至顶网CIO与应用频道 01月25日 编译:根据Gartner的一项调查,云解决方案、网络安全和分析是公共部门CIO们在2018年新增额外支出的优先技术,而数据中心基础设施则是成本节约的最常见的目标。
有16%的政府CIO表示,计划在2018年增加商业智能和分析(16%)以及数据管理(6%)方面的支出(见表2)。
Gartner的2018年首席信息官议程调查收集了来自98个国家和主要行业的3160名CIO受访者的数据,其中包括461名政府首席信息官。政府受访者分为国家或联邦;州或省(地区);本地;国防和情报机构,以确定每个层次的具体趋势。
数字化转型是政府CIO的首要任务,其次是安全和治理。
“数字化转型是围绕数据展开的,公共部门的CIO需要关注扩大数据和分析能力,创建以数据为中心的文化,增加开放数据和API的可用性,以供内部使用和公共消费。” Gartner研究副总裁Rick Howard这样表示。“建立数据分析基础设施,是提高政府项目成果和服务公民的基础。”
最重要的业务优先项
调查发现,除国防和情报机构(6%)之外,数字商业/数字化转型对于政府(对18%受访者来说是第一优先项),高于其他所有行业(17%),私有企业排名第二。对政府机构来说另外三大业务优先事项分别是安全;安全与风险(13%);治理、合规和法规(12%);技术举措/改进(11%)。
Howard表示:“政府CIO的优先事项存在冲突因素——为企业组织带来转型变革,同时又要兼顾以合规为导向的优先事项。他们需要与其他商业领袖进行建设性的合作,商定如何平衡风险和创新以支持数字化转型。”
实现企业组织使命的顶尖技术
在回答“哪项技术投资对于实现贵组织的使命最为关键?”的问题时,分别有19%和18%的政府CIO提到了云和商业智能/分析,其次是基础设施/数据中心11%(见表1)。国家和联邦CIO是个例外,将客户关系管理排在第三位,远远落后于前两项。
表1、利用顶尖科技取得成功
资料来源:Gartner(2017年10月)
与众不同的四大类:
人工智能(AI)是整体样本排名前10位的技术领域之一,但不包括政府(排名第19位)。除了国防和情报机构之外,大部分CIO都提到人工智能(7%),高于其他行业的CIO(6%)。
应用程序编程接口(API)对联邦或国家CIO(4%)来说要比其他政府或私营部门更重要,后者没有将API排在前10位技术之列。
云服务/解决方案和基础设施/数据中心这个组合在政府CIO中排名前10位,相比之下其他行业只有12%的受访者这样认为。私人领域的数字化/数字营销占16%,是政府(6%)的2倍以上。
所有行业都把物联网(IoT)列入前10,但除了政府(排名第12)。由于有智慧城市项目,地方政府、国防和情报机构这两个例外,都是依赖于来自监测各种活动的传感器的数据。
Howard表示:“许多政府CIO正在重新平衡资本支出(OPEX)和运营支出(CAPEX)的支出模式,以减少技术债务,同时把战略转移到云端。他们应该将云视为加速其组织数字化并实现业务优化的手段。”
主要的新技术投资
把云、分析和基础设施/数据中心视为实现组织使命至关重要一部分相一致的是,政府CIO们预计在这些领域的支出也将有所增加。
表2、热门新技术支出
资料来源:Gartner(2017年10月)
虽然只有5%的政府CIO认为安全和风险对于实现组织使命至关重要,但17%的人希望能够提高网络/信息安全方面的支出。这表明安全并不是政府的竞争优势,但是从历史来看,对安全的额外支出是有保证的,作为对利用系统漏洞入侵的回应。
Howard表示:“商业领导者们没有忘记数据泄露或安全问题可能导致声誉损害和个人伤害带来的教训。因此,他们愿意分配更多的资源和注意力,以降低网络攻击的风险“
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。