身为美国10大律师事务所之一的CIO,John Green先生一直感到肩上的担子并不轻松。随着律所数字化转型战略的不断推进,更多的应用走向云,John意识到能否为律师们提供最佳的应用体验,已变得比以往更加重要。
“我们在技术方面投资了数百万美元,帮助我们分布在20个不同办公室的律师们保持网络互联。在未来一两年中,公司将有近 80% 的主要应用会迁移至云端。如果不能为律师们提供最佳的应用体验来开展业务,那就是失职。”Baker Donelson律师事务所CIOJohn Green先生表示。
其实在之前的两年里,John就一直在寻找新的产品,希望能够借助一种工具帮助他深入了解每个用户的真实终端应用体验,从而有助于提高律师们的办公效率。而现在,新的本地+云的混合环境,使这一需求变得更加复杂化。John的希望在哪里?让我们从以下视频中一探究竟……
Baker Donelson律师事务所应用Riverbed SteelCentral Aternity成功案例
链接地址:https://v.qq.com/x/page/b0526mgu0tk.html
我相信John和他的Baker Donelson的故事绝不仅仅是个案。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,用于数字化转型的项目投资将达到2.2万亿美元,比2016年增长60%还要多。从另一方面看,数字转型在企业中的全面展开,的确为企业IT部门带来了不小的压力。据测算,目前企业在用的云应用大约有500多种,并且最终用户通常会在一天之内使用三种以上不同的终端设备。IT需要了解最终用户的体验情况,以确保云、移动和虚拟化计划能够在提高员工工作效率方面达到预期效果。
Riverbed SteelCentral产品经理Mike Marks认为:“如果你对云供应商是否能提供理想的应用性能感到担心,那么最好的办法就是从终端用户的角度监测这些应用。掌握终端用户使用云应用的真实体验是无法从服务提供商的角度进行监测的。当然也不是从数据中心,而是终端用户,即终端用户在业务进行当中使用该应用的真实感受。”
锅不能自己背
任何一名IT专业人员都知道,虽然把软件托管和计算周期的工作都交给了云服务提供商,但并不意味着从此不再需要负责任。恰恰相反,IT仍然需要对这些应用的性能、可用性和终端用户体验负责。无论你是否能够访问运行这些应用的基础架构,情况都是如此。
你可能会说,我们已经与SaaS或云提供商签署了服务水平协议(SLA),还会有什么问题吗?事实上,这些在头脑一热时签下的协议并没有太多好处,因为用户可能还在抱怨网速慢和应用故障。你所需要的是一个可以实时对云供应商提供的服务质量进行监测的工具,帮助你和供应商协同工作,快速解决问题,而不是花上几周时间来争论SLA中的相关经济处罚条款。
此时恐怕就是RiverbedSteelCentral Aternity介入的最佳时机。SteelCentral Aternity通过提供丰富的终端用户体验数据,帮助IT在危机发生之前发现问题,并弄清哪些团队可以帮助解决相关问题。让我们来看看它的工作流程:
第一步:在使用时监测。监测企业员工服务顾客时所使用的关键业务应用。
第二步:在某项业务流程中使用SteelCentral Aternity监测用户与应用的交互情况。像可用性、延迟和错误率这样的技术指标十分重要。但我们真正想要评估的是用户有效开展工作的能力。比如,销售和客服人员可能会查找客户记录,搜索他们的购买记录或查看库存。业务部门会对这些用户与应用程序之间交互所需的时间有个预期目标,而该预期目标则是一个更具代表性的SLA目标。
第三步:全天候监测每位用户的体验。在一个300人的呼叫中心中,只采样三个用户的工作流程显然是不够的。必须了解每个人、每个应用和每位用户的互动情况,以便了解IT是否能够满足业务预期。
第四步:设置警报,在问题出现时进行预警。当SLA阈值被突破时,SteelCentral Aternity不仅可以在事件发生时马上告知,还能确定哪些用户、哪个部门、哪些位置以及哪些设备遇到了问题。
第五步:隔离并解决问题。SteelCentralAternity提供的信息有助于确定用户遇到的各种问题的根源所在,以及该由谁负责解决问题。比如,如果能够找到某个造成延迟问题的源头,就可以避免与ISP和云或SaaS提供商之间的相互指责。
最后,让我们总结一下SteelCentral Aternity的独特优势:
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。