2017年7月15日,Strata大数据峰会在北京顺利召开。Kyligence联合创始人兼CEO韩卿做了题为《释放大数据生产力》的主题演讲,介绍了在大数据已成为企业核心竞争力的时代,Kyligence如何为企业提供进一步提升生产力的大数据分析平台和技术 ,同时,韩卿宣布Kyligence企业级大数据智能分析产品Kyligence AnalyticsPlatform(KAP)最新版旗舰产品——KAP2.4正式发布。
作为Apache Kylin的企业级产品,KAP为用户提供了更快的性能、更好的设计工具、更多的企业级特性等。本次发布,标志着KAP产品的进一步成熟,且完善了KAP作为Hadoop上的数据仓库等能力。
当天,在Kyligence举办的线下活动上,Hadoop之父Doug Cutting发表了题为《Hadoop生态圈的下一个10年》的演讲,介绍了站在十年之际的Hadoop将如何规划下一个10年的发展。同样是在该活动上,韩卿则就Hadoop上的大规模联机分析(OLAP)引擎、中国首个Apache软件基金会顶级开源项目——Apache Kylin的历史做了简要分享,并展望了Kylin未来的发展路线图。Kyligence产品总监刘一鸣分享了KAP最新版本的新特性,详细阐述了KAP如何从一个OLAP引擎逐渐成熟为大数据的数据仓库标准产品。
KAP是Kyligence提供的基于Apache Kylin的企业级大数据智能分析平台,在PB级数据集上提供亚秒级标准SQL查询响应,支持互联网级的高并发访问,赋能分析师以行业标准的数据仓库和商业智能方法论架构DW on Hadoop解决方案。KAP为商业用户、分析师和工程师提供了统一的分析平台,支持自助式建模,无需编程,并与主流BI工具实现无缝集成,在开源Apache Kylin核心功能之外,在企业用户所关注的实施效率、安全控制、性能优化、自助式敏捷BI、系统监控和管理等方面进行了全面创新和增强。作为Hadoop上的原生OLAP解决方案,KAP基于Hadoop标准接口与集群交互,兼容主流Hadoop发行版,支持私有数据中心及云端部署安装。
“KAP已在诸多行业中得到了认可,如金融、保险、电信、汽车制造、互联网等,但随着应用行业的多样化及用户需求的个性化,进一步优化KAP用户所关注的成本与效率,成为KAP2.4版本的核心发力点。”在会后的采访中,韩卿介绍道。
以数据建模为例,不管在商业分析还是数据科学中,数据建模都是数据价值挖掘最核心的一环,如何提高分析师自助建模的能力,成为企业级数据仓库产品的核心重点。KAP2.4推出KyStudio建模中心,以交互式的、直观的、可拖拽式的建模体验,为用户提供零门槛上手的大数据建模体验,帮助分析师将对业务的认知无偏差地转化为数据模型。
此外,拓宽用户分析场景也是KAP2.4版本的一大亮点。尽管大数据分析的影响力已在各行各业渗透,但满足各行各业不同的业务分析场景需求,始终是一大难点。KAP2.4在推进预计算建模场景下超高性能查询体验的前提下,通过无缝集成Spark等开源大数据引擎,通过查询下压,在完全支持各种SQL on Hadoop的同时,充分利用Kylin的预计算能力提升了性能和效率,缩短了从源表导入到自助查询的时间间隔,全面支持分析师自主地探索数据的业务价值。具体到商业应用中,无论是要求高并发查询性能的生产场景,还是数据探索灵活性需求的业务探索场景,均能得到满足。
“除了对数据建模及用户分析场景进行优化,KAP2.4还通过全面增强智能建模功能提升企业建模效率。“韩卿谈道,KAP2.4全面提升了建模的智能性——为用户提供更丰富的语义层,赋予用户预定义复杂业务逻辑的能力;内置数据模型检的工具,护航建模,避免数据分布问题带来的模型重构;内置一键优化工具,协助用户设计出最优性价比的数据模型,有效降低建模的学习曲线;根据查询所需维度数,精确减少立方体构建计算量,有效缩短构建时间。
KAP2.4是目前最新的Apache Kylin企业版,具有最好的性能和易用性,同时经过了Kyligence严格的性能、兼容性等各方面的测试,与最新版本的Apache Kylin完全兼容,并已经对各大主流Hadoop发行版做了认证测试。
好文章,需要你的鼓励
UniR(Universal Reasoner)是一种创新的推理增强方法,可为冻结的大语言模型提供即插即用的推理能力。由韩国科学技术院研究团队开发,该方法将推理能力分解为独立的轻量级模块,无需改变主模型结构。UniR的核心优势在于高效训练(仅更新小型推理模块)、出色的模型间迁移能力(小模型可指导大模型)以及模块组合能力(多个专用模块可通过logits相加组合使用)。在数学推理和翻译测试中,UniR显著超越现有微调方法,展示了轻量级模块如何有效增强大语言模型的推理能力。
Nebius团队开发了SWE-rebench,一个自动化管道用于从GitHub收集软件工程任务并进行去污染评估。该系统解决了两大挑战:高质量训练数据稀缺和评估基准容易被污染。通过四阶段处理(初步收集、自动安装配置、执行验证和质量评估),SWE-rebench构建了包含超过21,000个Python交互式任务的数据集,并提供持续更新的评估基准。研究发现部分语言模型在传统基准上的表现可能被污染效应夸大,而DeepSeek模型在开源模型中表现最为稳健。
这项研究提出了JQL(发音为"Jackal"),一种通过多语言方法提升大型语言模型预训练数据质量的创新系统。研究团队从拉马尔研究所等机构通过四阶段方法解决了多语言数据筛选的难题:先由人类评估内容教育价值创建基准数据,然后评估大型语言模型作为"评判者"的能力,接着将这些能力提炼到轻量级评估器中,最后应用于大规模数据筛选。实验表明,JQL在35种语言上显著优于现有方法,甚至能泛化到未见过的语言如阿拉伯语和中文,为多语言AI发展提供了高效可靠的数据筛选方案。
浙江大学和西湖大学研究团队开发的Styl3R实现了艺术风格化3D重建的重大突破,能在不到一秒内从少量未标定照片和任意风格图像创建具有多视角一致性的3D艺术场景。通过创新的双分支网络架构将结构建模与外观着色分离,系统不仅保持了原始场景结构,还准确捕捉了参考风格特征。与现有方法相比,Styl3R在处理速度和视觉质量上均显著领先,为创意内容制作开辟了全新可能。