脆弱的项目管理技能,错过的时间线,敏感的员工——其中的任何一条都可能破坏你羽翼未丰的DevOps环境。
DevOps混合了任何由公司应用开发和系统运营团队一起执行的任务。这简单的定义掩盖了向DevOps环境过渡的复杂性。真的,CIO们向DevOps过渡所面临的潜在问题很多。这些地雷所在范围从技术(比如测试环境或架构的错误)到文化(比如高估速度而低估质量),再到管理(没有获得执行官的支持)。
这里,我们的专家列出了在向DevOps环境过渡时易犯的四种常见错误,并指出如何避免它们:
错误1:被DevOps标题所迷惑
当技术执行官建立他们DepOps能力时,常常是从雇佣DevOps工程师开始。这不一定是最佳方法。DevOps工程师通常会偏向于DevOps技能的某一个方面。也就是说,更倾向于运营或者偏好开发,Shalom Berkowitz说。他是技术人事公司Mondo负责技术招聘的初级团队领导。
首先评估你的DevOps环境需要什么技能,并在寻找候选人时特别提及。譬如,说明在Linux中的经验需要,或者Ruby的知识,或者Puppet的合格记录,而不是招聘泛泛的DevOps人才,并假设申请人有符合需求的经验。
错误2:忽略时间线
无可否认,传统的瀑布式方法下工作更加封闭,更有秩序,James Stanger说,他是非营利性贸易协会CompTIA的高级产品主管。 相较而言,DevOps从本质来看就有让人混淆的可能,因为“每人都能影响到其他人的工作,”他说。 “引起的混乱会影响合理化开发,”Stanger说。也可能招致范围蔓延,因为每人都有可能在他们迭代时添加他们自己的好想法。 “他们会倾向于认为那不再是线性的,不再有时间线,我们只是一起工作,”他说。 经理需要在DevOps环境中坚持强烈的项目管理原则,忠诚于文档和截止日期以避免失控项目。 “发生变化的是实施时间表,不是对时间线的需要,”他补充道。“你在以更加循环的方式做事情,但是你仍然要朝着时间线前进。”
错误3:过快过多地向DevOps过渡
Jay Lyman是451 Research 的DevOps&IT Ops开发部门的首席分析师,他说他和他的同事们已经看到,组织将DevOps原则应用到太多的项目和/或太复杂的项目上,直到DevOps团队有足够的经验和专业知识来管理这些项目。 Lyman建议企业从小的开始,先将DevOps应用到一些容易实现的目标----通常是新的方案或者新的应用----来建立起所需的技能和流程。 他补充说,许多组织通过寻求和借鉴他们的网络运营和移动团队的战略实现了早期的成功,因为这些领域的性质,它们已经快速迭代和使用了DevOps原则。
错误4:忘记反馈回路
反馈回路驱动DevOps,但有时候关键利益相关者(例如数据库管理员和安全专家)被排除在外,导致一个有缺陷的最终产品,Lyman说。 “确保这个反馈循环中没有缺失链接,因为让这些利益相关者参与是你进步的方式,”他说。 同样,Stanger表示,组织需要帮助他们的DevOps人员了解反馈的重要性,并确保他们不会将其视为无端的批评。 “反馈不能被视为一个负面的事情,它必须被视为一个机会,以解决需要改进的事物,”他说。
好文章,需要你的鼓励
新加坡国立大学研究人员开发出名为AiSee的可穿戴辅助设备,利用Meta的Llama模型帮助视障人士"看见"周围世界。该设备采用耳机形态,配备摄像头作为AI伴侣处理视觉信息。通过集成大语言模型,设备从简单物体识别升级为对话助手,用户可进行追问。设备运行代理AI框架,使用量化技术将Llama模型压缩至10-30亿参数在安卓设备上高效运行,支持离线处理敏感文档,保护用户隐私。
阿里达摩院联合浙江大学推出VideoRefer套件,这是首个能够精确理解视频中特定物体的AI系统。该系统不仅能识别整体场景,更能针对用户指定的任何物体进行详细分析和跨时间追踪。研究团队构建了包含70万样本的高质量数据集VideoRefer-700K,并设计了全面的评估体系VideoRefer-Bench。实验显示该技术在专业视频理解任务中显著超越现有方法,在安防监控、自动驾驶、视频编辑等领域具有广阔应用前景。
OpenAI推出新AI模型GPT-5-Codex,能够在无用户协助下完成数小时的编程任务。该模型是GPT-5的改进版本,使用额外编码数据训练。测试显示,GPT-5-Codex可独立工作超过7小时,能自动发现并修复编码错误。在重构基准测试中得分51.3%,比GPT高出17%以上。模型可根据任务难度调整处理时间,简单请求处理速度显著提升。目前已在ChatGPT付费计划中提供。
Sa2VA是由UC默塞德等高校联合开发的突破性AI系统,首次实现图像视频的统一理解与精确分割。通过巧妙融合SAM-2视频分割技术和LLaVA多模态对话能力,Sa2VA能够同时进行自然对话和像素级物体标注。研究团队还构建了包含7万多个复杂视频表达式的Ref-SAV数据集,显著提升了AI在长文本描述和复杂场景下的表现。实验显示,Sa2VA在多个基准测试中达到业界领先水平,为视频编辑、医疗诊断、智能监控等领域带来新的应用可能性。