中国最大的电商解决方案供应商
宝尊为在中国、香港和台湾的品牌合作伙伴提供电商解决方案。该公司提供端到端包括IT基础平台的建立和整合、在线商店的设计和数字营销等活动。
挑战:
迁移到一个可随着业务增长而迅速扩展的IT基础平台
解决方案:
Rackspace 托管服务
最佳云部署实践方案
宝尊面对四个需要迅速解决的问题:
● 中国的零售电商惊人的业务增长速度
● 提高工作效率
● 网络安全
● 优化基础平台性能
中国的零售电商业务增长速度
据 eMarketer 发布的数据,中国在2015年已超越美国成为世界上最大的零售电商市场,在2017年中国零售电商销售额更超过1.21万亿美元。因此毎个电商业务都是在扩展上面临其独特的挑战 。
例如,当网上促销活动展开时,宝尊看到了销量明显颷升,有时是比正常一天销售的100倍。在2015年的双11期间,宝尊在第一个小时内处理了高达650,000个订单,而在24小时内则处理了350万个订单。宝尊需要解决其IT操作的扩展能力问题,特别是服务器在处理高需求时的应变能力。
提高工作效率
宝尊的IT基础平台团队内会有超过20名员工持续24小时地工作,确保公司的基础平台正常运行。这个团队维护服务器的时间每月超过200小时。工作内容涉及从机架安装和移除服务器、处理硬件问题、管理备份和远程存储、定期检查、实物资产管理和联系他们以前的托管供应商 。当宝尊内部的IT基础平台队伍无需负担维护工作后, 则大大提升工作效益。
网络安全
针对网络安全管理,电商必须依据严格的指引,符合全球的法规和条例以及具有应对有关数据保护的挑战的解决方案 。
优化基础平台性能
宝尊力求为客户提供99.95%可用时间的 SLA 保证。随着客户的业务快速增长宝尊必须不断发展基础平台,以及优化其相关的性能。
解决方案
使用 Rackspace 服务之前,宝尊所有数据是托管在互联网供应商的服务器上运行。随着业务增长快速,服务器的负载也一样地増加;而服务器的容量也必然地增加,要确保每天运行顺利和服务器的维护,为宝尊带来了很大的压力。
宝尊转用 Rackspace 私有云托管服务来满足业务不断增长的需求,为客户提供优质的服务,并保持在大中华地区和亚洲市场的领导者地位。
宝尊首席技术官 Tony Wu说:“特别值得赞许的是 Rackspace 提供的服务水平包括客户响应服务,不但是用时最短的,而且定价也极具竞争力。之外,Rackspace可以提供的私有云服务,也是电商运作的一个关键要求。”
运营效益
在宝尊以前的托管模式下,部署新的服务器大约需要25天,步骤包括确认新的要求和服务器的配置、内部审批、交货时间、最后配置和安装到机架。使用 Rackspace的服务后,宝尊只用了不高于5天的时间去部署。这种快速的过程只需要确定宝尊的托管要求和服务器配置和客户订货,其余都由Rackspace处理。迁移到云平台后,除了减少实施时间外,宝尊还消除了每月200小时维护服务器的负担 。
与此同时,Rackspace为宝尊IT团队在最佳的云部署实践上带来了新的见解。这不但节省了雇用额外人员处理迁移工作的时间及相关费用, 还利用高性能存储,迁移到的云平台相对于在 UNIX 基准下的传统机架式服务器,带来了 5% 的整体性能改善。
宝尊的云部署方法是混合云。到目前为止,我们只把第一个面向客户的运作层面,以及我们一些仓库和订单管理系统转移到云。另外,一部分的运作仍然使用我们的互联网服务器,未来我们计划在迁移更多到云平台上,也会考虑使用 Rackspace私有云服务方案。特别是在中国,合规问题是企业的一大担忧。在迁移过程中,Rackspace凭借对中国市场的了解,提供专家指导、端到端的管理解决方案,让企业可以在不断变化的全球市场上持续发展。
结果与成效
√ 新客户部署云服务所需时间 由25天减少到5天
√ 减省每月200小时维护服务器的时间
√ 给予客户不低于99.95%可用时间的保证
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。