VMware与IBM双方已经公布一项合作伙伴协议,其中虚拟巨头将把超过1400套客户VMware环境引入IBM云。据称Honeywelll国际与沃达丰等知名企业亦在此次环境迁移之列。
在本周二于巴塞罗那召开的2017年VMworld欧洲大会上,两位技术巨擘宣称这一合作伙伴关系旨在应对将现有VMware工作负载由本地环境扩展至云端所出现的种种挑战。迁移工作无需对运营机制进行重新设计,亦不会影响到应用程序以及安全政策的正常起效。
根据两家公司的说法,各企业客户能够立足云端运行其VMware工作负载,同时利用IBM的AI与分析服务作为现有VMware部署方案的扩展选项。
IBM云业务总经理Faiyaz Shahpurwala补充称,“目前几乎各个行业的企业都希望利用云技术实现现代化转型并创造新的商业机遇。IBM与VMware的合作关系已然促使逾1400家企业快速轻松地过渡至云安全级别,并通过全面接入丰富的IBM Cloud服务目录以改进其工作负载(IBM Cloud服务目录具体包括AI、数据与分析、物联网以及无服务器等等)。”
Honeywell国际的性能素材与技术部门表示,选择IBM Cloud作为其开放虚拟工程平台的基础,能够确保其用户在蓝色巨人的云环境中构建并测试工程流程。
Honeywell流程解决方案总裁Vimal Kapur表示,通过迁移至IBM Cloud,Honeywell能够利用云端的现有工具、技术与运营流程,同时还能够使用HyTrust与英特尔提供的数据保护与安全功能。
Kapur解释称:“Honeywell正在开发下一代技术方案,以便各制造商与工厂经营者能够更好地应对诸如效率、生产力、可靠性、安全设备以及安全性等挑战。”
“IBM与VMware之间的合作关系使得Honeywell能够为全球客户提供全新的工业自动化技术,例如开放性虚拟工程平台。”
另外,沃达丰与IBM亦公布了一项新服务,旨在确保前者能够将其基于VMware的工作负载从沃达丰自主托管的私有云内迁移至IBM Cloud。
VMware与IBM同F5 Networks、Fortinet也保持着合作关系,旨在为客户提供更进一步的网络控制能力,从而增强公有云的安全性水平。
据悉,2017年第四季度,F5 Networks的BIG-IP虚拟套件产品将能够在IBM Cloud中与VMware门户解决方案相对接。与此同时,Fortinet的FortiGate-NGFW虚拟设备与捆绑服务亦将在IBM Cloud中服务于VMware门户解决方案。
本周二公布的消息还指出,IBM公司将采用VMware HCX技术以实现云环境之间的大规模应用迁移与持续可移植性。
此外,该公司解释称,在2017年第四季度,VMware Horizon Cloud服务也将由IBM Cloud提供,并将作为一款IBM全面云托管型受控服务以端对端形式进行交付,或者作为一款用于内部部署型超融合基础架构的混合式解决方案以实现桌面即服务(简称DaaS)的全新应用实例。
由于此前IBM Cloud已经获得了VMware Cloud认证授权,所以此次新方案的发布亦相当于得到虚拟巨头的全面认可。
IBM公司在2017年VMworld 欧洲大会上与戴尔-EMC共同宣布,IBM与VMware确定合作关系并将在IBM Cloud上提供VMware解决方案。
同样在本周二于巴塞罗那亮相的,还包括IBM Cloud之上的VMware SAP认证解决方案以及新的SAP认证裸机服务器。
好文章,需要你的鼓励
这项研究介绍了一种名为FlowPathAgent的神经符号代理系统,用于解决流程图归因问题。研究团队提出了流程图精细归因这一新任务,构建了FlowExplainBench评估基准,并开发了结合视觉分割、符号图构建和基于代理的图形推理的方法。实验表明,该方法在归因准确性上比现有基线提高了10-14%,特别在处理复杂流程图时表现出色,为提升人工智能系统在处理结构化视觉-文本信息时的可靠性和可解释性提供了新途径。
这项研究首次从神经元层面揭示了大型语言模型(LLM)评估中的"数据污染"机制。研究团队发现当模型在训练中接触过测试数据时,会形成特定的"捷径神经元",使模型无需真正理解问题就能给出正确答案。他们提出了一种新方法,通过识别并抑制这些神经元(仅占模型总神经元的约1%),成功恢复了模型的真实能力表现。实验证明,该方法与权威可信基准测试结果高度一致(相关系数>0.95),并在不同基准和参数设置下都表现出色,为解决LLM评估可信度问题提供了低成本且有效的解决方案。
这份来自向量研究所、康奈尔大学和格罗宁根大学研究团队的综述分析了基于大语言模型的代理型多智能体系统中的信任、风险和安全管理框架(TRiSM)。研究系统地探讨了代理型AI从概念基础到安全挑战,提出了包含治理、可解释性、模型运营和隐私/安全四大支柱的TRiSM框架。文章还详细分析了威胁向量、风险分类,并通过真实案例研究展示了潜在脆弱性。
这项研究提出了一种名为ConfiG的创新方法,通过生成针对性的数据增强样本来解决知识蒸馏中的协变量偏移问题。研究团队利用教师模型和学生模型之间的预测差异,引导扩散模型生成那些能挑战学生模型的样本,从而减少模型对训练数据中欺骗性特征的依赖。实验表明,该方法在CelebA、SpuCo Birds和Spurious ImageNet数据集上显著提升了模型在缺失组别上的性能,为资源受限环境下的AI应用提供了实用解决方案。