极致,是一种追求,更是一种态度。而企业对产品的极致追求,更是企业负责任的一种体现。下面就让我们来看一下,新华三企业无线是如何在标准相同、指标相近、功能相仿的同质化时期,利用智能运维,将无线产品做到极致的。
网络智愈,让客户回归业务本身
在与新华三集团无线产品线总经理赵玉金的沟通中我们可以了解到,新华三在2017年8月8日首发了Wi-Fi 6企业无线之后,几乎实现了Wi-Fi 5到Wi-Fi 6的产品切换。随着客户逐渐回归于业务本身,怎么让客户业务好用、易用、体验好,以及让他们省更多的人力去思考真正的业务,成为新华三一直在思考的地方。
新华三集团无线产品线总经理赵玉金
在随后的大约五年多时间里,新华三通过大数据和AI的方式,解决运维的问题,实现网络问题自动优化,达到“网络智愈”。 “网络智愈”最终的目的是免运维,让运维这个服务成为一种远程监控和提醒,最后全部交给新华三的智能运维自己去渐进优化,达到一个理想状态。
例如,在赵玉金的实例讲解中我们可以了解,在新华三协助建设的某校园无线网络中,师生经常遇到走出校门口后,即使有无线信号,但是扫不了共享单车的问题。这是因为校门口属于学校边缘,无线信号不好,因此影响到应用的正常使用。新华三了解到这个问题,在与师生进行深入探讨后,给出了其基于智能运维的独到解决方案。即依据边缘AP和它的漫游轨迹进行路线分析,当分析出这个终端是要离开校园后,一旦终端离开AP的有效范图,就自动让它离开网络。至此校门口因连接无线无法扫描共享单车的问题也就解决了。
此外,还有很多无线运维问题,同样可以依据智能运维去进行解决。比如在一些高密度无线接入场景中,常常遇到的“乒乓漫游”问题。当终端处于两个AP信号相仿的AP之间,很容易出现反复切换的情况,当达到一定频次时,智能运维就可以判定它是“乒乓漫游”。这时候的解决方案就是将其中的一个AP信号稍微增强一点,基本就可以解决这方面的问题。
智能运维4i技术,让无线接入更快速、更智能
智能运维看上去很简单,但实际上想要真正成功运营,需要有一套体系化的技术积累进行支持。新华三将其总结为iRadio、iStation、iHeal和iEdge。
首先,iRadio是解决空口的问题。比如ARP报文,因为它是广播报文,用最低的速率发送,直接就把空口资源占满了。所以,我们一定要站在业务本身来考虑,要把空口资源省出来让真正的业务使用,省出1%,这个网络就好用了。
其次,iStation是解决终端更快更好地接入问题。以前经常会提2.4G和5G的接入导航,如果发现终端支持5G,但想接2.4G,就尽量不让它接。现在的终端如果是双频的,都会优先接5G的。
以上两点是基础,而核心则是新华三的iHeal,通过把服务和研发人员碰到的实际问题的数据可视化,利用数据发现和分析,去解决实际的问题,最大化省去现场结局问题的人力和时间成本。目前新华三已经积累了上百种问题解决方案,像“出门问题”、“乒乓问题”等,只要看整个网络终端波动情况,如果发现有信号来回跳的现象,就直接依据相关策略调整AP功率,一点点地把它优化掉。未来,随着时间的积累,新华三收集到的问题和解决方案也会越丰富,智能运维就会越发成熟,从而可以更好的对企业无线网络实施智能化的管理。
当然,智能运维仅仅是新华三企业无线解决方案其中的一部分,还有可以识别关键业务、加速关键业务、重点保障关键业务的边缘感知iEdge;更快速度、更高性能的“智快”无线接入产品。
正是由于这些智能化的运维策略与智能化的高性能无线产品相结合,才可以让新华三的企业无线在追求极致的道路上越走越远,从而让企业无线达到极致。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。