企业如何为自己的业务选择合适的云计算实施模式-公共云,私有云,还是混合云?
在进行细节讨论之前,让我们先来看看私有云是什么。公共云和私有云之间的本质区别是“共享”。使用公共云基础架构,由供应商拥有和操作的共享物理硬件,因此没有用于客户端业务的维护组件。公共云的规模意味着企业可以在几分钟内扩展或缩减其容量和计算能力,这与企业的业务需求一致。
然而,私有云提供了更加专门针对特定业务的定制设置。它主要托管在现场或在提供商的数据中心,提供与公共云相同的规模,敏捷性,以及其他好处。虽然其可扩展性与公共云不同,但私有云允许更多的控制和安全性,这使其成为大型企业的理想选择,例如银行和金融机构管理个人可识别信息(PII),包括采用一些一定的监管标准。说到这里,让我们来看看每个的一些用例以及探索混合云情景。
使用公共云的案例
使用公共云,客户可以将管理职责移交给云计算供应商。这一举措可以降低企业直接成本,并且让IT部门有更多时间专注于创收项目,例如移动应用。并改进客户门户网站以及类似的工作。对于一些IT专业人员来说,采用公共云面临一个挑战,因为他们希望将业务集成到其他云环境中,同时还运行内部应用程序。
考虑公共云的这些用例:
•移动应用,无论是服务于内部员工、合作伙伴或客户的需求,全球覆盖和速度的公共云提供商可以确保最佳的用户体验。
•社交媒体内容(例如从博客,论坛或社交媒体网站提取的数据)可以轻松地卸载,并存储在云中。
•灾难恢复计划通常使用公共云。它们特别适合于低优先级应用程序的备份,它们提供了一个廉价的选项,平时是空闲的,直到它被调用。
使用私有云的案例
尽管私有云面临一些挑战和相关成本,但由于公共云具有一定的安全风险,许多大公司被迫选择私有云。在公共云遭到破坏之后,对企业品牌的潜在损害,以及客户信任的丧失可能会远远地超过部署私有云的成本。以下是私有云的一些典型用例:
•需要更高的性能,例如当企业管理大型文件(如视频内容)时。
•企业可能正在管理一个应用程序,该应用程序需要可预测行为,需要最少的存储空间,并且在私有云中管理相对容易,成本低廉。
•在某些情况下,负责维护应用程序的工程团队可能无法以足够快的速度进行迁移,并且需要获得私有云供应商的托管服务。
安全地实施私有云可能很困难,除非企业可以利用第三方服务的帮助。而那些IT咨询公司(如TechBlocks)可以提供关于实施的最佳实践的关键指导,也许讨论采用一个混合公共云和私有云相结合的方法。
混合云是公共云和私有云的最佳结合
混合云越来越成为企业希望采用可定制方法,减少维护成本和时间的路径。采用混合云通常是IT部门说服上层管理人员云计算是安全的,并且是关键数据的上佳选择的路径。他们可以测试公共云中的数据或应用程序,同时将其大部分基础架构保持在私有云环境中。考虑这些混合云用例:
•受到合规性法规严格约束的组织,阻碍了以前将业务迁移到云的想法。如今,云合规性的进步已经大大改善,并为即使是美国最高级别的安全合规性需求的公司提供了采用混合云的机会。
•经历快速增长的企业可能需要快速扩展数据资源,但也许他们没有时间或资金将其整个应用程序结构迁移到云中。混合云可以让他们将某些应用程序层移动到云,因此它们可以扩展和增长。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。