云战略指的是简明扼要地说明云计算在企业机构中的作用。然而据Gartner公司称,企业和IT领导人在制定云战略时仍会犯10个常见错误。
Gartner公司副总裁分析师Marco Meinardi表示,“一份好的云计算战略应该是一份简短的、可消费性的文件,由10到20页文档或幻灯片组成。此外,业务战略应推动云计算战略并为那些实施云计算的人提供指导。云计算战略必须与其他战略共存,而不是试图去重做其他战略。”
Gartner公司副总裁分析师Marco Meinardi就如何在制定云战略时避免犯同样的错误发言
Gartner的分析师们这几天在开会讨论如何赋能云及充分利用好云,他们在星期二举行的2022年Gartner IT基础设施、运营和云战略会议上展示做好这些工作的价值。
企业和IT的领导应合作建立云战略并在建立云战略时避免以下10个错误。
错误1、假设云战略只是个(唯一的)IT战略
云计算不仅仅是个技术问题。一些IT部门以外的人拥有对云战略成功至关重要的技能和知识。Meinardi表示,“企业和IT部门的领导应该避免犯这样的错误:制定一个以IT部门为中心的战略,然后试图把这个战略‘推销 ’给企业的其他部门。企业和IT部门应该是定义云战略的平等伙伴。”
错误2、没有制定退出战略
制定从云计算供应商退出战略是很困难的,这也是许多领导者没有制定退出战略的原因之一。许多企业认为他们不需要退出战略,因为他们并不期望从云中取回任何东西。然而,退出战略对于一个组织云战略的成功至关重要。Meinardi称,“这就像在你的抽屉里有一份保险单,你希望永远不需要使用。”
错误3、将云战略与云实施计划结合或混在一起
云战略与云实施计划是不同的,云战略必须放在首位。云战略属于决策阶段,企业和IT领导在决策阶段要决定云计算在企业中的作用。接下来就是云实施计划,将云战略付诸实施。
错误4、认为现在制定云战略为时已晚
开始制定云战略永远不会为时已晚。Meinardi表示,“如果企业在没有云战略的情况下推动云计算的采用,最终就会引起那些对云战略的关键驱动力和原则不认同的人的抵制。因此,这种阻力将减缓云计算的采用并有可能危及整个云计算项目。”
错误5、将云战略等同于“我们要把所有东西都搬到云上”
许多企业认为制定云计算战略意味着要把所有东西都搬到云上。Meinardi表示,“这种做法使许多企业和IT领导人不敢制定战略,因为他们认为这意味着他们将被迫开始使用云计算做所有的事情。企业应该保持开放的心态并与非云技术专家(如企业架构师)合作,非云技术专家可以为云战略定义带来更广泛的观点。”
错误6、诸如“我们的云战略就是我们的数据中心战略”的说法
许多企业将他们的云战略与数据中心战略混为一谈。企业需要将它们分开,但仍需要确保二者的彼此一致,因为这会影响到云计算在企业中的作用。Meinardi表示,“云战略决策基于工作负荷,而数据中心战略则不是。”
错误7、认为行政任务是战略
企业常犯的另一个错误是之所以采用云计算是因为首席执行官、首席信息官或某个业务部门的负责人认为这样做可以节省成本。Gartner的分析师建议将行政任务视为制定云计算战略的一种担保,而不是将其视为云战略本身。云战略还应该保持与业务的联系,确保企业的有关部门知道为什么工作负载要转移、目标是什么。
错误8、认为开了某个云供应商的商店就成了云战略
企业可能在不同的时间会使用几种不同的云服务。云服务的使用可能会变得越来越广泛和多样化,企业和IT领导应该制定一个广泛的战略,以适应多种类型的场景、云服务、供应商和非云环境。
错误9、外包开发云战略
将企业的云战略外包听起来很有吸引力,但却不应该这样做,云战略太重要了,一定不能外包。相反,Gartner的分析师建议企业和IT领导人利用第三方(甚至是云计算供应商)做实施方面的工作。这样做可以购入组织所需的稀缺云技术,是个成本效益不错的方式。
错误10、整个云战略就是一句“我们的战略是云优先”
云优先方法意味着,如果有人想要投资,他们建立或放置新资产的默认地方就是公共云。Meinardi表示,“但云优先并不意味着仅仅是云。如果企业和IT领导采用云优先的原则,他们的战略应该制定出在一些例外情况下的默认选择,在其他地方而不是在云中打造一些相关的应用。”
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。