至顶网CIO与应用频道 11月17日 北京消息:CA WORLD ’17 — CA Technologies (NASDAQ: CA) 今天宣布了公司近年来最详尽的产品列表。通过展示20余种新产品和重要的功能提升,CA正帮助其企业客户采用敏捷方案、智能自动化技术、使用体验监控及分析和端到端安全系统,将现代软件工厂得以具体实现。
CA Technologies 首席执行官Mike Gregoire表示︰“现代软件工厂构建了企业如何利用敏捷、自动化、洞察和安全进行转型。CA的经验及解决方案有助于企业规划未来,而现代软件工厂也确保企业以建应变,适应高速发展的数字化世界。”
CA扩展产品组合结合了先进的分析和机器学习技术,让各种规模的公司都能在现有的科技和工具上通过智能化以支持更快、更高质量的软件开发和交付。
福克斯(Fox News)新闻数字部门高级副总裁John Fiedler表示︰“由于媒体环境一直在剧烈变化,我们对于数字战略的真正实施感到非常兴奋。作为CA Technologies的合作伙伴,我们在增加新的敏捷、自动化和持续测试工具到我们的开发工作流程之中。我们正在通过重新构想数字产品和替换后端系统来实现新闻传播的现代化。 所有这些举措最终将让我们在所有数字平台上更快、更高效地传播突发新闻和即时新闻。”
今天在CA World ’17上宣布的创新包括以下帮助公司发展的技术︰
利用现代架构建立企业敏捷
CA展示了屡获殊荣的新型CA Microgateway技术,它采用轻量级的模块服务使单片应用架构现代化,借以充分利用现有系统快速安全地构建新的应用程式。公司可以几分钟内在多个结构中部署和管理微服务,利用它的现成安全设计、大规模的服务发掘和智能流量管理以支持移动应用程序和物联网系统。
利用智能自动化得到更快、更可靠的软件
CA Automic One Automation Platform由数据分析驱动,该数据分析在复杂多样的应用程序、平台和技术环境中进行自动化以提高效率,并为创新开拓空间。现代软件工厂知道如何保持领先地位,而智能自动化则帮助他们通过简化流程、让运营团队减少脚本编写、为开发团队提供零接触自服务功能来支持和扩展DevOps。
关联业务数据以获取洞见,从而改善每个客户的体验
现有系统的业务和运营数据具有内在价值。 通在基础设施运营、应用程序和用户之间关联数据以获取洞见,新CA数字体验洞察(CA Digital Experience Insights)是一个基于SaaS的数字体验监控和分析解决方案。 它通过先进的分析能力为企业提供跨数字平台的客户体验全貌,使客户的数字体验有50-70%的改善 。
从开发初始整合安全服务,降低风险和曝光率
CA Veracode Greenlight的免费试用版现已推出,它使开发人员能够高质量、快速进行开发。它让开发人员可以在他们的集成开发环境(Integrated Development Environments,IDEs)上利用对安全漏洞的即时反馈建立出一套无缺陷的代码。这种在编写代码时扫描、纠正错误的能力可以加快软件开发的速度,并在不影响安全的前提下进行交付,开拓了DevSecOps的世界。
CA Technologies总裁兼首席产品官Ayman Sayed表示︰“每一个企业都可以成为现代软件工厂,从而通过正确的智能更快地获得更佳的业务成果。今天CA的产品组合包括可以把分析技术和机器学习融入到客户现有技术投资的工具和技术,有助他们在当今快速发展的市场上取得领先、出奇制胜。”
CA Technologies 在CA World’17上展示了超过20余种产品创新和提升,这些解决方案为广大公司提供了适应变革、以及推动现有科技投资以实现未来成功的能力。从内部部署到云计算,以及两者之间的所有服务,CA可以提供业界领先的产品、解决方案和专业技能,帮助企业移除阻碍,在竞争中一马当先、出奇制胜。
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。