作者:Shai Joshi,IBM Consulting 全球混合云服务管理合伙人
想想我们作为消费者在当今数字化时代所经历的创新速度——从安全及时地发起一笔银行交易,到用航空公司的手机 APP 在最后一分钟快速改签,或是确保一场必看的体育决赛视频播放不会在 5G 网络下掉线,所有这些日常活动都必须通过敏捷的技术平台赋能,这些平台可以帮助企业实现现代化,以满足人们不断变化的需求,提供更快、更好的客户体验。
IBM 商业价值研究院(IBM Institute for Business Value)与牛津经济研究院(Oxford Economics)合作开展的一项研究显示,企业已经摆脱了采用单一厂商的云转型方法,进入了混合、多云时代,从而提高了灵活性,同时与客户需求保持同步。如果管理不当,在转向新时代的过程中,可能会遭遇安全性和互操作性的问题,并可能由此引发影响数据安全的重大威胁。
IBM 的客户通常都是跨国经营,所在行业也往往受到高度监管,通过与 IBM 合作,他们能够对特定的应用程序进行现代化,从容管理和应对诸如安全、供应商锁定和企业韧性等重要问题。红帽 OpenShift 作为这一切的核心,为内置安全功能的开放式混合云平台提供支持。
在多云世界,现代化是必由之路,但在这个过程中必须为客户提供选择和灵活性,才能实现真正有意义的转型。企业需要正确的技术、技能和支持,这种转型才能落地实施并取得成功。
利用选择和灵活性的力量
面对现代化的压力,客户真正的挑战在于如何实施现代化。他们需要加速打造更加协作的工作方式,利用云技术,灵活地随处构建并部署任何工作负载。
红帽是促进混合多云转型的关键推手。企业不希望被锁定于单一的云提供商,而且随着监管日趋严格化,企业经常需要分散数据的存储位置,以满足数据存储位置和数据访问方式的相关法规要求。
为此,IBM 采用了混合云平台的方法,这就为我们与市场上的云服务提供商合作提供了可能。我们知道客户需要在多种环境中托管工作负载,我们希望为他们提供选择,在确保安全的情况下使用单点控制来实现这一目标。
这也是为什么 IBM 要对其软件进行红帽 OpenShift 的优化,以便帮助客户应用 AI、自动化和安全功能来实现关键业务流程的转型,帮助他们保持领先,同时满足合规性需求。通过将IBM整体的软件产品组合基于红帽 OpenShift 之上进行重建,使客户能够随时随地运行不同流程,无论是跨云还是本地部署,一切都变得更加简单。
各行各业的客户均受益于混合多云的创新
对于 4,000 多家采用 IBM 开放式混合云平台的客户而言,这一平台对于他们促进开源创新、简化现代化进程、提高安全性、加快应用程序开发至关重要。
IBM Consulting 正在与全球不同行业的企业密切合作,利用 IBM 深厚的行业积累与领先技术,帮助他们在混合云环境中实现应用程序的现代化和迁移。例如——
信任与诚信一直是 IBM 维护客户关系的基础。IBM 深信客户的数据属于且仅属于客户。同时,IBM 也深知创新绝不是一个闭门造车的过程。因此,IBM 一直在努力构建生态系统,在确保安全、尊重隐私的前提下帮助企业提高灵活性和速度。IBM 坚定地认为,供应商锁定违背了真正的混合云精神,混合云应该是开放的,同时也应该提供安全的业务。通过红帽 OpenShift 这样的混合云技术,无论客户数据存储在哪里,都可能实现开源创新。企业可以选择如何实施他们的现代化,从而履行他们最重要的使命——为客户提供最无缝的服务体验。
有关 IBM 未来发展方向和意图的声明仅代表我们的目标和宗旨,这些声明随时可能更改或撤回,恕不另行通知。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。