作者:Thomas Burns
在影视历史上,好莱坞不少大牌明星都曾赢得享有盛誉的艾美®奖。如今,Dell EMC Isilon也有幸获得这一奖项!
全美电视艺术与科学研究院授予了Dell EMC Isilon“技术与工程艾美®奖”,以表彰其对 HSM(分级存储管理)系统的早期开发。这是戴尔科技集团首次获得这一享有盛誉的奖项。
开创新的存储解决方案,以应对媒体传播领域的挑战
颁奖典礼上的演讲可能会略显冗长,但是今天我们鸣谢的对象却非常简单:我们的客户。尽管这一奖项反映的是对我们工程团队开创性工作的肯定,但事实上体现的是Isilon为客户创造的价值以及我们对创新的持续承诺。
获得该奖项对我们意义重大,我希望借此机会回顾一下,在 Dell EMC Isilon 的发展历程中,是什么让我们最终取得了这一奖项。
早在21世纪初,媒体和娱乐公司就开始要求使用大规模共享存储设备来安全存放和处理激增的各种格式的媒体数据:包括服务器接收型串行数字接口 (SDI);新的数字相机格式;图形提取、编辑、转码和播放格式。
为了应对这一挑战,当时还是一家独立公司的Isilon率先推出了网络附加存储 (NAS) 解决方案,该解决方案让客户能够根据业务价值轻松实现指数级增长和内容分层。Isilon 可简单地管理单个命名空间和数据分层总拥有成本 (TCO) ,让广播工程师和演播室系统管理员从之前的数据整理和数据管理工作重心中解放出来,让他们能够更自由地专注于媒体应用程序方面的工作,从而加速工作流程和开发差异化服务。
应对当今及未来的媒体和娱乐工作流
自2003年以来,全球82个国家或地区的2000多家全球组织(包括广播公司、后期及 VFX 视觉特效公司)采购Dell EMC Isilon的横向扩展NAS存储,以推动媒体工作流的创新。
仅在过去的三年,我们的媒体和娱乐客户就针对媒体工作流部署了超过1500PB的 Isilon 存储设备,而随着实时、连播和功能数据集持续显著增长,相关的投资也不断增长。
如今,媒体公司面临着一系列新的挑战,内容创作者和发行商必须决定,如何在传统发行平台和新内容发行平台上利用新技术,来加快、简化采用更高分辨率和全新格式的高质量内容创作,并带给消费者崭新的观看体验。同时,还需要对现有内容进行数字化处理、归档和存储,并加上恰当标签,以确保能快速检索和变现内容。随着新的挑战不断出现,原有挑战依然没有消失,媒体机构面临的压力和以往一样:在提高生产质量的同时维持低成本,同时为其所有者和投资者创造高回报。
媒体工作流的基础
Dell EMC Isilon 是戴尔科技集团媒体和娱乐解决方案组合的重要成员。除Isilon以外,Dell Precision工作站和显示器旨在使用 VMware 增强创意、虚拟化和云解决方案的能力,使媒体公司能够整合、运行、管理、连接和保护所有应用程序;Dell Networking 可让工程团队大幅降低成本并为 IP 广播工作流赋能;Dell EMC PowerEdge 服务器仍然是渲染场和媒体应用程序的最佳计算平台;Dell Boomi 则提高了应用程序集成度和简化了自动化流程。
多年来,许多使用Isilon存储来进行媒体制作工作流的客户都荣获了艾美奖,以表彰他们所创造出的精彩内容和无与伦比的视觉效果。如今Isilon也获得了此奖项,更让我们倍增对客户感激之情。
这一奖项将于 2020 年四月在拉斯维加斯的 2020 NAB展会上颁发,我们对此翘首以盼。谈及 2020 NAB 展会,如果您打算于今年的4月18日至22日前往拉斯维加斯,请务必亲临我们的展位,亲自了解戴尔科技集团的媒体和娱乐解决方案能为您提供哪些服务,帮助您对工作流进行简化、加速并提供云支持。除此之外,欢迎您与艾美奖杯留影纪念,与我们共同庆祝戴尔斩获的这份殊荣!
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。