在2014年年中,有两位Gartner分析师曾经对数据湖概念日益加剧的炒作提出了批评。
"数据湖的根本问题是,它对信息的使用者做出了某些假设,"Gartner研究总监Nick Heudecker表示。
"它假设用户意识到或者了解获取数据的背景偏见,他们知道如何在没有先验知识的情况下整合并协调不同数据来源,他们知道数据集不完整的特性,不管数据结构是如何的。"
一年半之后,Garnter的担忧似乎并没有得到缓解。虽然有成功的项目,但也有失败的--关键成功因素似乎是对数据湖和数据仓库不同角色的深入理解。
Heudecker表示,数据湖通常被当作解决大数据挑战的一种方法,是提出数据新问题的好地方,"只要你有能力"。
"如果这是你想要做的,我就不那么关心数据湖的实施。不过,风险较高的情况是,如果你的目的是要在数据湖上重新实现数据仓库的服务水平协议(SLA)。"
Heudecker表示,数据湖通常是针对不同使用实例、并发性和多租户进行优化的。
"换言之,不要针对数据仓库使用数据湖。"
他说,两者都需要,这是完全合理的,因为两者都是还针对不同SLA、用户和技能进行优化的。
广义上说,数据湖是企业级平台,用于分析各种数据来源的原生数据格式,避免数据接受的成本和数据转换复杂性。因此这里所面临的挑战是:数据湖缺乏语意一致性和受监管的元数据,这需要有技能的用户承担大量分析的责任。
Heudecker表示,在理解方面逐渐成熟,但是数据湖的炒作依然猖獗。
该技术的成熟是很难做到的,因为实施数据湖的技术选择仍然在快速变化中。
"例如,Spark是一个流行的数据处理框架,平均每43天就会做一些新的发布,"Heudecker表示。
他说,数据湖项目的成功因素要归结于元数据管理、对技能的掌握、以及强制实施监管。
"我和很多构建数据湖的公司交流过,他们把很多数据放到数据湖里面,但没有发现任何结果。其他人不知道哪些数据集是不准确的,那些是高质量的。与IT的其他东西一样,是没有一个一劳永逸的方法的。"
数据湖是一个架构理念,而不是一个具体的实施方式,他说。
"与任何新理念、新技术一样,在成为一项人们理解的实践之前往往伴随着炒作,在这之后就是幻灭。"
"数据湖仍将反映的是使用它的数据科学家。"
"这个技术可能会改变和改善,也许会利用像GPU或者FPGA这样的东西,但总体目标是发现数据新的用途和新的机会,有可能会将这些洞察带入到生产中。"
好文章,需要你的鼓励
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。