Lineas选择使用HPE GreenLake为其提供IT基础架构,云上飞驰,即刻体验。
HPE近日宣布,欧洲最大的私营铁路货运运营商Lineas将选择HPE为其提供新一代IT基础架构,以即服务的形式支持其从传统的货运公司转型成为高性能、高效和可持续发展的交通运输系统。HPE Nimble Storage dHCI解决方案与HPE GreenLake一起交付,为Lineas提供了一个敏捷并易于管理的平台,能够满足客户对提高交付质量、加速IT资源部署的需求。
Lineas总部位于比利时,为全欧洲提供优质的铁路产品和全面的门到门物流解决方案。公司以前的IT基础架构和技术是在传统的竖井环境中运行的,其规模和性能均已饱和。为确保Lineas的业务连续性,这一平台还需要实施灾难恢复系统模式。
Lineas计划迈入新的市场和行业,为此,它选择了HPE作为其技术和服务合作伙伴,以提高性能和效率,并确保其基础架构有能力支持业务的增长。HPE是Lineas理想的合作伙伴,因为它能提供基础架构和即服务模式的正确组合,以按用付费模式满足Lineas对灵活性、可扩展性、高成本效益的需求,并可按需提供额外的容量。
Lineas的IT基础架构和服务管理部主管Maurice Peterse表示:“我们希望开拓新市场来推动业务增长,并且需要一个完整的技术基础架构,以按用付费和可扩展的即服务模式来满足我们的独特需求。我们希望新的基础架构能优化我们的组织,并为我们的最终客户带来更大的价值。”
由HPE Pointnext科技服务提供的端到端HPE解决方案和迁移服务是从零开始构建的,并通过HPE GreenLake交付。“即服务”解决方案为业务创造直接的价值,使新项目能够利用物联网、人工智能和机器学习等优势,例如,通过更有效地追踪货车和机车来提高运营效率。
HPE GreenLake即服务解决方案以HPE Nimble Storage聚合式超融合基础架构(dHCI)为基础,这一基础架构是为交付超融合基础架构(HCI)体验而专门设计的,相较于传统的HCI具有更大的灵活性、更好的弹性和性能。为Lineas定制的解决方案充分利用HPE Apollo 4200 Gen10 服务器的可扩展性,支持虚拟化工作负载、客户端虚拟化、数据库工作负载、DevOps Kubernetes和S3可扩展存储服务。该环境的自动化和协调工作由HPE OneView完成,而其操作和管理则由业界最先进的基础架构人工智能HPE InfoSight承担。
HPE国家主导服务与消费增长业务负责人Bart Wellens表示:“我们很高兴与Lineas合作,将帮助他们通过采用HPE存储解决方案来实现运营现代化,同时开拓新的机遇和市场。HPE GreenLake部署具有交付可靠、财务可预测和运营灵活等优势,还能为Lineas创造直接的价值,确保其实现发展目标。”
HPE GreenLake云服务为客户提供了强大的基础,赋能他们通过在本地、边缘或托管设施中运行的弹性即服务平台来推动数字化转型。HPE GreenLake将云的简单性和敏捷性与混合IT所附带的治理、合规和可视性相结合,提供了一系列能够加速创新的云服务,包括用于计算、容器管理、数据保护、高性能计算、机器学习操作、联网、SAP HANA、存储、虚拟桌面基础架构和虚拟机的云服务,现已超千家服务客户,涵盖各行各业。HPE此次与Lineas的合作,不仅为货运行业的带来了云的速度、敏捷性与可扩展性,更为推动高性能、可持续交通运输系统的发展提供了新思路。
*HPE GreenLake 产品在全球不同地区分阶段推进。在中国由新华三提供HPE GreenLake服务。中国区具体市场计划将另行通告,敬请留意。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。