一年前,IBM联合国际灾难恢复协会(DRI-CHINA)、英国标准协会(BSI)启动"7×24业务永续日"。旨在号召国内企业的首席执行官、IT技术官们聚首,共同探讨业务永续,业务连续性管理的企业管理战略和IT技术支持,促进国内行业认识"业务连续性管理"价值,并且倡导中国企业在每年7月24日进行演练,提升企业核心竞争力。
一年后,为了共同推进业务连续管理在行业内的更广泛的应用,共同分享业内好的实践经验,分享国外领先的做法,2016年IBM将于"7月18日~7月22日"举办业务永续周,来促进中国企业面临快速的技术转型和激烈的市场竞争,但在业务连续性上仍然缺乏系统的组织管理人员和专职IT人员,在防范意识不足和快速竞争的市场环境下,企业承担更大的风险,蒙受潜在的经济损失的这些长期存在的问题。
首先我们要认识到业务连续性对于企业的重要性,业务连续的对立面就是业务中断,我们能想到的业务中断是什么?类似海啸、洪水、地震、火灾、风灾等这类自然灾害导致的广为关注的严重中断事件?事实上,日常相对频发的轻微业务中断也对企业能造成严重损失,由于人为错误导致的系统中断、网络攻击和数据丢失等导致的业务中断尤其应该得到重视。
而且在企业级数据中心,经常谈的灾备仅仅是业务连续性当中的一种典型中断事件,随着社交化和互联性的深入,人为错误对业务连续性的潜在影响也更加广泛和深入,预防和应对人为因素导致的业务中断和潜在经济损失也是业务连续性的关键组成,必须得到市场的充分认识。
人们对于业务永续性的认识有两个方面,一方面从企业本身对于业务连续性的重视情况,另一方面是从IT技术的进步的角度来看业务永续。
首先企业对于业务连续的重视情况有待提升。近年来,负责业务连续性的首席技术官CIO、业务连续性经理、灾难恢复经理、首席信息安全官、数据中心经理等的专职人员设置的趋势已逐步显现,全球企业对业务连续性的重视程度、投入水平和实施专业水准也日渐提升。据《IBM有关IT风险对经济的影响全球调研》的数据显示,27%的受访企业制定了正式的业务连续性战略;26%的企业有非正式或"临时"的业务连续性战略;还有31%的企业没有制定业务连续性战略。
另一方面用户对于企业提供7*24运营就像空气和水一样理所当然的存在,从技术角度看业务永续也是长期进化的产物。从早期的IT系统角度来实现灾难恢复,对IT恢复的需求扩大到业务连续的需求。早期的灾难做不到可预测以及提前的主动预防,到今天企业对于RTO实现等于0的可靠性。
在这样的情况下,IBM把7月24日这周作为业务永续周,希望站在企业的角度从思维、实践、科技、运维四个方面来共同推进业务连续管理在行业内的更广泛的应用,共同分享业内好的实践经验,分享国外领先的做法。
在"7月18日~7月22日"业务永续周的每一天都有一个永续主题,最后串联起来来实现业务永续。
第一天谈永续思维,从领导力思维、预防风险思维、合作思维等角度来看业务连续管理如何提升商业价值。
第二天谈永续实践,通过全球最佳实践和大中华最佳实践来看业务连续成功的关键在于不断实践。
第三天谈永续科技,在今天混合的IT环境下,从传统到DRaaS、从被动到自定义、从主备到双活,从单一到集群存储,无不显示新科技是认知时代业务连续的必要保证。
第四天谈永续运维,在思想上认识到永续的重要性,通过科技和实践来践行业务永续。最后通过自动化运维、降低人力成本、灾备自动化等新的运维方式降低成本加快响应和恢复速度。
第五天,IBM和业内权威及用户代表会通过自己在新思维、新实践、新科技和新方式的运维的整合来实习真正的业务永续。
如果您对企业业务永续感兴趣,也想了解国内外专家观点、白皮书、最佳实践等,欢迎访问"7*24业务永周"来参与。
好文章,需要你的鼓励
Genspark推出超级智能体,将"氛围编程"概念扩展至企业工作流程,实现"氛围工作"模式。该系统采用9个大语言模型的专家混合架构,配备80多种工具和10多个数据集,通过规划-执行-观察-回溯循环运行。系统能自主处理复杂业务任务,甚至代替用户拨打电话。45天内实现3600万美元年收入,展现了自主智能体平台的商业可行性,挑战传统企业AI架构理念。
北京大学和百度VIS联合研发的MV-AR技术,首次让AI学会像人类一样逐步观察物体,通过自回归方式生成多视角一致图像。该技术解决了传统方法在处理大视角差异时的一致性问题,支持文字、图像、形状等多种输入,在3D内容创作、机器人视觉等领域具有广阔应用前景。
医疗保健已成为AI应用的热点领域,在疾病诊断、康复监测和新药开发方面证明了其价值。然而,行业仍面临临床人员短缺、人口老龄化等挑战。AI智能体作为下一波AI变革浪潮,相比现有AI工具,能够执行更复杂的任务并减少人工干预。它们不仅能被动提供信息,还能主动采取行动,如自动分诊调度、辅助临床决策、远程患者监护等,有望在十年内彻底改变医疗服务的提供、管理和体验方式。
Microsoft和Georgia Tech研究团队开发了SlimMoE技术,能将超大AI模型压缩到原来的10-20%大小而性能基本不变。该技术采用多阶段渐进式压缩,保留所有专家模块但精简内部结构,成功将419亿参数的模型压缩为76亿和38亿参数版本,让原本需要企业级硬件的AI能力可在普通电脑上运行,大大降低了AI技术使用门槛。