至顶网计算频道 07月26日 新闻消息(文/李祥敬):在当今这个数字经济盛行的时代,业务的时刻在线和永续对于企业数字化转型至关重要。比如新的电子医疗系统旨在提高医疗质量,提高工作效率和一致性,减少临床失误尤其是药物管理方面。然而,所有这些都是基于业务永续才能获得统一和精确的数据。现代医疗机构依靠IT系统来实现业务永续和可用性。意外宕机导致业务不能持续将会为医疗机构带来巨大的成本。
业务永续的世界不容许宕机,而保持数据中心内外的一切正常运转,这对企业来说也是一项挑战。随着企业业务以及科技的持续发展,企业业务永续的风险正在逐渐增大,这直接表现为IT复杂性,比如多品牌、多供应商的软硬件IT环境。
数字化转型背后是IT系统与企业业务深度融合,但是不容忽视的是日益增长的IT复杂性给企业业务永续造成阻碍。有调查报告显示,超过半数的中国企业正在努力应对复杂性挑战。各种不同的系统、应用程序、新旧基础设施相互交叠,不仅耗费时间和金钱,而且还影响创新,妨碍企业发掘商机。
未来的企业IT环境将面临前所未有的复杂性。毫无疑问,复杂混乱的IT环境会影响企业响应问题的敏捷性、洞察力以及数字化转型能力。而且这种复杂性来自于企业的各个层面,随着时间的推移,其复杂性还将日趋增高。
企业IT管理在多品牌、多厂商的设备体系中,变得更加复杂,维护成本更高。比如资产管理工作量大,维保管理费时费力,老旧设备故障频发,机器运行状态不了解,缺少详细的服务报告。他们急需要一套完整的、一体化、覆盖多品牌的运维管理服务来解决IT复杂性的问题。在业务深度依赖IT系统和技术的今天,企业需要让IT架构形成合力,而不是被消耗在不同设备之间的冲突中。
如今,IT环境与几年前相比已经发生了巨变。在企业试图应对这些挑战的过程中,他们将更多的基础设施和服务进行云迁移,以便获得灵活性和稳定性。近年来,企业正采用云原生架构(例如动态微服务和容器)重新构建应用,以便让这些应用能够在云环境中无缝运行、实现更大的灵活性。
新的云环境在为数字化转型提供灵活性的同时,也带来了大量的IT复杂性难题。伴随新技术技术的逐渐兴起,传统基础技术面临变革,形成了和新兴技术并存的状态,这也就是双模IT架构,双模IT运维即稳态与敏态。既要考虑IT稳定性又要考虑IT的先进性,IT系统也进入了更复杂的建设和运维状态。
IT基础架构正在朝着x86化、容器化、云化、开源构架化方向快速发展,开源软件品类众多,社区技术支持及服务水平有限,如何在IT基础架构创新的过程中,兼顾传统IT基础架构,全面支持数据中心各种类型平台及开源产品,正成为困扰IT系统管理部门的一个问题。
所以,新技术的确给企业带来业务创新的解决之道,但是也给企业的IT管理带来前所未有的挑战。难道面对这些难题,我们就束手无策了?肯定不是的。在IT复杂性不断加深加深的情况下,一个强有力的IT支持服务必不可少。其实, IT环境可能非常复杂,但是针对IT环境的支持大可不必同样复杂。
如何解决多品牌、多供应商支持的复杂IT环境,实现“化繁为简”?这里有你需要的答案!
五大话题对决,最前沿的技术思考、观点分析和场景展示;
除了围观专家思维碰撞,你可以随时参与观点辩论,提出自己的真知灼见;
与在线专家和IT精英们在共同探讨中辩证思考,汲取灵感;
议题上线时间自由掌控,随时获取一手干货,解决您心中的困惑;
7月24日至8月16日,2019 IBM 7X24业务永续之旅,一场思维盛宴和实践分享,等你来开启!
http://ibm20190724.mychinaevent.com/index.php/pcbbs/index/code/zhiding
好文章,需要你的鼓励
本文探讨了AI发展的未来趋势,详细分析了六条有望实现通用人工智能(AGI)的技术路径。随着生成式AI和大语言模型面临发展瓶颈,业界开始将目光转向其他AI发展方向。这六条路径包括神经符号AI、神经形态AI、具身AI、多智能体AI、以人为中心的AI和量子AI。每种路径都有其独特优势和挑战,可能单独或组合推动AI进入下一个发展阶段,最终实现与人类智能相当的AGI系统。
微软研究院发布突破性多语言AI技术UPDESH,通过"自下而上"数据生成策略,让AI真正理解不同文化背景下的语言表达。该技术基于各语言维基百科内容生成950万个训练数据点,覆盖13种印度语言,显著提升低资源语言AI性能,为构建文化敏感型AI系统提供新路径。
培生公司第三季度销售增长加速,并预示年底表现更强劲,但其AI应用可能是更重要的发展。该公司虚拟学习部门销售额激增17%,学生注册人数攀升。培生运营的在线学校将AI工具嵌入课程材料中,公司表示有越来越多证据显示这些工具帮助学生取得更好成绩。公司推出了AI学习内容组合,包括AI素养模块和融合人工导师与AI学习工具的视频平台。
NVIDIA团队提出RLBFF方法,将AI训练中的复杂评价转化为明确的二元判断标准,解决了传统人类反馈模糊和可验证奖励局限的问题。该方法在多个权威测试中取得突破性成果,其中JudgeBench获得第一名,训练的模型性能媲美知名商业模型但成本仅为其5%,为AI训练领域带来重要方法论创新。