ZD至顶网CIO与应用频道 09月06日 北京消息:Teradata天睿公司(Teradata Corporation,纽交所:TDC)宣布为全球最先进的多类型分析引擎推出重要的新部署方案Teradata Aster Analytics on Hadoop。与旧版Aster Analytics需要专用系统相比,企业目前可依托既有Hadoop平台,灵活快速地获取有价值的分析洞察力。
这种方案的灵活性印证了Teradata天睿公司在混合云(Hybrid Cloud)架构上的宏伟战略。该下一代架构具备更高级别的敏捷性、灵活性与系统间整合能力,是一套更加接近于高级分析的开放系统。随着传感器、数字移动设备等物联网(IoT)设备生成海量数据,促使各厂商开发Hadoop等定制化架构方案。
ESG Global高级分析师Nik Rouda表示:“众多企业尝试在协作的多租户环境下将高级分析功能纳入既有基础设施。Teradata天睿公司依托Aster Analytics on Hadoop恰好满足了企业需求。新部署方案帮助用户配置分析环境,并着手分析数据湖中存储的数据。企业能够缩短创造价值的时间,满足不同企业用户社区的各种分析需求,并创造显著的经济优势。”
开源高级分析组件包的设计通常无法兼顾业务分析师需求,这些软件包需要使用、部署和维护的专业技能。虽然高级分析工具经调整可以与Hadoop平台一起工作,但这些工具未经过专门设计,无法在Hadoop平台上运行。因此,这些工具通常需要将数据提取到专用平台,在用户、数据和使用案例上的可扩展性不足。
Cloudera公司首席战略官兼联合创始人Mike Olson表示:“Apache Hadoop的核心竞争力是可拓展性及能够支持各种分析和处理引擎。Teradata Aster Analytics on Hadoop展现分析技术实质的进步,它为客户带来功能强大的新方案,满足客户对高标准分析应用的需求。”
Teradata Aster Analytics在同一界面和语法框架内提供文本、路径、模式、图像、机器学习、统计等功能。新方案具备灵活部署能力和其它显著优势:
Aster Analytics on Hadoop
l 扩展Hadoop数据湖的使用范围和价值——Aster Analytics帮助业务分析师运用SQL和R语言技能访问Hadoop平台,使得Aster支持分析社区更多用户。
l 在Hadoop平台上本地运行——勿须将数据从Hadoop迁移到分析服务器,用户能够规避与数据迁移相关的各项成本、延迟及安全性风险,并加速数据分析过程。
l 在Hadoop平台上迅速实施分析——用户能够在同一Hadoop集群内对同一组数据单独开发沙盒和生产环境。此外,Aster提供应用中心(AppCenter),帮助分析师为商业用户搭建基于Web的界面。
Teradata 天睿公司产品和营销副总裁Chris Twogood 表示:“在Hadoop平台上本地运行Aster Analytics是行业重大突破,能够显著提升所有企业的Hadoop技术投资回报率。Aster一贯致力于帮助分析师进行大规模大数据分析。但是现在随着Hadoop平台高级分析方案首次全面普及,业务分析师和数据科学家将能够访问并运用路径、机器学习和图像算法分析数据。Teradata全新的Hadoop部署方案将以更快的节奏、最低的成本和风险,为更多用户提供敏捷的企业就绪型分析能力。”
Teradata Aster Analytics on Hadoop 7.0通用版将于2016年10月正式发布。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。