“以大数据为代表的创新意识和传统产业长期孕育的工匠精神相结合,使新旧动能融合发展,并带动改造和提升传统产业。”自2014年“大数据”首次写入《政府工作报告》以来,李克强总理在多个场合反复强调这一热词。
的确,数据是基础性资源,开发应用好大数据对个人、企业、社会意义重大。不过要提高对数据的加工能力和实现数据的增值并不容易,要知道大数据并不仅仅是互联网的“专利”。
想要挖大数据的这座“金矿”,需要一个产业链的推动与合作。作为新IT解决方案的领导者,新华三在大数据领域实际已耕耘许久,2013年新华三集团旗下华三通信提出“新IT”战略,其中大数据就是四大方向之一。
目前,新华三集团融合了华三通信和原惠普企业业务的技术和产品优势,可提供大数据全系列产品和解决方案、咨询服务、实施服务、运维服务。新华三有海量异构数据管理和实时分析的大数据平台,有领先的大数据服务器及相关基础设施产品,并在政务、制造业、汽车、金融、电信等行业有大量的解决方案与实践。同时在大数据的流通和交易有成熟经验,可以助力各行业以及政府推动数据资源共享开放和开发应用。
新华三的大数据能力图
新华三致力于成为领先的大数据综合服务能力提供商,大数据的分析和治理平台则是其大数据战略的重要组成部分。
新华三副总裁孙德和表示,新华三拥有物联网网关、工业交换机、大数据采集系统等产品,它们在基础网络改造中发挥作用,从而解决数据采集的问题。
政企等机构拥有了大量的数据,如何利用好这些数据就变得非常重要。“华三是聚焦在大数据平台侧及数据管理治理侧。”孙德和指出,我们要利用这种结构化数据的分析能力和开源的非结构化数据的分析能力,打造一个大数据的多业务分析平台。
有了这个分析平台,就可以对数据进行管理和治理,不过目前国内对数据的采集、归档、管治情况却由于各种原因呈现出参差不齐的状态。因此,新华三推出了工业大数据解决方案,它能够很好的解决制造业数据的采集、存储、分析等问题。
有了对数据的采集和治理,接下来要发挥数据的作用,对上层应用提供接口则是新华三建设大数据生态的重要组成部分。“我们会在各行各业发掘不同的应用开发商,比如公安、政府、交通、卫生等行业,跟这些行业比较专业的大数据应用开发商合作,让他们基于新华三的大数据产品和平台开发应用,从而加快生态产业链的建立。”
所以,综合看来如果描绘华三的大数据能力架构图,架构图的底层是其大数据基础平台,之上是数据管制体系或数据治理平台,数据治理平台之上则是数据融合控制层,它以标准的接口和规范,使生态合作伙伴可以便捷的进行应用开发。这也就是新华三具备的大数据能力和构建大数据平台的最大底气。
据了解,目前新华三大数据服务了公安部内部信息系统流量大数据分析和管控项目。通过新华三大数据技术,实现精准的流量趋势分析,全网流量智能调度,重点应用智能化保障。
按照公安部大数据分析系统建设思路,该系统建设分为数据集采,存储分析,以及用户运维及预判大数据应用三部分。通过部署应用控制网关,实现了数据实时抽取;大数据平台对采集到的数据存储和分析,形成数据服务目录;基于服务目录实现应用开发,如多维分析、流量趋势预测等。最终实现公安信息系统精益运营,支撑高效警务。
跨越大数据鸿沟
可以预见,大数据发展对各个行业的产业链一定会带来难以想象的变化,并创造出巨大的商业价值。不过,要实施好大数据战略,显然要直面几个问题:
首先,核心技术需要自主可控。在新华三看来,目前主流的大数据核心技术,比如大数据存储技术、高性能数据库、大数据分析挖掘、机器学习等,还是由国外企业主导得比较多,这样在行业大数据发展上会比较被动。而新华三集团通过技术积累和创新,可定制化服务国内各行业的大数据建设。
其次,大数据专业人才需要储备。大数据战略需要的是复合型人才,要求掌握业务场景、数据产品使用、统计学、数据分析和机器学习等多方面综合知识。新华三集团携手高校、科研机构等,推出大数据人才培养解决方案,加快国内了大数据人才培养储备进程。
据介绍,新华三集团还成立了大数据学院,专注于大数据领域的相关人才培养,提供了丰富的专业技能培训,行业领先经验分享,产学研创新融合等等。
最后,还有落地能力。新华三认为只有不断的在实践落地中,才能加快国内大数据建设进程。新华三集团已在政府、农业、制造业、公安等10多个行业有非常多的落地经验,可以本地化、定制化的给客户进行大数据系统部署交付。
同时,贯穿大数据始终的还有安全,首当其冲就体现在数据的共享与交换上,数据的安全性是大数据得以成型的前提。新华三针对行业客户的不同需求,对客户的数据安全隐私等方面进行保护,进而让客户更安全可靠的使用大数据系统。
所以,以领先大数据平台为基础,构建大数据行业创新解决方案,在大数据采集、存储、处理、数据挖掘等领域提供有竞争力的解决方案,新华三走在了挖掘大数据金矿的路上。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。