Jeff McCullough,SolarWinds 全球合作伙伴销售副总裁
业务由数据推动。公司依靠数据制定明智决策,为用户和客户提供个性化服务,并将全球团队联系在一起。数据如此重要,通常是公司最有价值的资产。
然而,数据只有在合适的时间被合适的人使用才能发挥作用,这就是为什么有些组织机构会部署一些监控工具来让数据持续运行。通过监控,数据专业人员会在数据变化或出错时收到警报(有时可能是大量的警报)。
当发生故障或出现 bug 时,定位本身就是一项工作。数据专家们要花费大量的时间去排查问题,寻找解决方案。一些组织机构比较幸运,有一个对数据库了如指掌的员工,但如果这个人在度假或离职,其他人就只能从头开始。
即使在没有任何问题时,也会有没完没了的例行警报。这些频繁的警报所造成的“警报疲劳”便成为了数据管理的通病。
客户曾询问我们的合作伙伴:难道没有更好的方法吗?
端到端监督
传统监控依赖仪表板,对照手动或基本的统计相关阈值来评估遥测数据。监控通常是针对特定的网络、云或基础架构,显示哪些监控组件正常运行,哪些停机,以及哪些发生了变化。
现代系统是多云端或混合云系统,计算机、应用和数据库必须跨域连接,由此就产生了大量传统监测机制无法有效管理的遥测数据。不仅如此,这些监控工具也无法持续提供跨域关联、服务交付洞察、操作相关性或可预测性。
因此,SolarWinds为我们合作伙伴的客户提供了一个整合的解决方案,使他们无需忙于应对一系列监控工具:我们称之为全栈式可观察性。
全栈式可观察性为客户提供了针对服务交付和组件相关性的端到端监督功能,以便在问题发生之前更好地预测和识别。
通过全栈式可观察性,客户可以:
全栈式可观察性能够持续分析影响用户体验和性能的条件,以此预测组件可能产生的问题、服务级别和所需的容量变化。全栈式可观察性还提供可视化和洞察、深度分析、更高的工作流效率以及自动化和闭环管理。
实际上,通过全栈式可观察性,客户可以更高效轻松地工作,无需费力克服各种困难。组织机构不再需要依赖某个总能解决问题的工作人员,同时,全栈式可观察性还能够帮助 ITOps、DevOps 和安全组织实现一致的、优化的和可预测的业务服务交付,改善数字体验和提高IT 生产力。
不仅如此,组织机构可获得服务和组件级别的可视化、洞察和智能,因此可以更快地做出决策。客户可以管理那些支持他们及员工的服务,并在解决问题、配置、报告和规划任务时满足服务级别协议(SLA)。
利用全栈式可观察性,IT 组织机构不再只是被动反应,而是可以专注于更高级别的流程,从而提高工作效率。这样一来,整个 IT 组织机构的工作会在问题解决、配置、报告和规划任务方面更加高效。
合作伙伴社群
作为 SolarWinds 全球合作伙伴销售副总裁,笔者已在 IT 渠道销售和高级管理部门工作了 20 多年。SolarWinds 的合作伙伴希望尽可能为客户提供卓越的工具,同时也希望与其合作的供应商成为真正的合作伙伴,共同创造绝佳的项目,互相支持,高度透明且步调一致。他们需要供应商理解合作是一种共生关系,双方都追求客户满意这同一件事。
今年,SolarWinds 在合作伙伴生态上进行了更多投入。合作伙伴峰会期间,我们提出了针对合作伙伴的各项投资,包括更加注重培训和赋能。我们还扩大了销售认证和技术认证服务范围,以涵盖最新的产品,包括我们新的 SolarWinds® Hybrid Cloud Observability。同时,我们还在扩展服务计划,以便与合作伙伴一起为客户提供最好的体验。客户希望与最出色的伙伴合作,通过提供范围广泛的鉴定和认证计划以及完整的服务产品,客户可以放心地转向全栈式可观察性,SolarWinds 的合作伙伴也可以做他们最擅长的事情,满足客户需求。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。