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
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。