跳到主要內容

Red Hat Open Source 紅帽的開源精神與展望


Red Hat History

數年前,以開源專案為本、以販售穩定維護服務的公司屈指可數,紅帽可說是唯一一家以技術知識服務為盈利模式的軟體公司。

開源精神二十多年前便一直伴隨著紅帽生根、發芽、成長茁壯成現在全球有近兩萬名員工的紅帽企業。時至今日,紅帽公司依舊堅持上游專案開源的產品開發模式,我們相信開放開發者協作的方式可以凝聚開源社群之力、並且實現技術創新以及自由,讓技術選型更加多元化、同時也能夠透過持續接觸我們的使用者,聆聽使用者的聲音、讓產品的發展更貼近使用者真正的需求。

Open Source Spirit

開源中心思想給出了整個紅帽在開發軟體以及協同工作的原則,無論職位高低或經驗多寡,每位紅帽人(Red Hatter)都被鼓勵出謀劃策、協力解決問題。通過聽取並且實踐優秀的點子,可以幫助整個社群得到更好的發展、甚至能夠協助我們的企業客戶做出好的決策。

那麼,開源為這個社會帶來了什麼?

開源精神確實源自於程式碼,然而近幾年來,我們可以發現技術進步之快,開源所帶來的效益早已超越了程式碼的層面。從科技、教育、醫療、商業到農業,高科技領域舉目所見都有開源技術的應用。每一個硬體裝置都需要作業系統才能開始運作,而 Linux 是近十年在硬體設備上安裝數量最多的作業系統,小至空中送貨的無人機、大至航行在宇宙中的火箭,這些嶄新的科技發展背後,是無數行開源貢獻者的智慧結晶。

The Expect & Future

現在,全球頂尖企業逐步擁抱開源、並且鼓勵他們的員工投入開源程式碼的貢獻。那麼身為開源界第一個以開源企業產品、以訂閱模式收取服務費用的紅帽未來的決策是什麼呢?

在開源企業百家爭鳴、日益競爭的戰場上,紅帽將能量放在軟體技術服務、程式碼的整合、最佳化、規模測試以及提供良好的售後技術支援。紅帽企業版軟體同樣是開源軟體,所有人都可以毫無保留的獲得原始碼,如果有了訂閱服務,就能夠獲得全球紅帽技術專家的諮詢服務。

同樣的,取之於社會、回饋於社會。除了大規模投入開源技術發展,在各個領域協助客戶取得業務成功之外,紅帽亦在人文方面以自身企業為首,推動平等以及自由。舉例來說,紅帽亦連續數年贊助 Woman in IT Awards,鼓勵女性投入 IT 發展,在紅帽內部亦有許多領導職位是由女性擔任。

未來,紅帽將繼續引領開源潮流,鼓勵更多熱血的貢獻者加入,取之於上游、回饋於上游,唯有持續不斷的資源投入,才能讓開源精神持續下去。

最後跟大家報告一個好消息! 登登登 !

Red Hat Taiwan 首屆實習生招募開始啦~~~ 而且偷偷說,有很大的機會可以轉正喔!!! 如此千載難逢的機會千萬不要錯過!

7/31 & 8/1 活動當天在線上大會上將有機會遇見 Red Hat TAM 現身說法,在會場上經過他們的話絕不要錯過、把握緣分好好聊聊 TAM 到底在做什麼,而 Red Hat 工作環境與文化又是如何,未來將會有什麼樣的舞台,就等你好好來發掘!

We are Red Hat and we’re hiring! Join us in creating a brighter future!

投遞履歷請掃描這個 QR Code,或者點此前往投遞履歷!

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...