IT运营人员认为,DevOps和新技术将成为任务完成的关键要素
中国北京——2017年7月25日——领先的实时运营智能(Operational Intelligence)软件平台供应商Splunk公司公布2017 Splunk针对公共部门IT运营调查的结果。
波耐蒙研究所(Ponemon Institute)对全球近1250家公共部门IT决策者和管理人员的调查显示,处于数字化转型中的公共机构对IT运营部门管理不断涌现的新技术、不断变化的公民和任务预期的能力而心存疑虑。尽管IT越来越复杂,受访者还是看到了开发运营(DevOps)对于达成未来任务的有效性。
调查涵盖了国家和地方政府机构、国家安全、应急服务、高等教育院校、航空航天和国防等很多公共部门的IT专业人员。预算总在变化、不断更改的合规要求和现代化举措等一系列因素和趋势导致了信心下降,但针对自动化和增强可视化的新兴技术对当今的公共部门很有帮助。在关键发现中,至少有60%的受访者认为,和12个月之前相比,他们在以下方面的工作中感到自信不足:
波耐蒙研究所(Ponemon Insititute)创始人兼主席Larry Ponemon表示:“我们所看到的信心差距也反映在其他行业和政府的技术发展趋势上,包括越来越多的公众监督、经常出现的资源限制以及最终用户对技术越来越高的期望等问题。对于公共部门来说,从没有像现在这样迫切需要采用分析技术来帮助他们面对和克服这些数据挑战。现在在政府IT部门工作是一种挑战,但仍有很多理由对未来充满希望。因此,公共部门的IT管理者们正在求助于分析、云和开发运营(DevOps)来帮助提高IT管理能力,对此我们应习以为常。”
调查还专门查找了公共部门整体丧失信心的原因。受访者认为,相互隔离的IT系统和技术,以及无法整合这些系统(72%),使他们一直处于一种固定不变的被动反应式的状态中,而不能提前为将来做好计划。IT经理还指出,缺乏端到端的可视化(73%)和太多的报警和误报(55%)是提供服务时面临的最大威胁,同时还缺乏有效完成工作的技能、经验和资源。即使分析工具已经到位,大多数受访者仍然认为这些工具在帮助快速查明问题和确定根本原因方面起不到什么作用(78%)。
调查还发现,由于可视化程度不高、人工操作过多和误报太多,系统中断一次平均要44小时才能恢复,同时需要12.5名工作人员去恢复IT系统的运行状态。IT运营部门既要完成日常的运营工作,又要制定长期的前瞻性IT发展战略,而维护时间过长和混乱等因素常常使他们进一步陷入困境。
尽管信心不足,但公共部门的IT运营人员对DevOps今后的广泛应用非常乐观,大约一半的受访者预计在接下来的12个月中会增加这方面的支出(46%)。此外,受访者也受到新的网络可视化和机器学习技术和能力的鼓舞,认为这可能对未来改善和加强IT运营产生重大影响。
Splunk公共部门副总裁Kevin Davis表示:“毫无疑问,缺乏可视化是动摇IT运营人员和管理人员信心的主要因素。大多数IT决策者不认为或者不确定是否可以用一组数据来解决IT故障排除、服务监控、安全和业务以及任务分析等难题。Splunk已经帮助很多客户解决了这些问题,最终成为分析驱动的企业。通过帮助我们的客户采集数据并将其应用于IT基础设施中,公共部门能够顺利执行IT现代化计划,最终帮助他们完成数字化转型。”
波耐蒙研究所(Ponemon Institute)调查的1227名决策者和业务运营人员来自联邦文职机构(31%)、联邦国防和情报机构(29%)、州和地方政府机构(18%)、高等教育机构(9%),以及包括航空航天和国防承包商在内的联邦系统集成商(13%)等。调查的误差范围为3.8%,置信度为95%。这项调查是于2017年5月通过在线访谈,代表Splunk对至少有100人的IT部门的IT员工和领导进行的。
好文章,需要你的鼓励
TAE Technologies在最新一轮投资中获1.5亿美元,累计融资约18亿美元。公司利用 AI 技术优化融合反应堆设计,目标于 2030 年代商业化发电,谷歌等巨头均参与合作。
这项来自KU Leuven、中科大和上海Memory Tensor公司的研究探索了如何利用拼图游戏训练多模态大型语言模型的视觉推理能力。研究发现,现有模型在未经训练时表现近似随机猜测,但通过强化学习能达到近乎完美的准确率并泛化到更复杂的拼图配置。有趣的是,模型能否有效学习与是否包含明确推理过程无关,且复杂推理模式是预先存在而非突然出现的。此外,研究证明强化学习在泛化能力上优于监督微调,挑战了传统的模型训练范式。这些发现不仅揭示了AI视觉理解的机制,还为未来多模态模型研发提供了重要参考。
Nvidia 正在全球数据中心推广 AI 芯片,其最新 Blackwell 架构在 MLPerf 基准测试中获得最高性能,大幅加速下一代 AI 应用的训练与部署。
这项研究提出了LoHoVLA,一种用于长时序实体任务的统一视觉-语言-动作模型,融合了高层任务规划和低层动作控制功能。与传统方法不同,它利用单一预训练视觉语言模型同时生成语言子任务和机器人动作,并采用分层闭环控制机制增强鲁棒性。研究团队构建了包含20个长时序任务的LoHoSet数据集,实验结果显示LoHoVLA在Ravens模拟器中显著优于现有方法,展现出统一架构在实现可泛化实体智能方面的潜力。