为了再度发挥自身的固有优势,NetApp公司已经推出一款补充性连接器产品,旨在帮助其Data ONTAP客户在无需将数据由WAFL复制到HDFS中的前提下对自有NFS数据进行Hadoop分析。
这套NFS Connector for Hadoop能够处理来自各类数据源的大数据输入内容,而后将结果与结构化数据分析相结合。从根本层面来看,这相当于将两类数据汇总成统一化视角、从而更为透彻地掌握企业或者公共事业组织的当前运作状况。
这样的方案避免了将大规模数据由FAS阵列迁移至HDFS(即Hadoop文件系统)集群所带来的麻烦与不便。
这套Hadoop集群能够以HDFS为主要运行平台,并将ONTAP作为辅助性文件系统。除此之外,该集群还能够在无需造成独立HDFS孤岛的前提下单纯运作在FAS阵列之上。
这很可能成为ONTAP用户试水Hadoop项目并体验其实际效果的绝佳途径。
这套连接器采取开源机制,并由GitHub负责托管:
• 专门针对MapReduce协作需要,从而配合Apache Hadoop框架当中的计算部分。
• 能够支持Apache HBase(属于列式数据库)。
• 能够支持Apache Spark(与Hadoop相兼容的处理引擎)。
• 能够与Tachyon内存内文件系统相协作,后者能够与Apache Hadoop与Spark并行协作。
在一篇博文当中,NetApp公司CTO办公室的Val Bercovici表示:“NetApp计划将相关代码贡献给Hadoop项目主体。”
NetApp公司还针对Cloudera制定出自己的NOSH(即面向Hadoop的NetApp开放解决方案)计划。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。