Hadoop正在大肆鲸吞数据仓库业务的固有领土,而数据库供应商们则密切关注着这一高利润业务门类所受到的影响动向,Wikibon首席研究贡献人Jeff Kelly在文章中写道。
在最近的Hadoop峰会上,数据仓库供应商IBM、Teradata、微软以及甲骨文等纷纷强调Hadoop只能作为数据仓库方案的初步辅助手段。他们指出,Hadoop目前仍不成熟,还无法胜任安全性及近实时分析等关键性领域的重要职责。有鉴于此,Hadoop可以作为向传统数据仓库交付数据的理想平台,但却无法彻底取代后者。
而以IBM为代表的一部分厂商也指望着自己的分析产品及其它高利润专业服务能够充当缓冲手段,抵消低成本Hadoop及其它相关开源技术在冲击其高价数据库业务产品时所带来的营收损失。
Kelly指出,这些供应商有着自己的关注视角。在Wikibon最近进行的一次大数据调查当中,有61%的受访者表示他们已经将至少一种工作负载由传统数据仓库或者大型机中转移到Hadoop平台之上,而另外34%的受访者则表示已经有计划在未来六个月内作出尝试。
开源Hadoop平台亲民的价格设置是其最具吸引力的特质所在。而它容纳“全部数据类型”的能力则是另一大亮点。随着多家成熟供应商开始向市场推出基于Hadoop的SQL产品,该平台将逐步发展成一套更为实用的分析引擎。
不过供应商们的主张也没错,数据仓库在短时间内仍然不可取代,Kelly写道。尽管某些分析工作交由Hadoop处理效果更好,但也有不少仍然更适合数据仓库来打理。他给出的结论是,供应商应该接受Hadoop将逐步发展成“数据中心内的一等公民”这一现实,并应该将自家产品及服务重新定位成“帮助使用者将保存在Hadoop中的原始数据转化为可供高管层直接使用的可操作结论”的附加值方案。
正如Wikibon的其它研究项目一样,这份专业警示材料也在Wikibon官方网站上以免费形式供大家查阅。IT专家还可以应邀在Wikibon社区中注册为免费会员,从而参与到相关研究当中、对研究议程作出反馈并发表自己的研究成果、提出问题以及处理意见。
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。