在当今商业环境中,云计算被视为业务经营中最具战略意义和最重要的技术之一。但企业对待和实施云战略的方式正在发生转变。进取型企业正在从“公有云优先”数字化转型战略转向更加慎重、平衡的云策略,进而将工作负载分配到最合理的地方。
随着越来越多的行业在数字化方面趋于成熟,混合云、人工智能(AI)、机器学习(ML)等新兴技术将越来越多地用于提高运营效率和降低成本。因此,我们认为2023年对于想要充分利用混合云强大潜力的企业来说将是关键的一年。以下四大技术趋势将在未来一年极大地影响业务重心。
趋势1:数据和应用正越来越多地转向混合架构
我们发现企业的云战略开始从“具有单一公有云提供商的本地云”演变为“拥有多家公有云提供商的本地云”。不仅如此,企业对云服务提供商的看法也在发生变化——如今企业寻求云提供商的中立性,并且在根据业务需求调整云战略时避免供应商锁定。
这导致对数据编织架构的需求不断增加,在这种架构下,企业能够跨多个地方协调和管理不同的工作负载,并在其间共享安全治理。随着企业对混合架构的接受度越来越高,这一点将变得十分重要。
无论现在还是未来,如果能够在对企业最有意义的地方运行工作负载,就能使企业具备落实战略变革所需的灵活性,以及有效应对当前形势的敏捷性。
趋势2:企业对数据联邦的兴趣加深,尤其在低信任环境中
我们发现进取型企业对数据联邦的兴趣日益浓厚,尤其是在低信任环境中。虽然公共部门的组织机构一直是数据联邦的先行者,但在不失去数据控制权的前提下,越来越多的进取型企业也开始对数据变现或分享数据洞察产生浓厚兴趣。
数据越丰富,带来的洞察就越多。但由于数据分析需要在数据仍处于加密域时进行,也增加这项工作的复杂性。随着各国持续推进数字化转型进程,公共和私营部门的组织机构将越来越需要联合开展数据方面的合作、共享和学习数据。
趋势3:从传统数据仓库架构中加速迁移,转向本地和公有云中更开放的数据湖仓架构
随着越来越多的企业追求数字驱动,从任何云中的任何数据获得实时洞察以做出明智决策的能力至关重要。为了成功应对当今变化和未来挑战,企业需要能够将数据转化为战略业务资产的工具。具有现代化数据架构的工具将使企业能够在数据所在的位置上快速、安全地定位、管理及分析其数据。
开放式数据湖仓架构正在逐步替代更传统的本地数据仓库。Apache Iceberg等现代化数据架构和技术能够在大规模(PB级)情况下实现强大的性能。其开源和云原生表格式消除了对有限数量分析工具的限制,并减少了不必要的数据转换或跨工具和云的数据移动,以从数据中获得洞察。
这将有助于提高质量和可靠性,并通过支持多功能分析来提高效率,同时减少数据的滞后性和总拥有成本。另外,随着数据保护法律和法规的不断出台,企业可以通过这种架构追溯历史,对数据过去的状态进行报告和分析。
趋势4:新AI/ML算法的引入与发展
我们发现近期AI/ML算法出现了一些令人惊叹的新发展,比如AI系统DALL-E可以从输入的文本描述中创造出逼真的图像和艺术。此外,语音识别技术也取得了进步,比如Whisper可以实现准确实时的语音到文本翻译。而ChatGPT等AI聊天机器人的出色表现甚至让谷歌都感受到了压力。
随着时间的推移,这个前沿领域的进步与发展将逐渐跨入企业,并进一步推动机器学习和处理的采用。其将被用于预防欺诈交易、打击金融犯罪等无数不同的用例,并最终帮助开发人员提高编码效率。
好文章,需要你的鼓励
计算机历史博物馆软件馆长Al Kossow成功恢复了上月在犹他大学发现的半世纪前磁带内容。UNIX V4是首个内核用C语言编写的UNIX操作系统版本,已从1970年代九轨磁带中成功恢复。现可从互联网档案馆下载并在SimH中运行。该版本包含约5.5万行代码,其中2.5万行为C语言,内核仅27KB大小。恢复过程使用了readtape程序采样原始磁通变化进行数据重建。
新加坡南洋理工大学研究团队提出"棱镜假设",认为图像可像光谱一样分解为不同频率成分,低频承载语义信息,高频包含视觉细节。基于此开发的统一自编码系统UAE,通过频率域分解成功统一了图像理解和生成能力,在多项基准测试中超越现有方法,为构建真正统一的视觉AI系统提供了新思路,有望推动计算机视觉技术向更智能统一的方向发展。
亚马逊云服务宣布其存储网关现已支持Nutanix的AHV虚拟化管理程序,进一步扩展混合云存储解决方案。此前AWS存储网关已支持VMware ESXi、微软Hyper-V和Linux KVM。由于AHV基于KVM架构,AWS表示添加支持相对容易。随着Broadcom收购VMware后策略调整,许多企业正寻求替代方案,Nutanix成为热门选择。分析师预测VMware可能在三年内失去35%的工作负载。
芝加哥伊利诺伊大学团队提出QuCo-RAG技术,通过检查AI训练数据统计信息而非内部信号来检测AI回答可靠性。该方法采用两阶段验证:预检查问题实体频率,运行时验证事实关联。实验显示准确率提升5-14个百分点,在多个模型上表现稳定,为AI可靠性检测提供了客观可验证的新方案。