至顶网CIO与应用频道 10月11日 北京消息:全球独家无处不在数据智能技术供应商Teradata天睿公司(纽交所:TDC)宣布面向所有客户推出下一代分析平台Teradata Vantage。
Teradata Vantage紧密整合最佳分析功能与引擎,提供敏捷的可扩展平台,帮助企业提升业务价值,通过获取可行洞察与成果,应对最艰巨的业务挑战。Vantage还提供描述性、预测性与指示性分析、自主性决策、机器学习、可视化工具等广泛功能,该平台可部署在公有云、本地环境、优化型或通用基础设施,或以“即服务”方式提供。
Teradata天睿公司首席运营官Oliver Ratzesberger表示:“Teradata Vantage是无处不在数据智能平台,致力于解决当前分析方案各类问题。只有Vantage才能随时运用所有数据,帮助用户实现任意数据分析、任意环境部署并提供重要的分析成果。面对当前分析市场中复杂的不完善解决方案,Vantage将能够化繁为简,至臻完善。通过帮助企业在企业就绪型平台上简化分析操作过程,Vantage将挖掘企业数据智能化潜力,发现重要的分析成果。”
用户无需学习使用新工具或新语言,也无需担心数据存储位置,就能访问并分析所有数据。这一简化的访问分析方式归功于Teradata Vantage与主流第三方工具及分析语言的完美整合,这将为用户提供极大便利,帮助他们在最熟悉的环境下工作。
Teradata Vantage帮助用户从生态系统数据源获取值得信赖的可行洞察。该生态系统支持各种高级分析功能,包括Teradata之前推出的4D分析这一业内领先的分析功能。用户还能快速获得数学与统计、数据转换、路径、模式、可视化、关联、集群、决策树、文本等强大分析功能。
Teradata Vantage的机器学习引擎帮助数据科学家编写具有高度表现力的强大机器学习功能。Teradata天睿公司还在Vantage平台上预置180多个分析功能,可对多结构数据进行转换、准备、分析及可视化操作,支持客户欺诈、购买路径、营销归因、产品相关性、欺诈、营销优化等广泛的商业用例使用。用于图分析的原生图处理引擎可识别并测量用户、产品和过程之间的关系。预置图分析功能更易于解决社交网络/影响因素分析、欺诈监视、供应链管理、网络分析、洗钱监测等各种复杂的商业问题。
随着自动化能力不断推动业务发展,人工智能与机器学习已成为帮助企业扩大规模的基本技术,这将帮助企业在当今数字化、云计算与数据驱动为主流的时代提升竞争力。然而,数据规模随企业发展急剧增长。只有Teradata Vantage才能实现人工智能与机器学习规模化增长,并为企业各部门更快提供及时的可行分析成果,这又为企业带来更高的投资回报率。
为向企业管理层、业务分析师、开发人员等企业各级别用户提供增强型体验, Teradata Vantage突破重重技术壁垒与限制,帮助企业各部门用户专注于解决真正的业务问题。用户将能够在SQL、Python、R等最常见语言和工具以及广泛的商业智能与可视化工具之间随意切换,并使用SAS、Jupyter、RStudio等高级功能。该平台还提供JSON、BSON、AVRO、CSV、XML等多结构数据存储与分析能力。最终,用户将在所有数据,而不仅仅是某个数据子集的基础上获得更好、更快、更准确的分析成果。
依托这些功能与能力,Teradata Vantage将成为最强大、最灵活的工具,助力企业打造快速、可靠、可行的智能化技术。
Teradata Vantage目前已面向全球正式发布,将帮助企业实现投资回报最大化:
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。