ZD至顶网CIO与应用频道 06月06日 北京消息:全球知名市场分析公司Forrester 的最新报告显示,全球领先的大数据分析服务供应商Teradata天睿公司(Teradata Corporation,纽交所:TDC) 被评为大数据 Hadoop 优化系统(Big Data Hadoop-Optimized Systems)的三大领导者之一。该报告为《Forrester浪潮™:2016 年第二季度大数据 Hadoop 优化系统报告》,由 Noel Yuhanna 和 Mike Gualtieri 撰写。报告称,Forrester 对七家厂商进行了评估,并评选出三大领导者(Leaders)和四大表现优异者(Strong Performers),他们均“拥有极具竞争力的解决方案,能够提供成熟的企业级 Hadoop 系统”。
厂商评选标准包括:1)全面的 Hadoop 优化系统产品;2)支持各种企业大数据用例的 Hadoop 优化系统;3)可供参考的客户群;4)促使 Forrester 关注厂商的客户咨询或重点技术;以及 5)具有公开发售的产品。
针对 Teradata,Forrester 写道:“Teradata 的第五代 Hadoop 一体机高效且完善。过去十年来,Teradata 是通过数据管理一体机获得显著成功的少数厂商之一。Teradata Appliance for Hadoop 整合了多种软件组件(开源及商用),包括最新版本的 Cloudera 或 Hortonworks的 Hadoop发行版、Teradata Connector for Hadoop 以及 Teradata Hadoop 命令行界面。Teradata 还通过其 Think Big 咨询业务提供解决方案咨询服务,帮助客户设计和创建整合的业务解决方案。”
Teradata Appliance for Hadoop 作为可立即运行的平台,经过预先配置和优化,能够通过 Teradata 软件运行企业级的大数据工作负载,从而简化 Hadoop 管理。
Teradata 最近公开发布的一段视频显示,全球最大的软件企业赛门铁克(Symantec)通过各种分析功能寻求新的创收机会,并提高客户的满意度。该公司发言人解释了他们如何利用其 Teradata 统一数据架构(Unified Data Architecture™)和 Hadoop 数据湖,将大量数据源(包括遥测数据)与“物联网”的数据整合,以掌握客户的产品使用情况和效果。最终,赛门铁克将客户维系率提高了 20%,并将顺利增收 2 亿美元。
Teradata天睿公司实验室总裁 Oliver Ratzesberger 表示:“Teradata 提供最成熟的企业级 Hadoop 工具以及高级专业服务,能够为企业提供最深入的Hadoop 应用整合。随着采用客户日益增多,以及更多扩展 Hadoop、数据湖和分析用例的项目,将促进大数据分析的快速发展。我们的客户对于我们的企业产品路线图和未来发展方向有着满腔的热情。在我们的大客户不断大力投资于 Teradata 及其 Hadoop 产品组合的同时,我们还致力于帮助新客户采用 Hadoop。”
2015 年的 Teradata Partners全球用户和合作伙伴大会上,在Hadoop 专题会议期间,指导委员会成员 Enterprise Holdings 公司的一名系统架构师,详细说明了他们通过 Teradata 数据库和 Teradata Appliance for Hadoop 开展数据整合的情况。Teradata Appliance for Hadoop 还包含 Presto,后者是新一代的开源 SQL 查询引擎,可在多种 Hadoop 发行版上运行。Presto 能够从 Hadoop 平台扩展出来,查询 Cassandra、关系数据库或专有数据库。这种跨平台的分析功能使得 Presto 用户能够从各种规模(从 GB 级到 PB 级)的数据湖中获取最大的业务价值。今年第三季度,Presto将会采用捆绑Hadoop 设备的方式上市。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
罗切斯特理工学院和美国陆军研究实验室的研究团队开发了一种突破性的无源域适应方法,通过混搭拼图增强技术和置信度-边界加权策略,使AI模型能在没有原始训练数据的情况下适应新环境。该方法在三个主要基准数据集上取得显著成果,特别是在PACS数据集上准确率提升了7.3%,为AI系统在隐私保护、安全限制等现实场景中的应用提供了新解决方案。
这篇论文介绍了R1-Code-Interpreter,一种通过有监督学习和强化学习训练大型语言模型进行代码推理的新方法。研究团队收集了144个推理和规划任务,利用多轮训练教会模型自主决定何时使用文本推理或生成代码。最终的14B模型在测试集上将准确率从44.0%提高到64.1%,超过纯文本GPT-4o并接近带Code Interpreter的GPT-4o。研究揭示了SFT阶段的关键作用,并发现模型展现出自发的自我检查行为,为开源模型提供了与商业模型竞争的代码解释器能力。