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
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。