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
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。