许多中国基础设施和运营(I&O)领导者在实施基础设施现代化项目时,希望利用自动化技术来简化和加快IT基础设施资源的配置、管理和扩展。但是,中国企业的技术团队往往各自为政,而技术专家又倾向于将自动化仅仅视为现有技术的延伸,导致自动化优先任务之间的相互竞争,各团队间的协作受到限制,削弱了自动化对业务结果的改善作用。
中国的I&O领导者应通过创建自动化技术的管理框架,在推进基础设施现代化项目的同时,确保技术投资带来切实的业务收益。
图1:利用自动化技术管理框架,支持以业务成果为导向的基础设施现代化

将I&O自动化团队打造为IT基础设施现代化的关键推动力
I&O领导者迈出的第一步,是与IT高管(例如IT基础设施负责人)沟通,获得后者对组建专职自动化团队的支持,从而集中优势力量构建能够提供可衡量价值的跨领域自动化解决方案。
组建自动化团队的目的不仅仅在于受理基础设施现代化项目的请求和投入。该团队还需要与不同技术领域专家协调,改进IT对业务成果的总体贡献,通过这一方式来实现自动化。
团队组建请求获得批准之后,下一步是评估每种模式的优劣势,选出与企业IT基础设施现代化项目最匹配的团队模式,通常采取以下四种模式之一:
图2:IT基础设施现代化项目的团队模式及定义

扩展自动化团队角色,涵盖自动化负责人和架构师
中国的许多I&O领导者都认识到,对于当前I&O的技术领域(例如服务器和网络)专家来说,自动化技能十分重要。该技能的可行性和有效性早已得到证明。在过去,技术成果是解决方案的必要组成部分,而现在的解决方案中,还应包含业务成果。
如今,技术领域专家在IT基础设施现代化项目中遇到了挑战,因为这些有着很强的业务成果导向性。当前各自为政和侧重技术(服务器、网络等)的自动化方法,导致不同技术领域专家提供的产品和预期的业务结果之间存在差距。
为了弥合这一差距,中国的I&O领导者必须设置专门角色,将业务需求“转化”为技术需求,通过建立高效的自动化团队,响应不断变化的业务需求。这些角色必须发挥协调者的作用,促进不同技术领域专家之间的协作。
要确保在组建和管理自动化团队时实现平稳过渡,可以从自动化负责人和自动化架构师角色着手。这些角色设立的灵感来源于以敏捷和持续的方式向客户交付产品和功能的DevOps团队,可推动实现IT基础设施现代化项目的目标和总体业务成果。
使用业务成果导向型KPI,增强I&O自动化绩效与目标的一致性
I&O自动化绩效需要与IT基础设施现代化目标保持一致,为此应制定一个明确的目标,并构建绩效衡量与管理框架。
中国大多数I&O领导者都使用KPI来跟踪技术交付绩效,因为这些指标是展示团队技术成果的成熟方法。此外,KPI可以用于激励员工,为团队的工作提供明确的方向和重点。
在基础设施现代化项目中实施I&O自动化,相关领导者可以使用三类KPI来跟踪和报告技术绩效。这三类KPI为:价值、成本和风险(见图3)。
图3:跟踪I&O自动化项目的价值、成本和风险

除了KPI之外,I&O领导者还需要为试行目标与关键成果法做好准备。目标与关键成果法(OKR)是一种跨团队工作的现代化方法,旨在实现针对业务成果的具体目标(例如“在三个月内将客户满意度提高15%”)。这是一种面向未来、实现目标协调的现代化方法。
I&O领导者应牢记,OKR对中国大多数团队成员来说是相对较新的方法。因此,应在最高管理层(例如IT高管)的大力支持下,从小规模项目着手。一旦业务成果驱动的方法被大多数团队成员认可和接受(例如通过调研得知),I&O领导者就可以开始扩大OKR的使用范围。这一渐进式过渡将使KPI被逐步淘汰,同时使整个I&O团队的技术、人员、流程和团队管理实现现代化。
好文章,需要你的鼓励
周一AWS美东数据中心DNS故障导致数百万用户和上千家企业断网,Reddit、Snapchat、银行和游戏平台均受影响。专家认为这凸显了冗余备份的重要性,CIO需要根据业务关键性进行风险评估,优先保护核心系统。单一供应商策略仍可行,但需通过多区域部署分散风险,建立故障转移计划。金融、医疗等高风险行业需更高冗余级别。
上海AI实验室等机构联合提出FrameThinker框架,革命性地改变了AI处理长视频的方式。该系统采用"侦探式"多轮推理,先快速扫描全视频获得概览,再有针对性地深入分析关键片段。通过两阶段训练和认知一致性验证,FrameThinker在多个视频理解基准测试中准确率平均提升10.4%,计算效率提高20倍以上,为AI视频理解领域带来突破性进展。
英国政府发布新的反勒索软件指导文件,旨在解决供应链安全薄弱环节。该指南与新加坡当局联合制定,帮助组织识别供应链问题并采取实际措施检查供应商安全性。英国国家网络安全中心过去一年处理了204起"国家重大"网络安全事件。指南强调选择安全可靠的供应商、加强合同网络安全条款、进行独立审计等措施,以提升供应链韧性和防范网络攻击。
复旦大学团队创建MedQ-Bench基准,首次系统评估AI模型医学影像质量评估能力。研究覆盖五大成像模式,设计感知-推理双层评估体系,意外发现医学专用AI表现不如通用AI。结果显示最佳AI模型准确率仅68.97%,远低于人类专家82.50%,揭示了AI在医学影像质控应用中的现实挑战和改进方向。