当前,各行各业都在进行数字化转型,而上云是迈出数字化转型的重要一步。
但上云是个系统工程,不只是停留在上云的单一步骤,还涉及到平台选择、系统迁移、多云管理、应用优化、安全防护、成本核算等一系列上云、用云、管云的复杂问题。同时,上云后企业还需要处理运维、商业、管理等工作。
这时,云MSP价值逐渐凸显,云MSP可为企业用户提供专业的云咨询、规划、改造、迁移、实施和运维管理全流程云服务,可为企业轻松解决所有上云、用云、管云难题。
神州数码云业务集团副总裁 俞小冬
作为国内领先的云及数字化服务商,神州数码在MSP领域进行了积极布局。神州数码云业务集团副总裁俞小冬告诉记者,进入云时代,神州数码积极布局MSP业务,帮助企业进行云转型。
转型时不我待 MSP业务应”云“而生
以前企业的IT建设更多是在软硬件和系统集成,但是随着互联网的发展,在线业务成为传统行业客户的重点,数字化转型成为刚需。
俞小冬说,企业需要整体的数字化转型解决方案,而不是原来的软硬件产品,实现在云上开展业务。”我们现在更多是主动考虑提供什么样的方案帮助客户进行转型,而不是客户提出需求,我们再去满足。“
基于这样的考虑,神州数码推出MSP业务,提供面向行业客户的数字化解决方案,包括公有云、私有云、混合云管理的方案,帮助客户快速地扩展业务到云,让客户持续地关注业务创新,而不是把焦点放在IT建设上面。
MSP的目标是创新、融合、改变,通过云原生、标准化、自动化、定制化,帮助客户上云和云原生迁移。神州数码提供了专业的24×7运维服务团队,专家团队和DevOps团队一起提供完善的技术支持。
除了云平台方面,神州数码MSP业务也包括应用现代化方案,包括容器和微服务、混合云、数据中台以及云安全等。此外,针对零售、金融等行业,神州数码也推出了CDP等产品。
协同创新加速云落地
在MSP业务中,微软是神州数码的重要合作伙伴。俞小冬表示,微软Azure云以及私有云产品Azure Stack也是让客户更多聚焦业务本身,神州数码与微软的合作也是在云平台上面,双方的理念是一致的。
其实,神州数码与微软的合作历史悠久,在原有的业务中,神州数码就代理了微软的软硬件产品,比如Windows、Office、Surface等。而现在,神州数码则是基于订阅的云产品,包括Azure、Office 365等,并提供了增值服务,也就是MSP业务的内容。
”前面我们提到的CDP,就是基于微软Azure的数据仓库、数据工厂进行的二次开发,为客户提供一个解决方案。“俞小冬说,”微软的商业化产品和技术能够更好地满足大企业的业务需求。“
在俞小冬看来,除了理念一致,神州数码与微软在客户方面也具有交集。95%以上的世界财富500强的企业都在使用微软的产品,微软的生态足够大,神州数码与微软生态合作协同,能够服务更庞大的客户群体,帮助他们更好地进行数字化转型。
同时,微软的技术团队、销售网络以及生态让神州数码可以获得更多力量支持客户的转型需求。此外,微软针对合作伙伴还提供了培训、认证等举措,提升合作伙伴能力。
俞小冬说,微软为神州数码提供了众多支持,比如神州数码的技术人员就通过了微软Azure的服务认证,确保技术能力获得客户的认可。
对于今年的Ignite大会,俞小冬表示,大会兼顾总结和未来预测,既有高质量的产品展示,又有业界的前沿动态。比如Azure平台的云原生产品以及元宇宙讨论。”大家通过交流,可以更好地了解客户需求,找准自己的赛道。“
展望未来,神州数码会聚焦行业解决方案、多云、应用现代化、云安全等领域,与微软开展更多合作,基于微软平台开发更多产品和解决方案。”双方的合作是一个互惠互利的过程,神州数码与微软一起解决客户云落地的最后一公里问题。“俞小冬最后说。
>>> 2022年1月6-7日,锁定Microsoft Ignite China(微软在线技术大会中国站),点击了解微软与合作伙伴的更多故事
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。