美国德克萨斯州休斯顿-2024年4月8日-Hewlett Packard Enterprise(NYSE:HPE)日前宣布将在HPE Aruba Networking Central上集成多个生成式AI大语言模型,以拓展其AIOps网络管理能力。HPE Aruba Networking Central是HPE云原生网络管理解决方案,并托管在HPE GreenLake 云平台上。此外,HPE同时宣布,Verizon Business将纳入HPE Aruba Networking Central以扩展其托管服务组合。
不同于其他仅通过API调用公共大语言模型的生成式AI网络方法,HPE Aruba Networking Central的全新内置大语言模型采用了创新的预处理和防护措施,旨在提升用户体验和运营效率,并重点关注搜索响应时间、准确性和数据隐私保护。HPE Aruba Networking借助业内最大的数据湖之一,拥有近400万台网络设备和超过10亿台客户终端的网络遥测数据,这些数据将为用于HPE Aruba Networking Central预测分析及建议的机器学习模型提供强大动力。同时,全新的生成式AI大语言模型将融入HPE Aruba Networking Central的AI搜索功能,并作为 HPE Networking Central现有基于机器学习的 AI 能力的重要补充,以提供更深入的洞察、更佳的分析以及更主动的功能。
HPE Aruba Networking首席产品官David Hughes表示,“现代网络客户需要将安全优先、AI驱动的洞察力纳入其关键基础设施中,而这恰好是我们所致力于提供的服务。通过此次积极举措以及在HPE Aruba Networking Central上部署多种大语言模型,HPE正在积极拥抱生成式AI带来的强大能力,并延续了其在AI创新方面的辉煌历史。”
HPE Aruba Networking始终秉承安全优先原则使用AI,并通过将运行在HPE GreenLake 云平台的HPE Aruba Networking Central大语言模型进行“沙箱化”处理,以保护个人和客户身份信息 (PII/CII) 。此外,HPE Aruba Networking Central通过专有的定制化大语言模型确保客户数据安全。该模型可移除PII/CII数据、提高搜索准确性,并针对网络运营问题提供亚秒级响应。
作为其扩展功能的一部分,HPE Aruba Networking Central的生成式AI模型训练数据集规模是其他云平台的十倍,其中包括数以万计来自HPE Aruba Networking的公共文档,以及多年来积累的来自客户的三百多万个问题。
自2014年推出以来,HPE Aruba Networking Central提供的强大功能,可帮助用户对有线和无线局域网、广域网以及IoT网络进行配置、管理、监控和故障排除,实现网络运维的全生命周期功能集成。HPE Aruba Networking Central是一款软件即服务(SaaS)产品,主要以年度订阅形式销售,并提供基础(Foundation)和高级(Advanced)两个级别的订阅模式。全新基于生成式AI大语言模型的搜索引擎将在HPE的2024财年第二季度推出,并包含在所有级别的许可中。除了作为独立的SaaS产品外,HPE Aruba Networking Central还作为HPE GreenLake for Networking(网络即服务,NaaS)订阅的一部分,可通过HPE GreenLake平台提供服务。
Moor Insights & Strategy副总裁兼首席分析师Will Townsend表示,“如今,客户正在寻找能够切实改善业务的实用AI应用。在高效网络管理领域,数据和模型至关重要。AI对于网络和安全操作来说并不陌生,但生成式AI是以其自然语言界面为基础的。其挑战在于如何将查询与AI算法紧密结合,以提供相关且有意义的业务成果。在独立且互不干扰的沙箱中提供一套专用大语言模型可保证隐私并提供最佳的性能。随着HPE Aruba Networking Central新功能的发布,HPE推出革新性的生成式AI功能,在强化安全的同时不影响网络性能。”
Verizon Business等合作伙伴正在积极利用HPE Aruba Networking Central或是Verizon托管SD-Branch解决方案,助力企业提高网络和应用性能,实现更敏捷、可预测的业务成果,同时减轻内部 IT 资源负担。
好文章,需要你的鼓励
OpenAI明确表示要成为互联网一切事物的主导界面。AI智能体正在改变用户的数字习惯,从健康记录分析到购物指导,ChatGPT已经在多个领域扩展影响力。用户快速采用AI工具,但企业和生态系统的适应速度滞后。电商领域的权力分配尚不明确,用户偏好AI驱动的答案优先体验,品牌则推动生成式引擎优化。研究旨在了解用户与企业在AI变革中的适应差异。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。