分析公司Splunk正在使机器学习成为其下一代企业解决方案的核心,并称速度将比以前快20倍。
Splunk的平台会处理大企业生成的机器到机器的数据,帮助这些企业找到薄弱点并提升运营表现。
Splunk有大约14000家客户,其中包括医疗服务提供商、金融服务公司例如Nasdaq和Black Rock,以及像John Lewis这样的零售商。
为了争取更多的业务,今天Splunk在华盛顿年度会议上发布了最新一代企业解决方案,其中增加了更多算法。
Splunk公司IT市场布道师Guillaume Aymé表示:“现在我们会把这机器学习原生地内嵌到我们做的一切中。机器学习将帮助可以更好地做出决策。”
总的目标是从企业设备生成的数据中提供更多洞察,帮助这些企业提高性能,此外Splunk还希望通过在自身产品中原生地内嵌机器学习,这将吸引到那些通常不会想到使用机器学习的那些小型企业。
Aymé表示:“我们正在努力为企业组织降低使用机器学习的门槛,不需要聘请专门的数据科学家。他们只是希望机器学习能够带来成效,而不需要知道底层是如何运作的。”
机器学习将被融入Splunk最新版本的产品中,这些解决方案将专注于解决欺诈和云监控等痛点。
例如,User Behaviour Analytics通过搜索异常情况帮助检测内部交易和潜在安全漏洞,例如有人在不应该登录的时候进行登录。
与此同时,IT Service Intelligence产品则采用机器学习来区分“常态的”异常——例如银行预计在月底可能出现使用高峰——以及需要改善性能的情况。
对Splunk Enterprise 7.0来说另一个重大变化就是改进了的指标,这使得客户可以更好地分析各种数值例如温度等。Splunk表示,这一变化将加速监控,“至少”发出警报达20次。
“想到物联网设备,通常是笨笨的,只是发送出各种数字。我们让客户可以更加轻松地对这种数据进行分析,”Aymé表示。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。