——作者:Riverbed公司大中华区总经理袁志陵
今天,创新型企业正在向我们提出一系列重大变革性问题,比如:
“我们想成为一家什么样的公司?”
“我们应该利用怎样的数字化服务来实现这一目标?”
这些问题其实是企业数字化转型背后的真正驱动力,也是他们当下关注的焦点。据IDC预测,到2017年底,超过70%的全球500强企业将拥有专门的数字化转型团队。而到2019年,用于数字化转型举措的投资将达到2.2万亿美元,比2016年增长60%还要多。
数字化转型并非一蹴而就之事,而是一个需要规划的战略性且循序渐进的过程。为数字化转型配备专门的团队和预算只是朝正确方向迈出的一小步,真正的困难还在于确定要从何处下手。
数字化转型中云的作用
数字化转型中,云变得无处不在,而且是一个很自然的起点。借助基于云的各项技术完成快速扩展和收缩有助于实现数字化,并应对业务的快速变化。但对于大多数企业而言,实现传统工作负载向云的全面提升和转移并不现实。
成熟企业的旧有系统和应用程序无法在一夜之间迁移至云端,甚至由于监管要求,某些资源必须留在本地。推动企业迈向云计算的关键在于确定哪些是需要先期采取的举措,以此来提升成功的机率,为企业赢得信心,展现影响力。
除了那些云优先和全云的新应用外,您的企业可能有成千上万的应用需要向云迁移。或许您可以把这个数量缩小到几百个。即便如此,你又如何确定哪些应用在云端部署最有意义?
理论上,任何旧有应用都可迁移到云端,但在做出最终决定前,必须了解业务的投资回报率、技术影响和性能影响。这就需要对从网络到应用层的全部协议栈实现全面可视化。
利用如Riverbed SteelCentral™这样的应用性能监测解决方案的企业会发现:他们获得的端到端可视化对于规划数字化转型变革至关重要,因为这样的解决方案是用来监测数字化转型中性能是如何发生变化的。
使用应用性能管理(APM)来监测关键业务应用和服务可将网络各部分的数据集成到应用基础设施的一个完整视图中。现有老旧基础设施的可视化使得企业能够了解每个应用的消耗状况并评估将某一应用迁移到云端的可行性。通过对地区性发展、用户群增长以及消耗特征的评价,企业可以对哪些应用能够迁移到云端做出明智决定。
Riverbed最近宣布:世界上最大的集装箱航运运营商马士基航运公司正在使用Riverbed SteelCentral为其数字化转型战略提供保障。马士基认识到:随着公司的数字化收入从20%增长为超过90%,拥有可扩展和稳定的数字平台基础设施并在整个数字化服务和云端实现端到端可视化至关重要。SteelCentral为企业数字化转型举措的成功实施打下了坚实的监测基础。
Riverbed SteelCentral为企业带来的价值
Riverbed SteelCentral™可以为IT部门提供市场上最全面、模块化、集成的性能管理解决方案,能够对云内外的终端用户、应用、网络和基础设施进行监测,帮助企业消除碎片化、无效性能管理,实现全面、整体管理。Riverbed SteelCentral助力企业以更加均衡的方式实现性能管理。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。