在新加坡竞争激烈的电信市场中,网络运营商面临着减少客户流失、提高每位用户平均收入(ARPU)和降低客户服务成本的巨大压力。数字化转型、流程自动化和云采用是这些努力的核心。
但对于新加坡第二大运营商StarHub来说,这不仅仅是要把工作负载迁移到公有云——该公司采取了一种混合多云的方法,在利用云的强大功能的同时,保留了其电信业务的差异化。
StarHub公司首席技术官Ayush Sharma表示,这个愿景以Cloud Infinity的形式实现了。Cloud Infinity是一个基于Red Hat OpenShift构建的平台,旨在为StarHub及其客户提供“无限数量的数字平台和服务”。
他说:“两年前,我们决定不能继续以传统电信公司的方式在这个高度商品化的市场中运营,我们希望转型为一家混合多云公司,利用电信公司擅长的互联网和云的力量展开创新。结果就是我们打造了Cloud Infinity,它使我们能够以云和AI原生的方式利用我们的电信资产。”
选择Red Hat OpenShift是战略性的决定。StarHub寻求一个提供了标准化和成熟度的平台,同时也得到了主要超大规模企业的支持。Sharma说:“Red Hat OpenShift是我们转型战略的核心,它是把我们的共同结构结合在一起的粘合剂,可以在不同的云环境中实现一致的CI/CD、网络安全、云原生和AI原生功能。”
StarHub的混合云战略专注于优化成本和保持控制。消耗重的工作负载、对合规性敏感的数据、还有电信公司核心的差异化因素,都驻留在私有云中,公有云服务则用于商用功能、扩展资源、访问更广泛的软件即服务工具和应用生态系统。
与此同时,StarHub公司正在积极开发内部知识产权,包括构建自己的DevSecOps流程,以及容器化的云原生网络功能,例如用户平面功能/会话管理功能,这些功能部署在Red Hat OpenShift上以实现灵活性和可移植性。
Sharma指出,解决整个技术堆栈、运营模式和业务模式对于成功转型是至关重要的,其中包括通过自主运营对运营支持系统等遗留系统进行现代化改造,以及结合闭环自动化来改善客户体验和支持超个性化。
业务支持系统也正在向SaaS产品过渡,对没有明确迁移到云原生架构计划的垂直集成或基于虚拟机的应用,将采取严格的政策,这就需要组织各个层面做出承诺,从高管到董事会。Sharma说:“我们做出了大胆的决定,如果不重新构建一切,就不会有真正的转型。”
AI在StarHub公司的整体转型中,也发挥着至关重要的作用。该公司有一个AI卓越中心管理着他们的AI计划,专注于那些具有可衡量成果的有影响力的项目。“我们还在组建一个OpenShift数据科学团队,以在StarHub架构中创造独有的AI差异化,这将推动运营改进和面向客户的新产品。”
StarHub公司还在积极探索AI驱动的运营,利用知识图谱等技术,与Nvidia、Google和AWS等合作伙伴展开合作。
StarHub公司的混合云之旅已经开始获得回报。根据StarHub公司的年度报告显示,Cloud Infinity 1.0已经实现成本效益,计划在2025年3月投入商业运营。该平台的多租户设计也开辟了新的商机,目前新加坡不同行业的主要客户正在对其进行试用。
“我们看到企业客户获得了巨大的好处,”Sharma举了一个例子,一家大型银行利用Cloud Infinity实现了低延迟连接、网络安全和增强可观察性。“这降低了复杂性和额外成本,使他们能够专注于核心业务。”
展望未来
展望未来,Sharma指出,Cloud Infinity 2.0平台将帮助StarHub扩大其在东盟地区的覆盖范围,利用公司的陆地、海底和卫星连接资产,这将为新的收入模式打开大门,把StarHub公司定位为区域混合云的提供商。
Cloud Infinity平台还满足了东南亚对主权云服务日益增长的需求。Sharma表示,凭借增强的安全功能,包括高级加密和量子安全技术,StarHub完全有能力为政府实体和受监管的行业提供服务。
Red Hat新加坡总经理Guna Chellappan表示:“StarHub不仅在内部转型方面,而且在市场方面都采取了创新的方式。他们的混合多云方法满足了关键的市场需求,例如主权云、数据驻留和改进延迟等。”
好文章,需要你的鼓励
来自耶路撒冷希伯来大学的研究团队开发了WHISTRESS,一种创新的无需对齐的句子重音检测方法,能够识别说话者在语音中强调的关键词语。研究者基于Whisper模型增加了重音检测组件,并创建了TINYSTRESS-15K合成数据集用于训练。实验表明,WHISTRESS在多个基准测试中表现优异,甚至展示了强大的零样本泛化能力。这项技术使语音识别系统不仅能理解"说了什么",还能捕捉"如何说"的细微差别,为人机交互带来更自然的体验。
这项研究提出了"力量提示"方法,使视频生成模型能够响应物理力控制信号。研究团队来自布朗大学和谷歌DeepMind,他们通过设计两种力提示——局部点力和全局风力,让模型生成符合物理规律的视频。惊人的是,尽管仅使用约15,000个合成训练样本,模型展现出卓越的泛化能力,能够处理不同材质、几何形状和环境下的力学交互。研究还发现模型具有初步的质量理解能力,相同力量对不同质量物体产生不同影响。这一突破为交互式视频生成和直观世界模型提供了新方向。
北京交通大学与西蒙弗雷泽大学联合研发的混合神经-MPM方法实现了实时交互式流体模拟。该方法巧妙结合神经物理学与传统数值求解器,在低时空分辨率下运行神经网络并设置保障机制自动切换到MPM,显著降低计算延迟同时保持高保真度。团队还设计了基于扩散模型的控制器,支持用户通过简单草图直观控制流体行为,为游戏、VR和设计领域提供了实用解决方案。
这项研究介绍了EgoZero,一种创新的机器人学习系统,能够仅通过Project Aria智能眼镜捕获的人类示范数据,训练出零样本迁移的机器人操作策略。研究团队提出了一种形态无关的状态-动作表示方法,使用点集来统一人类和机器人数据,并开发了从原始视觉输入中提取准确3D表示的技术。在没有任何机器人训练数据的情况下,EgoZero在7种真实世界操作任务上实现了70%的成功率,展示了强大的泛化能力,为解决机器人学习中的数据瓶颈问题提供了新思路。