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
三星与AI搜索引擎Perplexity合作,将其应用引入智能电视。2025年三星电视用户可立即使用,2024和2023年款设备将通过系统更新获得支持。用户可通过打字或语音提问,Perplexity还为用户提供12个月免费Pro订阅。尽管面临版权争议,这一合作仍引发关注。
浙江大学团队提出动态专家搜索方法,让AI能根据不同问题灵活调整内部专家配置。该方法在数学、编程等任务上显著提升推理准确率,且不增加计算成本。研究发现不同类型问题偏爱不同专家配置,为AI推理优化开辟新路径。
苹果M5 MacBook Pro评测显示这是一次相对较小的升级。最大变化是M5芯片,CPU性能比M4提升约9%,多核性能比M4 MacBook Air快19%,GPU性能提升37%。功耗可能有所增加但电池续航保持24小时。评测者认为该产品不适合M4用户升级,但对使用older型号用户仍是强有力选择。
清华大学研究团队提出SIRI方法,通过"压缩-扩张"交替训练策略,成功解决了大型推理模型"话多且准确率低"的问题。实验显示,该方法在数学竞赛题上将模型准确率提升43.2%的同时,输出长度减少46.9%,真正实现了效率与性能的双重优化,为AI模型训练提供了新思路。