2020年初疫情爆发的时候,消费者开始把购物方式转向数字渠道,大型零售商Target感受到了对自身的影响,Target首席信息官Mike McNamara说,“三周之内我们数字业务实现的增长相当于三年”。
为了满足市场的需求,“我们采取了‘网购星期一’(Cyber Monday)的模式,我们只需要启动这个模式,全年保持不变就行了。”
值得注意的是,由于McNamara和他的团队早在几年前就会在技术上有所投资,所以这次扩展的过程是相当顺利无缝的。
近日,McNamara在云未来峰会上畅谈了关于Target的云战略、如何实现创新和业务敏捷性的。
关于把技术作为差异化因素:
Mike McNamara:五六年前,大家就都意识到,未来零售业的赢家将是那些拥有最好的技术和最好的供应链的企业。在零售业,很明显,位置、产品、价格和服务,这些因素都是同等重要的。但是当世界开始转向数字化的时候,真正与众不同的,是最好的供应链和最好的技术。
所以很明显,技术将成为Target未来发展的一个重要组成部分,事实也证明,技术是如此重要,而不应该进行外包。所以我们的战略实际上就是我们自主开发技术,那么我就必须建立一支优秀的工程团队,并且要有出色的工作方式。最终,我们必须为未来打造一个伟大的架构和平台,策略就是我们自己组建团队,自己构建架构,最终这对技术团队来说,是一次非常成功的转型。
关于Target的云架构:
我们的业务性质是经常遇到“顶峰”,也就是季节性趋势很明显。从历史数据来看,“网购星期一”一直是交易井喷的日子。例如:在网购星期一,我们的业务量是周二正常运行情况下的20倍。所以,如果要自主开发技术、构建基础设施以支撑“网购星期一”的话,你就会发现,实际情况是全年其他90%的时间你的技术资产都是闲置的。因此对于零售商来说,云一直都是极具吸引力的,我们需要顶峰期的爆发能力,也需要弹性,这与其他任何行业都是不同的。
就出色的客户体验而言,这也是很重要的。很明显,美国国内到处都有大型云提供商的网络接入点,可以降低延迟并提高网络速度、性能、移动和应用性能等等。
所以,云对于我们来说是一件显而易见的事情。我们从2016年开始云端之旅,大约一年之后完成。今天,谷歌承担了我们大部分面向顾客的流量,包括我们的网站和应用,不过仍然有很多处理是在我们自己的数据中心内完成的。所以,我们所做的,就是创建了自己的部署平台,称之为TAP(目标应用平台),让我们能够将工作负载推入Google Cloud Platform或者我们自己的数据中心,或者推向我们在全球各个国家/地区大约1900个门店,以及我们所有小型数据中心。
关于拥抱混合云:
我希望能够将工作负载部署到最匹配的位置,无论是我们自己的数据中心、还是Azure、GCP……我认为这就是真正的“混合”,就是你可以根据自己的需要、以天或者季度为单位来决定把工作负载放在哪里。
现实中,我们可以在自己的数据中心运行稳定的工作负载,比在云端便宜得多。如果你只是有一个简单的、稳定的工作负载,并且全天候24小时运行的话,实际上拥有自己的数据中心从财务角度上来说是更好的选择,特别是我们有一些数据中心是很久很久以前就开始支出成本的了。因此,这对于我们拥有的稳定工作负载是非常有意义的。但是,对于弹性工作负载来说,就要把它们放在最需要的地方,我认为这就是混合云的真正本质。
展望未来
在我们自己的数据中心里启用新的实例,可不像刷下信用卡就可以使用AWS那样简单,但这就是我们眼下正在做的事情,我们当然也有相同的工具集来管理内部数据中心和所有集群,就像是在公有云中一样。所以,我们是有一套工具可以让我们两者兼得的。不过,我们仍在在为我们自己的数据中心内自动配置可扩展存储、内存和处理能力而努力,我们正在一部一步实现这个目标,这就是我们未来几年将要走上的旅程。
好文章,需要你的鼓励
韩国科学技术院研究团队提出"分叉-合并解码"方法,无需额外训练即可改善音视频大语言模型的多模态理解能力。通过先独立处理音频和视频(分叉阶段),再融合结果(合并阶段),该方法有效缓解了模型过度依赖单一模态的问题,在AVQA、MUSIC-AVQA和AVHBench三个基准测试中均取得显著性能提升,特别是在需要平衡音视频理解的任务上表现突出。
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。