跳到主要內容

Moxa 透過開源軟體社群協作開拓工業級應用

Moxa 透過開源軟體社群協作開拓工業級應用

四零四科技 (Moxa) 致力為全球客戶提供工業互聯網所需的邊緣連網、工業運算和網路基礎設施解決方案。Moxa自1987年創立以來,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30多年豐厚的產業經驗,為全球客戶帶來「可靠連網,真誠服務」,並協助全球工業級系統整合商打造許多關鍵的連網設備,為工業自動化與通訊應用帶來更多可能性,創造長遠的競爭優勢及商業價值。

Moxa 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,應用領域包含智慧軌道運輸、智慧電網、智慧型運輸系統、工廠自動化、石油與天然氣、船舶運輸等眾多產業,並滿足其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,成就全世界更美好、更安全的生活。

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基金會的Civil Infrastructure Platform (CIP) Project 與OpenChain Project,希望透過社群協作發揮綜效。

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 以人為本,工作環境彈性多元,尊重個人生活平衡,曾於2013和2016年榮獲國際權威Aon-Hewitt人力顧問管理公司評選為台灣最佳雇主!總部目前位於新莊宏匯百貨商場內,鄰近台北捷運環狀線和桃園機場捷運線,交通便利;預計四~五年後在同個區域附近蓋建獨棟專屬的總部大樓,讓同仁享有獨立自有的辦公空間。

• 彈性工時:每天採彈性上下班時間,讓員工自主調配出勤時間。
• 重視飲食:自營員工餐廳,支持在地小農採用新鮮食材。
• 運動健康:設立健身中心並安排年度健康檢查,另有多樣社團和公司自辦賽事活動,引領運動風氣來保持健康體魄。
• 志工服務:給予公益假,鼓勵員工參與內外部志工活動,陪伴孩童閱讀學習、推廣生態教育,透過付出富足心靈。

若想多了解 Moxa,歡迎造訪 Moxa 官網。目前另有許多職缺招募中~


查看官方網站


查看職缺頁面

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...