NetApp将收购云运营自动化初创公司Fylamynt,并将其添加到自己的Spot by NetApp云运营产品组合中。
这是NetApp在过去两年中的第四次收购,试图以此打造一项年经常性收入突破10亿美元的云业务。去年6月,NetApp收购了Data Mechanics,获得了后者基于API的Apache Spark作业接口软件,此外还收购了安全性和合规性厂商CloudHawk,以及云成本管理厂商CloudCheckr。
NetApp公司执行副总裁、公有云业务总经理Anthony Lye发表了一份声明称:“Fylamynt与Spot by NetApp的原生集成,将使企业组织能够在其现有的云环境中快速可靠地部署Spot by NetApp服务。通过结合Fylamynt预建集成和Spot CloudOps产品组合,他们将可以加速、优化和自动化其云运营基础设施。此次战略性收购加速了NetApp在CloudOps领域的整体领先地位,并使客户能够继续以更低的成本享受更多的云服务。”
Fylamynt公司是由首席技术官David Lee、首席执行官Pradeep Padala博士以及工程副总裁Xiaoyun Zhu博士于2019年创立的,旨在为DevOps和Site Reliability Engineering (SRE)提供云事件响应设施。该公司在2020年种子轮融资中获得了650万美元。不过此次收购的交易财务细节尚未披露。
Fylamynt白皮书图表
Padala表示:“我们的共同愿景是帮助团队以云的速度部署和运行,我们很高兴将我们现代云自动化功能集成到Spot by NetApp产品组合中,最终让自动化普及到每个企业中。”
Fylamynt的技术提供了端到端的事件响应,包括警报、协作和自动修复功能。SRE团队可以使用Fylamynt的自动化设施构建自动化工作流程。而且Fylamynt有一个所谓无代码的可视界面,让工程师可以构建、运行和分析工作流。Fylamynt软件中有多个针对基础设施即代码工具的连接器,可连接Terraform、Ansible和Cloud Formation,以及DataDog、Splunk、PagerDuty、Slack和ServiceNow等服务。
Fylamynt表示,这个连接器通过使用AI增强工作流,可以对具有任何服务和所有代码的任何云工作流实施自动化。Padala表示:“自动化是大规模运营高可用企业SaaS的关键,但构建自动化的瓶颈在于编写代码。我们创立Fylamynt的目的就是帮助云工程师在几分钟内,就能将其云工作流的各个方面进行编码。”
NetApp表示,随着企业越来越多地转向云端,他们需要自动化功能来帮助他们轻松有效地构建、集成和运行多种服务。Fylamynt的自动事件响应服务可满足这一需求,以减少云原生应用的停机时间。
当前,NetApp正在针对那些在公有云中部署应用的企业,打造一款运营基础设施产品,NetApp认为这是一个快速增长的市场,目前还没有成熟的参与者但有很多创新的初创公司。NetApp将收购此类初创公司,并将其产品集成到Spot by NetApp中,从而让NetApp在这个市场中占据领先地位并成为主导者。
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。