰賴許多外部的資源來作監控及維護。 此外,機器學習也有不少尚待解決的實務問題。以下將深入探討機器學習的五大實務問題,以及這些問題對企業應用會產生的影響。 1. 資料品質 機器學習系統仰賴資料進行訓練,而訓練資料在廣義上可分為「特徵」及「標籤」兩種類別。 「特徵」是輸入機器學習模型的資料,像是來自感測器、顧客問卷、網站 cookie 或歷史資訊等等。 然而這些特徵的品質可能良莠不齊。舉例而言,顧客在填寫問卷時可能會隨便填寫,或對題目略而不答;感測器可能因失靈而回傳錯誤資料;即使使用者的網頁行為明確,網站 cookie 回報的資訊也可能不完整。 此外,資料也可能包含雜訊,當無謂的資訊夾雜其中時,機器學習模型將會受到誤導而做出不正確的預測。 相較於「特徵」,「標籤」的正確性與穩定度更為重要。標籤是機器學習模型最後輸出的結果。所以需要在訓練的時間利用正確的結果教導機器學習模型。標籤的稀疏性也是個問題,這是當系統已掌握大量輸入的資料卻對輸出的結果沒有把握時出現的現象。在這樣的情況下,將難以針對該模型偵測其特徵與標籤之間的關聯性優化,甚至需要耗費額外的人力干預,將標籤與輸入資料關聯起來。 機器學習需仰賴輸入與輸出資料的關聯,才能具備足夠的泛化能力以預測未來行動並提供相關建議。因此,如果輸入資料過於雜亂、殘缺或有所偏差時,將可能難以理解某輸出/標籤的產出原因。近年來機器學習也開發出許多先進的方法如半指導式學習,轉移學習來處理這樣的問題。 2. 複雜性與品質的取捨 建立強大的機器學習模型需要大量的計算資源來處理特徵和...