随着移动互联时代的发展和数字化转型的深入开展,企业应用需要适应新的业务需求而不断改变,支持应用的基础架构也要不断地改变。从弹性,安全,可控,成本等角度考量,目前被广大企业客户接受的基础架构是混合云架构。这就需要客户应用、数据能够在私有云、多个公有云之间自由、灵活地流动;同时解决快速开发、管理、运维等问题,“云原生”概念和技术因此应运而生。未来,所有的IT基础设施都将兼容和支持“云原生”的技术标准。这样,IT基础设施就能很好地整合,客户应用、数据才能够自由地流动。
Hitachi Vantara致力于不断打造在IT基础架构、数据管理和分析能力方面的优势,以及运用其在AI、工业解决方案和数字化转型领域的专业经验来服务千行百业。近日,Hitachi Vantara宣布推出新一代Lumada DataOps套件。
凭借现代化云原生架构,Lumada DataOps套件为Lumada不同的软件产品提供了可扩展的基础,利于这些产品在多个云供应商之间无缝访问,来提高规模化数据运营管理的灵活性,同时通过容器化的部署降低成本。
那么基于云原生架构,数据管理面临哪些挑战?Lumada DataOps套件的优势是什么?能给客户带来哪些价值?Hitachi Vantara中国区售前技术负责人谢勇最近接受至顶网的采访,分享了自己的观点。
面对云原生,数据管理挑战重重
云原生架构的最终目的是服务企业的业务,所以在传统企业应用云化过程中,现有的IT基础设施是否适应云原生应用的发展,以及如何保证应用和数据的自由流动便成为企业关注的核心问题。谢勇根据客户的实际反馈,认为目前云原生架构和应用发展过程中,数据管理方面主要面临三个挑战:
第一,存量IT基础设施改造问题。对于一般的企业客户而言,他们往往存在大量的IT基础设施,而这些基础设施并不能够很好地支持“云原生”的技术标准。“针对传统应用架构、传统IT基础设施改造这一问题,我们的建议是分步走——一方面,按紧迫性、重要程度逐渐开展传统IT基础设施改造工作;另一方面,采用兼容老旧设备的技术,例如Hitachi Vantara领先的虚拟化技术,通过新的支持‘云原生’存储虚拟化老存储,这样老存储就可以支持‘云原生’了。”谢勇谈到。
第二,应用和数据自由流动问题。企业通过“云原生”的技术标准搭建了云原生的技术平台仅仅是开始;如何能让应用和数据在云原生平台自由流动是关键。这里涉及到应用无缝迁移技术、数据复制技术、数据安全策略和高效网路技术等。
第三,完备的云原生平台运维策略和工具。云原生平台的运维远比单一私有云、公有云复杂。因此,完备的云原生平台运维策略和工具,是云原生平台成功的保障。
Lumada DataOps基于云原生架构实现数据高效管理
Lumada DataOps套件推出的主要目的是通过将分散的数据孤岛整合为一,解决数据收集、整理、合规、分析、运营、变现等问题,贯穿整个数据价值获取的生命周期管理,以便客户可以使用经过管理的数据经纬(Data Fabric)进行数字创新。客户可以借此解决数据复杂性的难题,缩短获取数据并创造有效的价值洞察所需的时间。
谢勇分享了Hitachi Vantara的Lumada DataOps套件两个特点:
第一,Lumada DataOps套件是一整套基于云原生架构打造的、面向云-边-端技术一体化的全套IT架构和应用软件;第二,Lumada DataOps套件基于云原生的架构,能够在多个云供应商之间无缝访问,从而提高规模化数据运营管理的灵活性,并通过容器化的部署降低成本。
Lumada DataOps套件示意图
英国某交通行业汽车租赁公司非常关注大型商业车队、私人租赁运营商及其所依赖的电力网络,希望加速英国向电动汽车过渡,以减少碳排放并提高运力。
“他们采用Hitachi Lumada DataOps套件,在3年时间内收集并分析有关商用电动车充电、用量及对配电的影响这一大规模跨行业数据集。据最初的业务建模估计,英国网络运营商将减少270万吨二氧化碳排放,并节省2.07亿英镑(包含所有的电费支付者)。”谢勇分享Hitachi Lumada DataOps套件在电力行业的应用案例。
最后,谢勇表示,随着混合云架构转型不断深入开展,云原生今后必将迅猛发展。未来,主流的IT基础设施和应用都将支持云原生技术,进而反过来推动应用开发、数据流动技术的不断升级,以及客户业务的不断发展。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。