Splunk首个物联网解决方案通过扩展对连接设备的数据访问权限,帮助工业企业降低成本并提高绩效
中国,北京——2018年10月12日——致力于将数据转化为行动和价值的Splunk公司宣布全面推出Splunk的首个物联网(IoT)解决方案,即Splunk for Industrial IoT。Splunk Industrial IoT整合了Splunk Enterprise、Splunk机器学习工具包和Splunk Industrial Asset Intelligence(IAI)的强大功能,为复杂的工业数据提供简单视图,帮助企业在最大程度上减少停机时间,把操作化被动为主动,从而达到节省成本的效果。
全球数字化的快速发展,让垂直行业的企业选择采用机器数据分析而应对数字化转型的挑战。基于Splunk在IT和安全领域的成功经验,Splunk for Industrial IoT为制造、石油和天然气、电力、运输、能源和公用事业领域的运维技术(OT)团队和部门,提供轻松监测、优化和保护工业应用、数据和资产的特性。
Splunk高级副总裁兼物联网市场总经理Ammar Maraqa认为: “Splunk for Industrial IoT将工业运营带入现代化时代,帮助运维团队保持工厂正常运行、提高产量、预测问题,并确保运营安全。工业企业缺乏易于使用的实时数据分析,这些数据分析利用机器学习,可帮助预测停机时间并确定不同系统的警报优先级,以便企业采取相应的措施。”
萧氏工业集团(Shaw Industries)流程工程师Erika Swartz谈到:“实时分析对于任何制造商是至关重要的。作为世界上最大的地板制造商之一,确保员工能够透过访问数据以提高工厂车间绩效和推动业务成果是极为关键的,Splunk帮助我们在多方面实现了这个目标。很高兴未来能够继续和Splunk合作,并期待其在物联网领域不断创新。”
Splunk for Industrial IoT为客户提供了Splunk Enterprise的功能,包括机器学习支持的数据分析和报告以及新增的拖放功能,专为解决工业企业常见挑战,比如计划外停机时间,这一项就可能每年给企业造成高达3800万美元的损失。此外,Splunk for Industrial IoT的特性有:
Sapura是由两大跨国能源公司Seadrill和Sapura Energy合资组建的巴西航运公司。Sapura公司首席执行官André Merlino表示:“Sapura正在将Splunk Industrial Asset Intelligence作为数据驱动方式的一部分,实现深海卓越运营。Splunk IAI作为一款强大的解决方案,幫助我們提高整个企业利用数据的能力。我们的目标是加强安全标准、提高运营绩效并为客户提供更好的解决方案。”
德国工业工程公司ESE的数据分析总监Ulrich Bock博士谈到:“工业企业每天都面临各种挑战,像降低成本、提高性能、确保其不断扩大的‘互联’设备规模在业界保持竞争力。我们与Splunk的合作对于我们客户的成功至关重要,把对操作技术环境的知识与Splunk强大的功能相结合,使所有人都可以访问并充分利用机器数据。Splunk for Industrial IoT现在可以轻松利用不断激增的机器数据,并将其转化为洞察和能力,以便支持并加快数字化转型。”
Splunk for Industrial IoT将于2018年10月30日全面上市。
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。