F5 Networks (NASDAQ: FFIV) 近日宣布推出"超级网络运营 (Super NetOps)计划",旨在帮助企业和更广泛的 IT 行业更有效地实施自动化、提升绩效水平、消除长期存在的技能缺口,并帮助 IT 专业人员通过 DevOps 方法交付关键网络运营功能。这是亚太地区首例类似培训计划。
在不断变化的威胁形势和多云环境下,人们对自动化应用服务交付方式的需求也与日俱增。这一对更高的 IT 基础设施内部效率的需求带来了关键技术和新兴技术专业技能的缺口 - 企业认为这是阻碍它们获得成功的关键因素 。
F5 Networks 中国日本和亚太地区高级副总裁 Adam Judd 表示:"根据多数客户的反馈,技能缺口是他们普遍面临的一个问题,尤其是在 NetOps 和 DevOps 团队的工作实践和协作中。由于对 IT 服务的需求超出了基于任务的人工方法的能力范围,F5 决定直面这一挑战,为企业提供合适的工具和培养优秀人才,帮助行业进一步发展。"
F5 全球"超级网络运营计划"旨在帮助参与者同时掌握关键和新兴网络技术技能,让网络运营 (NetOps) 社区与开发人员 (DevOps) 之间实现更紧密的协作,并推动基于任务的人工实践转向更高的自动化水平,从而确保持续的业务改进和投资回报。该计划已经在数百名 F5 客户中进行了试验,可有效帮助企业打破运营孤岛,将服务时间从几天缩短到几分钟,同时确保应用符合必要的法规要求、策略和性能标准。
F5"超级网络运营计划"采用视频教程结合实验室实践的形式,并专门根据亚太地区独特的文化差异进行了本地化。该计划的推出可谓恰逢其时,目前该地区各国政府正在出台政策弥补特定的技能缺口。例如,新加坡最近发布的 2018 年财政预算案强调了协同发展企业能力和人力资本的重要性 - 其中包括为发展各年龄段劳动者深层次技能而制定的多项计划 。
在接下来的几个月里,F5 将推出一项拓展课程,其中包括新兴 DevSecOps 角色须掌握的以安全为中心的自动化部署方法。其他特色主题还包括应用语言框架和第三方自动化工具链的实施。
Judd 补充说:"由于亚太地区的大多数企业都希望能够在 2020 年之前扩展其数字产品和服务,因此,网络运营专业知识比以往任何时候都重要,尤其是在更快速、更智能、更安全的应用愿景驱动下。而对于如何通过可编程性实现所需的编排和灵活性,进而在数字经济中取得成功,这是传统 IT 团队面临的一个重大课题。未来将更加自动化,没有谁比知道如何保持互联网经济引擎运转的工程师和架构师更适合部署网络自动化。"
F5 (NASDAQ: FFIV) 助力全球最大企业、服务提供商、政府和消费品牌提升应用的速度、智能性和安全性。F5 提供云和安全解决方案,使企业能够充分利用所选择的应用基础设施,而无需牺牲速度和控制能力。如欲了解更多信息,请访问 f5.com。您还可以在 微博上关注 @F5中国官方微博,以了解更多关于 F5 及其合作伙伴与技术的信息。
F5 是 F5 Networks 公司在美国和其他国家或地区的商标或服务标记。文中提到的所有其他产品和公司名称可能是各自所有者的商标。
本新闻稿可能包含有关未来活动或未来财务业绩、涉及风险和不确定性的前瞻性声明。这些陈述可通过以下词汇辨别:"可能"、"将要"、"应该"、"预计"、"计划"、"预期"、"相信"、"估计"、"预测"、"潜在"或"继续",或这类词汇的反义词或类似词汇。这类陈述基于各类因素(包括公司提交给 SEC 材料中所提到的因素)作出,仅用于预测,实际情况可能大相径庭。
好文章,需要你的鼓励
邻里社交应用Nextdoor推出重新设计版本,新增本地新闻、实时警报和名为"Faves"的AI功能,用于发现本地商户和地点。该应用与3500家本地出版商合作提供新闻内容,通过Samdesk和Weather.com提供天气、交通、停电等实时警报。Faves功能利用15年邻里对话数据训练的大语言模型,为用户提供本地化AI推荐服务,帮助用户找到最佳餐厅、徒步地点等本地信息。
Skywork AI推出的第二代多模态推理模型R1V2,通过创新的混合强化学习方法,成功解决了AI"慢思考"策略在视觉推理中的挑战。该模型在保持强大推理能力的同时有效控制视觉幻觉,在多项权威测试中超越同类开源模型,某些指标甚至媲美商业产品,为开源AI发展树立了新标杆。
英国生物银行完成了世界上最大规模的全身成像项目,收集了10万名志愿者的超过10亿次扫描数据,用于研究人体衰老和疾病过程。该项目历时11年,每次扫描耗时5小时,投资6200万英镑。目前已有8万人的成像数据供全球研究人员使用,剩余数据将于年底前发布。项目已开发出能预测38种常见疾病的AI工具,并在心脏病、痴呆症和癌症诊断方面取得突破。
这项由北京大学等多所高校联合完成的研究,首次对OpenAI GPT-4o的图像生成能力进行了全面评估。研究团队设计了名为GPT-ImgEval的综合测试体系,从文本转图像、图像编辑和知识驱动创作三个维度评估GPT-4o,发现其在所有测试中都显著超越现有方法。研究还通过技术分析推断GPT-4o采用了自回归与扩散相结合的混合架构,并发现其生成图像仍可被现有检测工具有效识别,为AI图像生成领域提供了重要的评估基准和技术洞察。