至顶网CIO与CTO频道 07月30日 编译:半个多世纪以来,ATPCO一直负责处理整个航空行业的票价数据。如今,ATPCO正将其运营体系迁移至云端,旨在为整个行业开拓创新之路。
从始飞站与出发时间开始,购买机票似乎涉及无穷无尽的问题。您愿意乘坐哪家航空公司的航班,又愿意花多少钱买票?您是否携带有付费托运行李?您对日期有何考量?您能够接受经停吗?您在飞机上是否需要Wi-Fi服务或者更丰富的餐饮选择?
带着这些问题,大家往往会访问航空公司、旅行社、Expedia等票价汇总网站或者Google Trips等应用处寻找答案。无论您最终选择哪一条渠道,回答您问题的公司其实都是同一家——ATPCO。五十多年以来,这家隶属于航空企业的公司一直为整个航空以及旅游行业提供票价及其它相关数据。
而在最开始时,所有工作需要以手动方式完成——就连成果都是手册的形式。
ATPCO公司CIO John Murphy在采访中表示,“我们以前会出版厚厚的实体手册,百度达到几英寸。其中囊括所有票价与税款,旅行社会认真阅读这些信息并据此规划旅游线路中的航班配置。”
从那时起,ATPCO公司就一直致力于实现流程自动化,并创建起一个能够供其独力发挥网络经济效应的环境。必须承认,他们面对的数据量极为庞大:该公司为460家航空公司管理着超过2亿美元的机票信息。除了航空公司本身,其业务也需要与旅行社、搜索引擎、全球分销系统以及政府进行对接。
ATPCO公司早在约30年前就开始了自动化之旅,但问题的复杂性一直不断增加。Murphy表示,“各航空企业之间的差异化因素越来越多,因此准确进行坐标定价所需要的数据量也持续膨胀。”
ATPCO公司目前拥有1600种不同的数据元素,航空公司可以通过API利用这些元素调整票价,而后由ATPCO在整个行业中发布这些信息。
去年,ATPCO公司进行了其有史以来第一次收购,买下的是拥有八年历史的Routehappy公司。这家企业利用“丰富的内容”补充票价数据——包括飞机布局、娱乐选项以及餐食选项等等。
与此同时,ATPCO方面也开始重新评估自己的IT堆栈。
ATPCO公司首席架构师Navid Abbassi指出,“很明显,有60%到70%的原有IT堆栈——从空调到电源冷却、再到机架与布线、物理服务器、内存模块、磁盘驱动器以及存储驱动器等——其弹性水平对我们的客户而言至关重要。客户对我们应用程序的可靠性与可用性抱有极高的期待,但这些组件本身却无法产生价值。”
因此,APTCO公司决定转向云计算,确保自身能够专注于堆栈顶端,以尽可能帮助客户提高价值。该公司目前正在推进AWS迁移的早期工作,其最终计划是将现有业务体系同时运行在公有云与私有云之上。
Routhappy公司之前就运行在AWS之上,因此ATPCO很可能继续选择这位云巨头作为最优公有云供应商。Abbassi表示,该公司在选择云服务供应商时,主要关注可靠性、可用性与健壮性因素。
通过云迁移,ATPCO计划探索如何利用机器学习与区块链等新兴技术,通过即服务模式找到最适合自己的业务实现方法。Abbassi表示,在大数据与数据分析方面,AWS拥有一系列显而易见的优势。
他回忆起ATPCO在五年之前被迫决定搁置的一个项目。该项目希望为航空行业建立起数据湖,以便以极快的速度进行数据分析。
Abbassi指出,“为了建立起这样一个能够吸收大量数据的大数据平台,我们需要投入巨额前期资本——数额高达数百万美元。而且由于其价值主张并不是非常明确,因此我们决定将其暂时搁置。接下来,我们的资金一直有限、又面对不少更为重要的目标,所以项目也就一拖再拖。毕竟我们所在的是航空行业,这里没有那种能够随意支配的自由资金。”
随着ATPCO迈向云端,航空行业应该能够更轻松地推动动态定价等实验性项目。
Murphy最后总结道,“航空企业制定以及发布票价的方式正迅速发生变化。而云转型举措无疑有助于我们实现这一目标。”
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。