虽然组织总是有一些内部部署的软件(至少互联网接入是免费的,瞬间快速,并且无所不在),但是其重要业务大部分的流程将发生在云端。这是不可避免的,所以组织可能也习惯了这个想法,并克服其(越来越不理性)的恐惧。
人们难道对此并不相信?即使调查机构Gartner公司在几年前就已经指出:“云计算容易受到误导,由于炒作和混乱,让人们减慢了其应用速度,阻碍创新,从而妨碍人们获得进步,创新和成果。”
这就是为什么组织要迁移到云计算,无论其是否这么想:因为已经在云中运行。然后,组织的客户存在和营销的一个重要部分(几乎肯定)已经“在云”中。人们所谈论的是随着时间的推移增加其他的业务流程。
组织可以采用原型和迭代。云平台是在组织内部系统之上进行敏捷开发的理想选择。更换核心系统需要时间,但是很容易在云中建立一个移动客户应用程序,并快速测试其是否对销售产生影响。当业务人员有新的需求时,IT人员告诉他们这些正在逐渐地被更多“可接受”的员工所取代。不要只是运行系统,而是运行实验。
创新在云中更快。你在云中运行的更快,更容易创新。人工智能将是未来发展的一件大事。供应商将其添加到平台。销售团队得到是否应该打电话的一个提示。或者人力资源获得哪些简历最有可能导致成功的建议。并且避免对本地升级的业务案例进行争论。
创新使组织成为网络的一部分,并具有网络效应。如果组织业务在云中运行,就可以优化业务流程,而不仅仅是跨业务流程,而是跨越整个行业,与客户,合作伙伴,以及供应商轻松连接。组织可以添加额外的数据服务和扩展。机器学习即将到来:想象一下,如果组织的软件变得更好,更容易使用,这是因为组织基于其他用户的经验使用它。
任何非云供应商都不会离开,这称之为“数字达尔文主义”。云计算为应用程序供应商带来了巨大的好处。而使用以前版本的内部部署客户需要维护,这对供应商资源是极大的消耗。他们并不像新客户那么快乐,因为他们没有最新的创新。销售人员必须花费大量时间来帮助证明升级的正当性,他们可以将这些时间为新客户提供服务。额外成本和较慢的创新意味着,从长远来看,提供云解决方案的供应商将获得成功(理想情况下,供应商可以提供从内部到云计算的无缝转换,因为它们支持这两种环境)。
但是安全吗?因此,一些组织首席执行官不喜欢采用云计算,这是因为数据的“不安全”,现在是时候提醒他,他的电子邮件也许是公司中最敏感的数据,已经自由地在公共网络传输,只受安全协议的保护。另外,也可以提醒他,存储在公司的银行帐户中的资金真的只是存储在全球数据库中的数据。并且不要忘记,内部系统每天都会受到影响,这通常是基于独立于架构选择的基于人员的方法。
当然,安全性很重要,组织应该选择在维护和保护关键任务系统方面具有良好声誉的供应商。Gartner公司表示,组织的云安全担忧都在其心中:“云计算被认为不太安全。这是一个信任问题,而不是基于对实际安全能力的任何合理分析。但是法律能解决问题吗?那好,我相信你。也许你所在国政府认为,有一些系统,你还不能移动到云中。但是你有很多其他系统,而且很清楚未来朝哪个方向前进。如果世界各地的许多国家政府都将人力资源等系统转移到云,那么你还有机会。”
云计算的发展还处于初期阶段,任何人都有很多的机会了解它。如果你真的想为下一次面试做好准备,你应该学习新的技能,并建议管理者将业务部署到云端。
云供应商如果遭遇网络攻击,你的数据会发生什么?或者也许你不想有一个更高的成本。但实际上,用户应该对于与供应商一起做出的重大战略决策要谨慎,并且在许多方面,很难离开内部部署软件,而不是交换到不同的云服务。只要确保你不要在合同上受制于人就好(听从律师的建议,而不是那些在项目计划背后的IT员工)。
现在怎么办?
无论什么原因,也许你今天还没有准备好云解决方案。但是组织的战略是没有什么事要做的时候,要知道应当做什么。”
可以使用这段时间来召开设计思维研讨会,了解由于遗留系统而无法部署的新业务应用程序的需求。然后为组织的内部客户转向使用SAPHANA云平台的构建原型工具。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。