今天,我想从Gartner最新发布的2016应用性能魔力象限报告谈起。最新报告显示,无论是在关键产品能力还是作为魔力象限的挑战者,Riverbed SteelCentral应用性能管理套件的位置都较前几年有所上升。《Gartner同业洞察报告》印证了这一变化——客户认可魔力象限报告中对Riverbed的评估结果,并从使用者体验出发将SteelCentral应用性能管理列入应用性能管理十佳供应商行列。作为应用性能管理解决方案的领导者,SteelCentral受到分析师和客户的高度认可,背后的原因多种多样。但我想强调的是2016年SteelCentral应用性能管理套件在其发展历程中具有里程碑意义的几件大事:
SteelCentral应用性能管理“复兴行动”始于2014年,旨在创建一个在现代应用环境中易于部署、使用和管理的统一平台。随着对核心应用性能管理组件AppResponse、AppInternals和Portal进行重新设计和紧密集成,这一行动现已圆满完成:
一直以来,了解用户历程对实现数字化转型这项长期工作至关重要。加入Aternity组件的SteelCentral能够帮助用户获得前所未有的可视化水平,全面掌握用户与用户设备中各类应用的交互状况。这一独特优势与SteelCentral应用性能管理所具有的捕捉、分析每种用户事务的能力深度融合,使该系统成为应用性能管理市场上最全面的数字化体验监测平台。
2016年是SteelCentral应用性能管理的关键一年,2017我们将持续拓展现有平台的各类性能,积蓄能量,继续前进。2017年,该平台将有如下重大变化:
跨云和本地平台部署使应用复杂性进一步提高。此外,容器技术和按需提供的PaaS (平台即服务)资源使得底层环境存在时间变短。鉴于下一代应用的特质,我们引入了性能图表,借助大数据分析来确认并预测应用环境中可能出现的各类瓶颈。我们还将借助额外监测数据持续提升性能图表功能,帮助用户诊断各类更广泛的应用性能问题。SteelCentral Aternity用户设备数据将被整合至应用性能管理平台,从而提高跨域分析能力。
我们还会持续改善开发运维体验,实现整个工具链内的性能数据可用性。我们的目标是帮助客户实现开发—测试—部署周期的完整性能分析,进一步优化应用质量和发布节奏。
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。