如今,速度就是金钱。公司必须快速的提供新产品或服务才能在市场上得以生存。如果他们做不到,他们的竞争者将会做到,其后果是可怕的,即便是规模最大、最成功的企业。
公司提供新的产品和服务的能力同IT系统密切相关。DevOps是一种新兴的用来构建云应用,并可以加速云部署的方式。然而,潜在的改进是有代价的:想要成功实施DevOps,企业需要将新的工具和流程部署到位。对于那些不这样做的企业,将注定费尽周折。
DevOps项目满足速度的需求
企业对DevOps的兴趣正在不断增加,因为DevOps有望紧密连接开发和测试团队,或是加强构建细化应用的团队同系统运营团队,或分配资源,如服务器或存储,以支持应用程序的人员之间的联系。不再是刻意寻求新的云服务然后让IT慢慢淡出,现在两大团队紧密合作并自动化部署过程。
企业实施了DevOps以后究竟能多快部署一个新的应用?亚马逊网络服务(AWS),作为一个例子,通过DevOps的模式不断更新其软件:事实上,AWS在2014年底前大约平均每秒部署一个软件,据Werner Vogels,该公司的CTO称。几乎很少有企业能够达到接近该速度的水平,但拥抱DevOps的企业通常会更快,更频繁地更新软件。
DevOps实施多种选择
拥抱DevOps需要些什么?首先,企业需要评估并投资新的应用开发和管理产品。2015年IDC的调查发现,80%的试图将现有的应用程序管理工具用于DevOps的企业会失败。
从历史上看,运营团队依赖于电子表格或铅笔和纸来管理系统配置,但这种过程零散且效率低下。随着更新越来越快,就像人们在DevOps实施过程中做的那样,这种低效变得不能接受。这样一来,便出现了新的DevOps配置管理和流程编排工具来自动化开发过程。
这些DevOps工具的来源各不相同。新的产品,如Chef,Puppet和SaltStack,是基于开源模式,并且日益普及。此外,如Puppet Labs这样的初创公司将对DevOps不同级别的支持捆绑到具体的实现中,而更多的老牌厂商,如惠普企业,IBM,甲骨文和微软,已经将DevOps工具和服务加到他们的产品线里。
客户对下一代开发工具的兴趣正在增加。Gartner分析公司预测DevOps工具市场将在2015年达到23亿美金,比2014年的19亿增加了21.1%。下图,也是来自于Gartner的数据分析,显示了三类DevOps工具的增长预估:DevOps-ready, DevOps-enabled和DevOps-capable。
Gartner公司将DevOps-ready的工具定义为专门为DevOps构建并提供“开箱即用”的DevOps能力的工具。DevOps-enabled工具是这样一种工具,也许不是最新的,但还可以为一个DevOps项目增加价值的工具。最后,DevOps-capable工具是一种需要配置才能在一个DevOps流程中工作的工具。
DevOps市场规模和DevOps-ready,DevOps-enabled,DevOps-capable工具增长预估
额外补充
除了购买新的DevOps工具,企业需要培训员工一个成功的DevOps实施应该如何使用这些工具。目前市场上有各种培训方案,有些是针对特定的DevOps工具。例如,Chef软件提供一个199美金为期两天的关于其产品的培训课程。
最后往往也是最困难的一步是让新的开发方法,工具和训练有素的员工到位。就像任何新的东西一样,员工可能会抵制这种改变,因此管理者需要在DevOps的实施过程中保持谨慎和耐心。
尽管有各种各样的挑战,许多企业正在拥抱新的应用设计方法。根据Gartner的研究报告,到2016年,DevOps将从主要由大型云厂商部署的小众策略发展到全球2000家企业中25%的企业都会采用的主流开发流程。理想情况下,新的开发方法将帮助企业以足够快的速度推出新的服务和产品以此帮助他们在市场上站稳脚跟。
好文章,需要你的鼓励
谷歌发布新的AI学术搜索工具Scholar Labs,旨在回答详细研究问题。该工具使用AI识别查询中的主要话题和关系,目前仅对部分登录用户开放。与传统学术搜索不同,Scholar Labs不依赖引用次数或期刊影响因子等传统指标来筛选研究质量,而是通过分析文档全文、发表位置、作者信息及引用频次来排序。科学界对这种忽略传统质量评估方式的新方法持谨慎态度,认为研究者仍需保持对文献质量的最终判断权。
武汉大学研究团队提出DITING网络小说翻译评估框架,首次系统评估大型语言模型在网络小说翻译方面的表现。该研究构建了六维评估体系和AgentEval多智能体评估方法,发现中国训练的模型在文化理解方面具有优势,DeepSeek-V3表现最佳。研究揭示了AI翻译在文化适应和创意表达方面的挑战,为未来发展指明方向。
Meta发布第三代SAM(分割一切模型)系列AI模型,专注于视觉智能而非语言处理。该模型擅长物体检测,能够精确识别图像和视频中的特定对象。SAM 3在海量图像视频数据集上训练,可通过点击或文本描述准确标识目标物体。Meta将其应用于Instagram编辑工具和Facebook市场功能改进。在野生动物保护方面,SAM 3与保护组织合作分析超万台摄像头捕获的动物视频,成功识别百余种物种,为生态研究提供重要技术支持。
参数实验室等机构联合发布的Dr.LLM技术,通过为大型语言模型配备智能路由器,让AI能根据问题复杂度动态选择计算路径。该系统仅用4000个训练样本和极少参数,就实现了准确率提升3.4%同时节省计算资源的突破,在多个任务上表现出色且具有强泛化能力,为AI效率优化开辟新方向。