在本期任务专访中,一位IT专业人士探讨了随着设备激增,为学生公寓支持无线基础设施面临的挑战。
在这篇文章中,我们采访了International House的IT经理Heriberto Altieri,International House是私有非盈利宿舍,其居民主要是在纽约市各大学就读的国际学生。
你最近在忙什么网络项目?
Heriberto Altieri:我们正试图改进Wi-Fi,在五年前,我们做了初始投资,并部署了Wi-Fi,现在我们试图对无线基础设施进行升级和改进。
你试图实现什么目标?
Altieri:我们需要满足来自世界各地的学生居民的需求,这是一个挑战。该技术变化非常快,满足带宽分配和配置需求是不小的挑战,还有无线基础设施和密度的挑战。
我预计这次升级主要将在基础设施以及终端,例如部署采用新11ac技术的新接入点。现在我们有11n,所以我们正在试图支持一些新的协议。目前我们正在使用Ruckus硬件和Slice(纽约托管服务提供商)的产品,我们可能会在升级中继续使用这些产品。
你是否在网络中看到很多802.11ac移动设备?我认为,在一般情况下,学生总是会使用最新的设备。
Altieri:这是很有趣的事情:由于人们来自世界各地,我们看到了各种类型的设备。你会看到有的人使用最新最强大的设备,你也会看到有人在使用老旧的设备和装置。我们正在试图理解这一点,我们基本上会深入到居民社区,通过反馈意见了解他们需要哪些类型的服务以及需要多少。
International House位于拥有近百年历史的建筑物中,这对你的无线基础设施会有什么影响?
Altieri:当他们建造这些建筑物时,他们使用的材料类型与现在完全不同。当我们最初部署Wi-Fi时,最大的挑战是干扰,还有密度等其他的挑战。
在使用Slice产品前,我们的网络为非托管状态。我们选择Slice托管网络,让我们能够更好地管理容量,以及提供更好的服务。他们帮助我们管理带宽的 分配、减少干扰,以及为用户提供更好的体验,例如通过配置动态VLAN以及确保网络更加安全。与Slice合作还有很多好处,我们对网络感到很满意,但我 们仍然面临一些挑战。
例如什么挑战?
Altieri:密度和速度,特别是密度,因为我们看到人们使用越来越多的设备,还有开发人员在编写越来越多的应用用于移动设备。所以,我认为我们面临的最具挑战性的问题是,如何应对如此多的设备,并能够支持它们,同时为最终用户提供良好的性能以及体验。
这些年来,你听过的最好的职业建议是什么?
Altieri:听 取客户的意见。我的一个朋友是一名DJ,有天我们在聊天,他说道,“一个好的DJ不会播放他喜欢的音乐,而是播放人们喜欢的音乐。”我认为在商业世界也是 如此,我们应该专注于客户真正的需要。如果你想要提供良好的服务,你需要了解客户的需求,在这种情况下,即最终用户的需求。不要从服务的角度来假设最终用 户需要什么,你应该通过征求反馈意见了解他们真正的需求,并试图满足其需求。
你是如何进入IT领域的?
Altieri:我的专业是电子工程,我在学校学习修理电视机和收音机。后来在某个场合,我得到机会去换出硬盘驱动器,我发现我很喜欢,这也是我开始的地方:我在康奈尔大学医学院第一次换出硬盘驱动器,这是我的第一个IT工作,基本上是作为兼职现场技术人员。
我喜欢解决问题,即修复事物和分析,这是我最喜欢的部分。所以,当我有机会做这些事情时,我会非常高兴。我在换出第一个硬盘驱动器时心想,“这很容易做,而且很有趣。”再后来我发现这并不是那么容易,但从个人角度来看,这总是充满挑战,并且很有意思。
最后一个问题:你最喜欢的三部电影?
Altieri:对于这个问题,我的第一反应是《银翼杀手》、《异形》和《普罗米修斯》,这些都是科幻电影,也是我最喜欢的风格。这三部电影的共同点是导演都是Ridley Scott。对于科幻电影,我不知道还有没有更好的导演,哦,也许还有Stanley Kubrick。
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。