为响应“十四五“规划中关于推动企业数字化转型的号召,中国的基础设施和运营(I&O)领导者纷纷在现有的通用(公有/私有/混合)云产品基础上,开始寻找更适合特定垂直行业领域需求的产品。行业云平台(ICP)即是其中一种选择。此类平台针对某个垂直领域的需求,结合软件即服务(SaaS)、平台即服务(PaaS)和基础设施即服务(IaaS)等多种云服务,通过提供打包式模块化的业务相关能力以及技术产品来满足业务结果的需求。
ICP负责人角色转移到业务团队会改变I&O在云技术方面的定位、职责和影响力
在中国,目前的通用云服务负责人时根据企业想要实现的某一种特定上云效果决定的。比如说,想要实现工作负载直接迁移上云,会安排I&O团队负责这朵云,而想要完成应用现代化(例如容器化)的企业,则会安排I&O团队和应用团队共同负责这朵云。在这样的环境下,I&O团队对云影响力属于中到高的水平。原因在于,通用云产品的驱动因素是技术成果,而I&O团队属于技术决策团队,拥有必要的技术能力。
ICP的业务结果导向改变了这一局面。ICP侧重于业务成果,因此业务团队是最合适的负责人。在这种环境下,I&O团队所需的技能、角色、责任与影响力会发生变化,I&O团队在ICP中的定位也不同以往。例如I&O团队在ICP中的角色会从技术运营延申到业务运营。同时,由于技术团队并不直接影响业务成果,因此I&O团队在ICP中的影响力会下降至低到中的水平。
I&O领导者局限于技术视野,难以发现ICP的业务驱动因素、价值和风险
为了推动ICP价值和驱动因素评估,企业I&O领导者可以先考虑业务需求,再考虑技术问题,判断现有系统、能力、流程等能否实现需求。如果发现目前的系统、能力和流程无法支撑ICP,那么I&O领导者可向业务领导者提出建议采用ICP。
中国的I&O领导者,尤其是在严格监管的行业和国有企业工作的I&O领导者,更需要和业务团队一起仔细评估业务风险。原因在于,这类企业不仅受到董事会的管理,也受到政府部门的监督。此类I&O领导者在风险评估过程中,一定要检索、阅读、理解、接受和运用政府部门的政策与指导意见。
Gartner建议在风险评估中,先梳理现有系统、能力和流程中的各项技术,然后再结合业务观点,以确保不遗漏任何风险。同时,始终将注意力放在业务驱动因素(即驱使业务考虑ICP的原因,例如实现更好的合规成果)上,与业务领导者共同评估ICP时,应专注于探讨各项风险的业务影响。此外,评估过程中较为具体的技术问题探讨应尽量留在IT部门内部。
I&O、应用和业务团队各自为营,局限了ICP创造业务价值的能力
在通用云时代,国内很多企业的业务、IT基础设施和IT应用部门,仍然是各自为营的工作方式。同时,为了实现IT和业务的“协作”,不同企业根据其性质和文化也采取了不同的方式。例如部分企业借助业务和IT部门的例会来确保IT工作符合业务需求,部分企业则根据需求临时组织IT和业务部门的合作。
ICP不太适合使用这样的方式,因为ICP的设立是为了实现业务目标。I&O领导者应与IT企业架构团队或IT领导者共同提倡协作文化。同时,I&O团队需要与业务团队和应用团队建立跨职能团队,通过云计算顾问委员会(CCAC)改善云治理。
此外,采用新的项目执行工作方式也将对此有帮助。例如通过PDCA模型即“计划(P=Plan)、执行(D=Do)、检查(C=Check)、处理(A=Act)”模型来促进合作,实现业务成果(见图1)。
图1:PDCA模型
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。