Riverbed科技公司日前宣布,美国KLX公司正在使用Riverbed解决方案实现服务品质保障。通过不断完善底层IT基础设施,将更换飞机零部件时长从4小时缩短至20分钟。通过与Riverbed合作伙伴Tier3科技公司的合作,KLX公司使用Riverbed SteelCentral性能管理解决方案提供的数据情报设计了一套全球IT基础设施。优化本地和KLX自有集中式关键业务应用Kardex的性能,而Office365等公共云应用则可以以远程交付的方式提供给用户。KLX公司使用Riverbed SteelHead设备来实现数据中心之间的广域网(WAN)优化,并使用Riverbed SteelHead SaaS加速云应用。Riverbed SteelFusion设备则通过消除复杂的本地基础设施,集中分支机构数据,备份和IT运维操作,同时加速本地应用性能,为世界各地的分支机构站点奠定基础。
KLX公司是一家全球领先的航空航天紧固件、耗材及物流服务提供商,为客户提供KLX航空航天解决方案。同时,该公司还为北美地区油田服务和相关设备租赁提供KLX能源服务方案。KLX航空航天解决方案为航空公司提供电话救援服务,例如在一架飞机满载乘客,却在停机坪上等待更换零部件而无法起飞的时候,KLX就会发挥作用。KLX公司在全球设有110处设施(包括55个现货仓库),员工总数近4000人,现可在20分钟内交付备用零部件。
在从B/E航空航天公司分拆之后,KLX获得了从零开始创建一个全球性IT基础设施的机会。KLX公司基础设施总经理Jack Ortman解释道:“我们有一个独特的机会和一个全新的环境,我们可以选择最好的技术。如选择WAN优化技术来处理长距离和延迟问题。而不仅仅只是为了我们的核心应用Kardex。我们有一些位于云端和数据中心的关键业务应用,其通过网络进行交付,且性能至关重要,如我们的某些财务系统,电子邮件和Office 365。”
Riverbed合作伙伴Tier3 科技公司通过使用SteelCentral AppResponse解决方案开始与KLX合作以了解现有(母公司)基础设施情况。Tier3创始人兼首席执行官Michael Paynter说道:“由于近年来他们一直在增长,所以很多已有的嵌入式系统和依赖关系没有人真正了解。通过使用SteelCentral,我们能够帮助KLX公司了解来自世界各地的用户如何访问应用以及相互之间的依赖关系。更重要的是,哪些因素会导致性能问题。”
Tier3科技公司把在KLX公司部署的SteelHead,SteelFusion和SteelHead SaaS作为一个独立集成的系统,并为KLX公司长期提供持续的应用优化和数据服务。SteelFusion被用于KLX公司分支机构站点的原因有二,其一是它可以提供优化应用性能所需的WAN加速,其二是该应用可以通过集中100% 的分支机构数据和备份中心数据来保护数据安全。Ortman说道:“我们有很多可以在不同功能领域共享的文件。SteelFusion可以实现将这些文件投射到分支机构,使用户像使用本地文件一样获得满意的性能又不会有丢失数据的风险。”
就满足服务品质保障来说,Ortman建立的网络已经取得了一定的成功,他表示:“目前,99.7%的订单都能按时按要求交付给客户。很明显,在我们持续改善流程的过程中,服务水平也在不断提升。”就成本而言,他很满意。他继续补充道:“Riverbed科技在提高系统性能的同时降低了总体成本。未来一年,随着我们规模的进一步扩大,预计将为我们节省100至150万美元,没有他们,这些钱将不得不用于升级我们在世界各地的远程WAN连接。”
好文章,需要你的鼓励
随着AI策略成熟,CIO开始重新考虑对公有云的依赖,私有云和本地环境重新受到关注。调查显示,67%的企业领导计划在未来12个月内将部分AI数据迁移至非云环境。主要原因包括成本可预测性、数据隐私保护、安全问题和云集成挑战。对于持续的AI工作负载,购买自有GPU比租用公有云更经济。私有云支出增长更快,预计2025年将有54%的组织在私有云上投入超过1000万美元。
沙特TachyHealth团队开发的32亿参数医疗AI模型Gazal-R1,通过创新的双阶段训练方法在医疗推理任务上超越了12倍大的模型,在MedQA等测试中取得87.1%的优异成绩,展现了精巧训练策略胜过规模扩张的重要启示,为资源有限的医疗AI研究提供了新路径。
本文深入分析了从传统AI发展到AGI过程中可能出现的智能爆发现象。基于AI专家共识的2040年AGI实现预期,文章探讨了七种主要发展路径,重点关注突破性的"登月路径"。智能爆发理论认为,智能可以像原子链式反应一样相互促进,快速产生大量新智能。文章预测2038-2039年可能发生智能爆发,随后在2040年实现AGI,但也指出了关于智能爆发的启动、控制和潜在风险等争议问题。
奥地利维也纳医科大学研究团队开发了RetFiner技术,通过让眼科AI模型同时学习OCT图像和医疗文字描述,显著提升了诊断准确率。该方法采用四种训练任务让AI模型建立图像与文字的深层联系,在三个主流眼科AI模型上实现了2-6个百分点的性能提升,为医学AI发展开辟了新方向。