ZDNet至顶网软件频道消息:时效性是新闻重要的特性之一,在移动互联网时代这一特性不断发酵,如何快速搜集、发布新闻也就显得尤为重要。新华社是中文媒体的主要新闻来源之一,拥有遍布全球的一百多家分社,如何让各个分社与总社之间实现实时通讯、无缝沟通是摆在新华社面前的一大难题,与此同时,作为权威性新闻媒体,第一时间获取相关资讯的需求也愈发迫切。据此,新华社提出“移动信息化服务解决方案”,通过建立移动信息化服务平台,为政府、机构、集团公司在无线信息服务方面实现分层次信息发布、资源共享、信息协同互动,从而为新华社专属用户在移动终端,提供多元化、群组化的信息服务。
新华社的时讯通项目秉承移动优先设计原则,同时,安全性是移动平台建设的重中之重。新华社原计划由App外包公司来实践业务的移动化,但在反复考量移动化建设各项细节后,意识到外包公司很难交出满意的答卷,安全风险系数大,最终决定选择以AppCan移动应用平台为项目核心,推进“移动信息化服务解决方案”的实施。从源头解决移动应用的开发、安全、管理、集成等多种问题。
正益无线AppCan项目团队经过对新华社的深入调研分析,认为系统建设重点应集中在移动平台建设、时讯通手机客户端、时讯通管理后台、价格监测数据无线采集系统等,为充分发挥新华社信息资源优势,采取“技术平台+内容服务”模式,为新华社有移动信息服务需求的行业客户提供移动信息化解决方案、信息发布系统及具备用户特性的专属终端。以中石油为例,该公司员工通过新华社移动平台可以及时获取新华社推送的最新石油行业资讯。
三大平台保障新华社移动信息化进程
AppCan为新华社提供的移动平台大致分为三部分,分别为SDK移动开发平台、MAM移动管理平台以及MAS后端集成平台。新华社项目管理人员、开发人员、测试人员借助AppCan SDK移动开发平台能够快速、便捷的开发应用。截止目前,新华社已经顺利完成公众基础版(终端门户)和机构服务版(专属终端),其中公众基础版面向公众用户,主要功能为发布公众服务信息、终端板块内容服务介绍。机构服务版主要进行信息产品服务、多元化信息发布,兼顾协同办公为目标的信息互动。此外,公众基础版用户可通过输入授权码便捷的升级为机构服务版,享受其所在机构提供的专属信息服务,机构服务版也可单独打包安装。
时讯通手机客户端首页截图
移动应用开发完成后,更为复杂的任务是应用的管理。AppCan MAM移动管理平台涵盖内容管理、插件商城、推送管理、模板管理、权限管理、应用管理,为新华社相关管理员和内容管理员提供完善服务。
AppCan MAS后端集成平台为新华社“移动信息化服务解决方案”提供强大的数据支撑,不断收集移动应用的各种使用数据,通过统计分析全面掌握应用的使用情况,更有定制事件统计功能帮助新华社了解应用体验的反馈情况,从而不断完善应用。
时讯通用户权限管理后台截图
经济效益、管理效益双管齐下
移动应用开发对于新华社来说相对陌生,部分技术人员缺乏App开发经验,AppCan移动平台能够帮助新华社技术人员降低开发难度,原有的Web开发人员可以轻松实现一次开发多平台适配;同时特有的插件扩展机制实现开发插件最大化复用,对既有应用进行快速扩展更新,节约开发成本。此外,AppCan中的Hybrid App移动中间件加快应用开发速度,应用更新更及时,大大提升开发效率。
移动应用的管理往往会牵扯企业大量精力,而AppCan平台具备完整的移动应用管理的能力,保证移动应用从项目开发阶段到版本升级阶段都能处于统一管理之下,并严格管控移动应用的运行。此外,新华社可以通过AppCan建立自己的企业App Store,方便移动应用的发布、推广、管理等。
目前,新华社时讯通项目已接近尾声,新华社内部给予AppCan高度评价,通过AppCan移动信息化平台,大幅提升新闻工作者的采编效率以及其他业务部门工作效率,并成功与行业客户建立良好合作沟通关系。
好文章,需要你的鼓励
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。
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。
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。