以"智慧型医院"为目标,深圳市肿瘤医院欲打造连接医院、家庭、个人以及深圳市区域卫生信息平台的"医疗健康云"。通过"一次规划,分期实施"方法,肿瘤医院携手浪潮建设起"资源融合"的基础云平台,实现可靠性、可用性快速提升,资源整合比达1:5,成本下降30%。
面向未来,打造"医疗健康云"
深圳市肿瘤医院以"智慧型医院"为目标,计划采用一次规划、分期实施、逐步到位的方式,通过新一代的互联网技术与智能感知技术应用,将医院、家庭、个人以及深圳市区域卫生信息平台进行有效整合,建设服务于家庭及个人的深圳"医疗健康云"。
为实现"医疗健康云"的整体目标,肿瘤医院将稳步推进云化工作。在做好"资源整合"的现阶段,用户主要遭遇"四低"难题:设备利用率低,部署速率低,管理效率低,业务连续性低,影响医院业务的开拓,影响病人就诊的体验感。
设备利用率低,运维管理成本高:以前单台服务器的利用率不到10%,大量的资源浪费,同时一台设备只能部署一套业务应用,设备数量众多,管理的难度和强度非常大。空间占用,能耗,散热及人员支出较高。
业务部署速率低,服务响应速度慢:新业务部署时,需要从硬件、OS、运行环境、应用等几个环节进行采购、部署、调试,时间长达1个月左右,业务上线周期较长。
业务建设分散,管理效率低:医院按照科室业务进行系统部署,各科室业务数据不统一部署,形成了孤岛,维护起来需要按科室进行维护,无法进行统一的维护,运维难度比较大。
业务连续性低,缺乏保障:除了HIS、PACS、CIS等核心应用进行了高可用保护以外,大量的应用都处于单机运行的状态,业务连续性无法保证;同时,没有对核心数据进行保护,一旦硬件故障将出现业务停滞或数据的丢失,将使医院业务正常运转面临极高的风险。
对症下药,浪潮开出"医疗云"药方
针对肿瘤医院未来的"医疗健康云"的总体建设目标和现阶段暴露出的问题,浪潮提出了基于云架构的升级方案,摒弃业务的孤岛,实现资源的整合,构建基于服务器的虚拟化资源池;并通过升级硬件平台,保证业务的连续性,支撑未来构建满足全院患者的"医疗健康云"。
面向医院日常一般应用:采用云海OS InCloud Sphere虚拟化软件,把服务器、存储、网络等资源按照不同的标准组织成不同的资源池。采用浪潮I8000刀片服务器,组成计算资源池,提供强大的计算性能。同时采用统一存储架构,选用浪潮高端8Gb全光纤磁盘阵列,模块化无线缆连接方式。
面向医院关键应用:包括医院HIS系统、PACS系统、LIS系统等大型关系数据库、内存数据库等。采用高性能、高可靠的8路服务器TS860服务器,显著提高系统的计算能力和稳定性,通过双机高可用软件提高数据库应用的高可靠性。
两升一降,成效明显
通过部署基于云海OS的虚拟化方案,肿瘤医院的成果可以用"两升一降"来总结,可靠及可用性快速提升,成本显著下降。
减少项目总体成本,提高应用可用性
通过使用服务器虚拟化技术,医院在9台I8000刀片服务器上部署了原本需要40多台服务器的45个应用系统,实现了1:5的整合比,使得实施高可用性方案的采购成本和维护成本降低30%。
虚拟化高级特性保证业务连续性运行
整个虚拟化环境实现了HA(高可用性)、vMotion(虚拟机动态迁移)和DRS(动态资源调度)等高级功能。HA提供了自动化重启功能,确保所有部署的虚拟机都具有高可用性的保护。当某个硬件或操作系统出现故障时,几分钟内即可实现所有应用程序的重启。vMotion提供了在线维护,可在不中断用户使用的情况下在服务器间实时迁移。
简化IT管理,优化系统部署
以虚拟化管理平台iCenter进行统一管理,通过"一次设置,终生无忧"的策略驱动管理并自动化IT流程,跨虚拟和物理环境地简化虚拟数据中心操作,提高整个系统部署过程的效率。管理员只需一个操作窗口即可对所有服务器、虚拟机进行监控和管理,且还可使用标准化模板迅速部署新的子系统。
机房有新应用需要部署的时候,不再需要购买新的服务器,信息中心能在短时间内为相关应用及时提供服务器计算资源,且部署简便。
完善系统备份,业务高可用
借助浪潮虚拟化技术,真正实现了软硬件的分离,可以方便的将整个虚拟机环境备份出来。同时,虚拟化技术支持手动备份、自动备份、定时备份等多种备份方式,配合浪潮存储产品,将为客户的数据提供完善的安全保障。另外,通过存储同步复制,保证了业务的可用性。提供了完善的系统备份和恢复功能,提供了低成本的备份恢复方案。
好文章,需要你的鼓励
大模型时代,玛丽·米克尔(Mary Meeker)的名字可能大家不一定熟悉,但是在互联网时代,这位被可被誉为“互联网女皇”的。她是美国风险投资家和前华尔街证券分析师,专注于互联网及新兴技术领域。玛丽·米克尔(Mary Meeker)发了一份340页的《人工智能趋势报告》,粗粗看了一下,并没有非常轰动的观点,但是数据比较全面
微软研究院推出的"基于最优奖励基线的在策略强化学习"(OPO)算法解决了大语言模型强化学习中的两大问题:训练不稳定和计算效率低。通过严格遵循在策略训练和引入理论最优奖励基线,OPO无需额外的辅助模型或复杂正则化项,就能实现更稳定的训练。在数学推理基准测试中,OPO不仅表现优异,还保持了更低的策略偏移和更高的输出多样性。这项研究证明,有时最有效的解决方案不是增加复杂性,而是回归基础原则并进行深入的理论思考。
毫无疑问,Agent,也就是智能体已经预定了今年的最火AI关键词。不知道明年会不会是AGI呢,既然OpenAI和Anthropic的预测都是在2027年左右。而在Agent领域,非常有发言权的一位就是吴恩达。LangChain前不久的开发者活动Interrupt上,LangChain创始人Harrison Chase邀请了吴恩达专门做了一场对话
SWE-bench-Live是微软与上海人工智能实验室联合开发的持续更新基准测试平台,解决了现有代码修复评估工具的数据老化、覆盖有限和人工依赖问题。核心创新是REPOLAUNCH自动化流水线,能从GitHub抓取2024年后的1,319个真实问题,自动配置Docker环境。研究发现最先进的AI代码助手在该平台上的解决率仅为19.25%,远低于静态基准测试表现,尤其在处理多文件修改和大型代码库时存在明显局限。