Riverbed公司日前宣布,全球领先的商业地产公司仲量联行(JLL)正在采用Riverbed SteelHead建设其新一代混合网。作为《信息周刊》评选出的精英百强企业,仲量联行采用领先科技为其分布在80余个国家的商业地产业主、投资商及企业客户创造价值。仲量联行的许多技术来自Riverbed SteelHead解决方案。SteelHead确保卓越的网络应用性能,支持高流量,如实时视频等高带宽应用,以及云和SaaS应用等。
仲量联行是一家财富500强企业,年收入54亿美元,专注于在商业地产服务和投资管理方面提供专业服务。
仲量联行的IT团队为公司分布在80余个国家230个办公场所的5.8万名员工提供支持,并负责确保快速访问集中管理的关键业务应用。同时,IT还负责为公司使用的业内领先的技术平台提供支持,如:全面的企业数据与分析平台RED;3D远程站点选择工具Blackbird,智能建筑平台IntelliCommand,以及一款获奖的物业营销技术工具套件。
仲量联行的IT环境正在不断发展以满足公司对尽可能控制成本的要求,同时保持在商业地产领域的技术创新地位。例如,由于公司将更多的应用和服务转移至云,使得网络正在向混合化发展。同时,公司正在进行一项工作,即将每个办公室原有的MPLS网络替换为高速互联网双链路,从而以更低的价格提供更高的带宽。同时,仲量联行还采取了一些新的举措,如员工视频会议以及内部网络广播等高带宽应用。
作为Riverbed的早期客户,仲量联行最初部署SteelHead设备是为了避免为全球所有办公场所购买带宽。仲量联行美国区首席技术官Joe Ryan谈到:“当时带宽还极其昂贵,现在虽然可用的带宽很多,仲量联行依然借助SteelHead来确保网络上的快速数据访问和最佳应用性能。我们的专业人员将带宽利用到了极致;我们的客户希望从我们这里快速获得启发,也就是高性能。即使网络达到100mbps的连接速度,如果没有SteelHead设备,人们将会因较差的应用性能而抓狂。”
由于仲量联行在混合网络中不断采用互联网应用,因此其网络连接的数量也在日益增加。为给越来越多的技术熟练员工提供支持,仲量联行不断部署Riverbed解决方案,助力该公司提升灵敏性,降低运维成本,同时为全球用户确保卓越的应用性能,即使用户数量越来越多。仲量联行美国区首席信息官(CIO)Edward Wagoner指出:“在不影响性能的情况下通过互联网交付关键业务应用,可为我们节省数百万美元。Riverbed成功做到了。”
仲量联行还使用SteelHead设备上内置的虚拟平台来开展其他服务,例如进行软件更新。采用Riverbed技术可以撤除分支机构的服务器,节省大量时间和成本。Ryan指出:“从管理的角度来看,我们不再需要服务器及其一切相关的成本。SteelHead为团队节省了时间,因为在监控、修复及办公室搬迁时需要移动的设备少了。节省的时间积少成多。”
SteelHead还有助于确保高质量网络广播和视频会议的进行,助力仲量联行进行员工大会直播,支持其他数据密集型客户平台,例如新数据和分析平台RED,以及3D远程分析软件Blackbird。为支持视频应用,当SteelHead检测到多个用户收看视频直播时,它只发送一个请求,然后将该视频在本地分流,服务于每个人。该设计的目的是确保高质量的视频播放效果,同时对资源的需求更少,保护其他应用不受性能问题困扰。SteelHead视频分流助力仲量联行撤除了在美国90%以上办公室的媒体服务器。”
最重要的是,Riverbed SteelHead技术有助于保持仲量联行在商业地产领域IT创新的前沿地位。“我们在外面和同行聊起来,发现我们远远领先于他们。下一代WAN现在非常吸引媒体的眼球,”Ryan说到。“我们视技术投资为人才投资。我们一直寻求最新技术,确保可以利用到该技术。Riverbed就是我们寻求的理想技术之一。”
Riverbed SteelHead 与 Riverbed Application Performance Platform™
Riverbed Application Performance Platform助力CIO实现企业级端到端可视化、优化与控制。作为该平台的一个关键部分,Riverbed SteelHead是业界首屈一指的WAN优化解决方案,加速交付混合企业的所有应用。SteelHead为应用性能和终端用户体验提供增强的可视化能力,根据集中式面向业务意图的策略,通过混合网络应用方法确保业务性能SLA。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。