Moxa 透過開源軟體社群協作開拓工業級應用

Moxa(四零四科技)擁有30多年豐厚的工業聯網經驗，致力促進全球的工業物聯和啟動連網創新。自1987年創立以來，Moxa不斷尋求突破與創新，成為全球第一大串列設備及全球前三大工業通訊設備製造供應商，憑藉在連網基礎解決方案上的獨特優勢，為全球客戶建置可靠的工業網路，讓自動化所需的設備能與系統、製程和工作人員相互連結、溝通和協作，不僅為智慧軌道運輸、智慧電網、智慧型運輸系統、工廠自動化、石油與天然氣、船能運輸等眾多產業提升生產效率與生產力，並在險峻的作業環境和不適合人類到訪之處實現自動化作業所必備的連網需求，為人們成就更安全的工作環境和生活。

Moxa除了自行開發之作業系統之外，更使用Linux開源軟體作為眾多產品的嵌入式平台基底，不斷拓展工業互聯網應用。然而，如何讓開源軟體能夠達到工業級應用所需之可靠度、安全性與長期維護需求，同時滿足開源軟體相關授權規範與開源社群成果共享的之理念，成為Moxa推動工業物聯網的一大挑戰。因此，Moxa加入Linux基金會之Civil Infrastructure Platform (CIP) Project並引用OpenChain Project定義之開源授權規範標準，希望透過社群協作發揮綜效。

Civil Infrastructure Platform (CIP)是Linux基金會的其中一項重要專案，主要以工業級嵌入式系統建立Linux共同開源基礎，並應用於眾多城市基礎建設相關系統。除了Moxa之外，CIP成員包括 Siemens、Toshiba、Renesas、Cybertrust、Codethink、Plat’Home，以及Hitachi 等各國企業，並組成了五個工作小組：
1. Linux Kernel and Realtime Linux Kernel (Chair: Moxa)
2. Testing (Chair: Renesas)
3. CIP Core Package (Chair: Toshiba)
4. Software Update (Chair: Toshiba)
5. Security (IEC-624443) (Chair: Renesas)
OpenChain是Linux基金會另一項重要專案，讓開源軟體在產業供應鏈協作中更容易符合開源授權規範，而且能更一致，並從中讓開源授權合法性變得更可預測，可理解和有效。藉由OpenChain規範可有效管理開源軟體，降低使用開源軟體所衍生之相關管理成本並降低企業營運風險。

開源軟體是全球開源社群工程師協作的成果，Moxa致力參與開源社群協作讓開源軟體符合工業領域之需求，開源軟體不僅能支援工業物聯網的運作，同時也是產業創新的基石。Moxa邀請您一起透過開源軟體協作，推動技術與產業發展，為人類帶來更美好的生活！

Moxa官網: https://www.moxa.com
Moxa招募網站: https://tas-moxa.taleo.net/careersection/mx_ext/jobsearch.ftl?lang=zh_TW

留言

這個網誌中的熱門文章

利用 Jitsi 建立個人化的視訊會議平台

近期因為疫情的關係，越來越多企業開始實施分流或在家工作，視訊會議的需求也日益增加。在商用解決方案選擇上，有不少企業會選擇知名品牌的產品，例如 Cisco Webex 、 Google Meet 、 Microsoft Teams 、 Zoom 都是很不錯的方案。 KKBOX 集團在去年便試行及做好充分 work from home 的準備，今年五月也因應疫情升溫，全員 work from home 至今兩個月有餘。當然，取之 Open Source，也要對社群有些貢獻。在這一屆 COSCUP，我們要來介紹 Open Source 圈中也很知名，效果也很不錯的一套視訊會議平台： Jitsi 。除了基本的視訊會議功能外，在最後我們也會示範如何透過 Jitsi 畫面輸出到 YouTube/Twitch 或其他支援 RTMP 的平台進行直播。由於篇幅有限，且 Jitsi 可以調整的細節非常多。今天我們純粹很快速的示範，如何簡單的建置出一個 Jitsi 環境，並提供單場會議內容錄影或直播。 Jitsi 的文件可以在這裡找到。今天透過 AWS Lightsail 的 $10/month instance（1 core CPU + 2GB RAM + 60GB SSD），作業系統則是 Ubuntu 20.04 來示範。當然，使用其他 VPS 亦可，大同小異，這邊直接跳過 VPS 相關的建置過程。 *firewall 相關資料參考這裡及這裡。針對系統做必要的更新基本的 apt repository 更新： $ sudo apt update 因為後面要示範的會議錄影及直播需要使用 ALSA loopback device，如果是 EC2 or Lightsail 則需要額外安裝 generic kernel( 註 )： $ sudo apt install linux-image-generic linux-headers-generic linux-image-extra- virtual 接著做系統套件們的更新： $ sudo apt dist-upgrade $ sudo apt autoremove 如果是 AWS EC2 or Lightsail 則需要另外再將預設的 AWS optimized kernel...

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...

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...

COSCUP 開源人年會

搜尋此網誌