大约三年前,美国金融业监管局(简称FINRA)开始筹备将工作负载迁移至Amazon云环境。当时,大多数企业尚着眼在更易于实现的目标:将相对易于转移的应用程序交由云环境打理。
但FINRA并不满足于此。“我们从一开始就在将最为关键的各类系统迁移至AWS。”FINRA执行副总裁兼CIO Steve Randich解释称,他之前还曾担任过纳斯达克证券交易所与花旗银行的CIO。“我们直接选择迁移关键性、数据密集型服务。”而Randich将其称为FINRA的“皇冠明珠”。
FINRA每天都需要对纽约证券交易所中的订单与相关信息加以记录,这意味着其单日事件处理量就高达750亿次。据Randich所言,FINRA一天处理的交易数据相当于Visa与万事达卡六个月的规模。同时,FINRA还需要存储这部分信息,以备后续进行日度、周度乃至月度分析。记录总量高达万亿级别,存储总量亦达到20PB左右。为了应对这一挑战,FINRA选择了新的IT实现中心——AWS。
为何迁移至云端
作为股票市场的主要政府监管机构,美国证券交易委员会(简称SEC)在即将出台的法规当中提出了更为严格的数据收集及分析要求。据Randich介绍,这也是FINRA决定使用云服务的主要驱动因素之一。
该机构的原有专用数据仓库设备运行效果依然良好,但Randich对于其承载FINRA未来用例的能力抱有疑问,“着眼于未来,我们很快意识到需要不同于以往的解决方案才能应对新的要求。”他在本届于拉斯维加斯召开的AWS re:Invent大会演讲中指出。
FINRA方面评估了多家服务供应商。原有基础设施供应商试图说服他,并强调称如此规模的数据库无法运行在公有云当中。然而在经过概念验证性评估之后,FINRA认为AWS的“领先程度超越其它竞争对手数年”,Randich表示这一优势仍在不断扩大。
FINRA执行副总裁兼CIO Steve Randich
针对云迁移决策,他提出了四项基本原则:
-自给自足:Randich不希望依赖于任何顾问或者供应商。FINRA自主建立相关知识体系以管理其AWS云。
-公有云对私有云:目前大多数金融服务机构更倾向于使用私有云。“我们的观点是,为什么非要持有、管理并支持这么多商用硬件?”他提出质疑,“为什么不遵循摩尔定律的指导?”在Randich看来,“基础设施管理人员往往只是出于延续以往经验”才主张选择私有云。
-开源:Randich高度关注HBase与Hive的发展,即倾向于使用开源数据库标准而非由供应商把持且要求购买许可的专有型数据库。
-并非单纯上传:相反,他决定对现有应用程序进行重写与平台针对性调整,从而最大程度发挥云计算中的优势。
基于上述考虑,现在,FINRA使用着各类Amazon云服务:从EC2虚拟机到弹性容器服务,再到Lambda计算; 虚拟私有云、Route 53以及Direct Connect负责实现网络连接; DynamoDB、关系型数据库服务(简称RDS)、简单存储服务(简称S3)、Glacier以及弹性块存储(简称EBS)等数据服务; 密钥管理服务(简称KMS)、身份与访问管理(简称IAM)等安全工具; 外加简单队列服务(简称SQS)与简单通知服务(简称SNS)等各类应用功能。
凭借着云计算带来的显著成本节约效果,FINRA得以摆脱专有基础设施带来的预算压力,进而立足于大规模商用性成本实现事务处理与存储。
Randich表示,目前云业务系统的交互查询性能较原有平台提升了400倍。“原本的方案就像是只能每天进行数次谷歌搜索操作,这样的效果显然无法接受。”他解释称,“现在我们能够在数秒甚至一秒之内完成此类大规模操作。”
FINRA还能够以自动化方式快速上线及关闭成千上万个节点,从而应对“闪电崩盘”及其它极端情况下的市场事件,且整个过程“几乎不会给正常使用带来任何影响,我们也往往是在审查日志时才意识到出现了资源需求峰值。”
2015年,Randich表示他开始意识到云环境下的网络安全水平要优于内部环境。“这使得我们能够不再被专有数据库供应商们的宣传所迷惑”,而可以放心大胆地使用云服务,他总结称。
好文章,需要你的鼓励
麻省理工学院研究团队发现大语言模型"幻觉"现象的新根源:注意力机制存在固有缺陷。研究通过理论分析和实验证明,即使在理想条件下,注意力机制在处理多步推理任务时也会出现系统性错误。这一发现挑战了仅通过扩大模型规模就能解决所有问题的观点,为未来AI架构发展指明新方向,提醒用户在复杂推理任务中谨慎使用AI工具。
继苹果和其他厂商之后,Google正在加大力度推广其在智能手机上的人工智能功能。该公司试图通过展示AI在移动设备上的实用性和创新性来吸引消费者关注,希望说服用户相信手机AI功能的价值。Google面临的挑战是如何让消费者真正体验到AI带来的便利,并将这些技术优势转化为市场竞争力。
中科院自动化所等机构联合发布MM-RLHF研究,构建了史上最大的多模态AI对齐数据集,包含12万个精细人工标注样本。研究提出批评式奖励模型和动态奖励缩放算法,显著提升多模态AI的安全性和对话能力,为构建真正符合人类价值观的AI系统提供了突破性解决方案。