西部数据对CIO和IT 决策者进行的调查显示,在进行数据存储设备采购时,可靠性已经超越成本成为首要考虑因素。对于数据的保护与价值分析变得更加重要,已经取代价格敏感性成为首要条件。
在包含有五项决策因素的选择调查中,仅有 16% 的 IT 决策者选择成本作为关键因素,而49%的中国IT 决策者认为在采购数据存储设备时可靠性是最关键的因素。相较之下,全球有39%的决策者认为可靠性是关键因素,而25%认为成本较为重要。
在中国,97%的受访者认识到数据对业绩的积极影响,然而,却有64%的受访者承认尚未建立必要的设施来有效地存储数据以实现长期的业务增长。为解决此问题,81%的IT决策者正在扩展冷存储和归档容量,同时,97% 的受访者表示正持续投资数据分析,并将基础架构投资列为优先项目,挖掘内部数据价值。调查还显示,为了更好地存储与访问日益增多的数据,云基础架构与扩建预算有所增加。
调查显示,数据正在急剧增长,各行业的 IT 领导者都认识到了运行数据和分析工具的重要价值,并且之前认为过于复杂无法利用的历史归档数据也可以帮助获得重要见解和洞察。
• 在中国,97% 的IT 决策者(比例较去年微幅增加)认为,如果企业组织能以最佳的方式存储与访问数据,所有数据都有其价值;同时,97%的受访者表示其公司了解数据对于收益的价值,同样,也有97%的受访者认为其企业组织正有效地运用数据来支持商业决策。
• 然而,依然有64% 的中国受访者承认他们并未存储长期业务所需的所有数据。超过70% 的中国 IT 决策者认为能轻松且快速地存取或处理数据是其最大挑战,这个问题是其无法发挥数据价值的最大障碍。
• 中国IT决策者承认存储需求正在不断增长(92%),他们需要不断满足应用的性能需求(90%)。他们了解数据分析和数据挖掘的价值,因此希望保存尽可能多的数据。
• 几乎所有的中国受访者(99%)认为,物联网、大数据和移动应用正在推动数据中心转型的需求。
受访者还认识到访问冷数据也非常关键,他们的基础设施投资计划表明,传统的“存储后就忘掉”的数据归档和冷存储解决方案,如磁带,将不再能满足发掘数据价值的需要,而且还有超过半数以上的受访者表示尚未存储所有需要处理和分析的数据。在中国,快速地存取陈旧数据的痛点愈加明显,在所有受访者中,其重要性从2014年的85%增长至2015年的90%。组织所拥有的数据量还影响着公司的财务状况,也因此推动着数据需求的增长。
在中国的受访者认为云存储是预算增长最快的领域,同时也是目前 IT 决策者最密切关注的领域。
• 在中国,云存储仍为IT预算增长最快的领域,增幅达80%,全球平均增幅为61%。
• 90% 的中国受访者正在规划、进行,或刚已完成公有云或私有云的初始方案,超过全球平均水平的84%。至 2016 年底, 29% 的中国受访者会将一半以上的数据存储于公有或私有云。在中国,81%的受访者表示正在扩展冷存储与归档容量。在长期归档或冷存储方面,受访者所面临的三大主要挑战为数据保护和可用性(94%),可扩展性(92%),和快速访问旧数据(90%)。
• 当被问及阻碍数据中心实现其最大潜能的因素时,中国受访者认为它们分别是:与核心业务协同(29%)、人才与资源(23%)、预算(22%)。而在全球范围内,35%的IT决策者表示最大的挑战是预算。
此第二届年度数据调查由西部数据集团进行,调查进行时间为 2015 年 10 月 7 至 27 日,受访者来自专业调研组织SSI的技术决策者在线小组。受访者均经过决策者层级、国家与行业筛选。调查样本包括总共 700 位来自美国、英国、德国、法国、中国、日本及韩国的资深技术决策者,行业覆盖能源、金融、医疗保健、IT-电信、制造、媒体与娱乐。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。