COC 通報處理說明公告 - 20240811 通報事件

各位好，

COSCUP COC 服務小組於 2024 年 8 月 11 日接獲一件通報，內容涉及在會期干擾議程進行；並於會後持續發送私訊予會中結識的講者；同時，該行為人亦被紀錄於活動當日干擾志工執行勤務。

有關此事件的處理過程，詳如下述： COC 服務小組接到通報後，於 8 月 15 日正式成立專案小組進行討論與檢視相關資料。經查，通報內容與 COC 條款「持續干擾議程或活動的正常進行，無視工作人員或與會者的制止」相符。同一行為人於大會期間，另有兩位會眾通報類似事件，COC 服務小組皆已明確指正其行為並重申 COC 規範和界線。綜合此次會後通報，行為人經提醒仍多次抵觸 COC 條例。

有鑒於上述行徑已明確影響 COSCUP 其他會眾之權益，COC 服務小組將依照 COSCUP COC 之辦法記錄事件處理過程及結果、行為人資料等，於籌備團隊組長群資料夾建立文件，以俾後續籌備團隊審慎思量該名行為人未來的參與形式與程度。

在此，感謝會眾願意信任 COC 和 COSCUP 團隊並且將其所遇到的事件於會後彙整提供予我們。另本次通報中，通報人所提及之部分事項，因非屬 COSCUP 大會參與期間和相關行為，已建議通報人另行循其他正規途徑處理。在此聲明， COSCUP 的 COC 落實並非要拒任何人於門外，而是希冀透過針對行為本身的評估，為無論志工、社群協調人、講者、廠商與所有會眾營造舒適與安全的交流環境。

我們在乎所有人於 COSCUP 大會的各種參與體驗與感受，如果您在大會和籌組期間有相關困擾，籌備團隊志工將會竭力協助釐清，希望一同打造友善的 COSCUP 與會環境。

COSCUP 2024 COC 服務小組

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