混合环境融合了公共云和私有云以及本地基础架构的益处,同时降低了IT的压力,使企业能够获得灵活性并推动创新。因此,关于数据管理的主要讨论已经从大规模迁移到云,转到如何在混合环境中管理存储于不同位置的数据。虽然混合环境可以凭借更大的灵活性和控制能力以及更高的性能和可扩展性取代传统的数据管理和IT基础架构,但它也带来了一些重大挑战,企业需要应对这些挑战才能充分利用其优势。
阻碍成功的因素
在混合环境中,企业通常缺乏对业务绩效和内部流程的单一清晰概述。对于每次查询,他们都必须手动定位和提取不同来源的数据,并对其进行处理以生成有意义的业务见解。这个过程既费时又麻烦。
此外,混合云环境还会带来额外的安全性和合规性问题。在分散的数据集中,IT专业人员需要保护传输中的数据,确保所有数据存储服务符合当地法律法规,并需要在现有技术堆栈中添加新的平台和解决方案时管理新出现的安全威胁。
NetEnrich的一项调查显示,虽然云安全风险是最大的担忧,但IT开支和成本超支排在第二位,具有讽刺意味的的是,云迁移通常被吹捧为一种省钱的方式。对于那些难以有效管理来自多个云平台和内部基础架构的数据的维护和集成成本的企业,意外的费用可能堆积如山。
然而,即使存在这些挑战,混合环境也是大多数企业无法拒绝的,需要找到正确的方法来适应这个环境。在寻找方法时,他们需要考虑到,企业结构本身可能是复杂多变的。如今,“一刀切”的方法很少奏效。不同数据源之间缺失的环节将解决缺乏监管的问题,并缓解潜在安全问题,这就是混合数据连接解决方案。
所有数据都在同一屋檐下受到保护
无论是在云端还是在本地基础架构,混合连接解决方案都可以为跨不同平台的数据通用访问铺平道路。该方案与行业标准的结构化查询语言(SQL)和代表性状态传输(REST)接口兼容,可以为 Salesforce、Apache Hive、Google Analytics、Oracle、SQL Server、IBM DB2、Eloqua等应用提供实时和安全的连接。
此外,混合数据连接解决方案可以通过创建从开放分析中获得业务价值的途径来揭示数据的力量。无论在何处分析数据,无论是在传统商业智能软件还是在现代云分析应用程序中,都可以实时生成可行的见解,同时确保数据完整性并最大程度地减少人为错误。这样,不仅有助于数据分析的卸载和自动化,而且企业在任何给定的时刻都可以使用最准确的数据来进行决策。
混合连接解决方案的另一个重要好处是易于数据迁移,这一过程通常为企业的成功奠定了基础。混合连接解决方案允许从单个接口轻松定制必要的重新配置,从而大大减少了时间和成本,无需在重新集成开发和维护方面进行任何额外投资。
最后,作为敏感企业和客户数据的保管人,安全性是企业的另一个主要关注点。现代混合连接解决方案不需要在防火墙上"打洞",而是通过在防火墙后面安装一个本地连接器(OPC)来代理不同平台之间的数据访问,从而创建对防火墙的友好访问方式,以访问本地数据源。这有助于将敏感数据保存在防火墙后,以遵守数据隐私法规,并最大限度地减少安全威胁的暴露。
中国领先的云供应商选用Progress Hybrid Data Pipeline
速度对企业至关重要。如果客户和内部消费者一直等待加载,云供应商就会失去价值。实时或接近实时,对于应用程序报告和决策至关重要。
一家中国领先的云计算服务提供商正面临与数据应用程序实时集成并通过标准接口连接而无需编码的挑战。
Progress Hybrid Data Pipeline允许客户访问云中或防火墙后面的内部数据,并通过标准接口(SQL(ODBC,JDBC)或REST(OData 2,OData 4))进行连接。通过消除对手动编码的需求,通常需要数月时间的集成过程被减少到了10分钟左右,从而节省了大量时间和成本。此外,凭借混合连接解决方案,该跨国技术公司还能够在最少的协助下快速建立和维护,从更精简的工作流程中获益,从而提高整体生产力,并通过实时访问所有客户数据来提高销售成功率。
Hybrid Data Pipeline提供了更多功能,可随时随地安全地连接数据。
在混合环境中蓬勃发展
企业渴望获得灵活性和机会,以最大限度地提高性能、节省成本,并根据个人需求构建数据架构。这就只能对所有数据和见解进行单一概述,并采取必要措施确保混合环境中不会损害安全性。
通过混合连接解决方案,从中小型企业到领先的云计算服务提供商,各种规模的企业都可以更快、更频繁地建立对数据的安全访问,从而获得竞争优势。在变革已经成为新常态的当今商业环境中,决策者随时可以访问最新信息以制定明智和及时的决策并指导企业渡过危机变得越来越重要。
作者:Progress北亚区销售总监 Nicholas Chan
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。