至顶网软件频道消息:微软的官员们在5月15日的SharePoint Virtual Summit网络广播中介绍了该公司下一套SharePoint更新和功能的计划。
虽然微软将继续支持SharePoint Server内部部署用户,并将于今年晚些时候发布SharePoint Server 2016的第二个Feature Pack(功能包),但其即将到来的SharePoint的若干更新将首先提供给(在某些情况下,仅适用于) SharePoint Online/ Office 365。 SharePoint Server Feature Pack 2将开始提供SharePoint Framework组件集成。
微软的官员们表示,目前微软超过60%的SharePoint座席都在SharePoint Online而不是SharePoint内部部署上。官员表示,超过25万家企业目前在企业内的某个地方拥有SharePoint,SharePoint月度活跃用户数量较上年上升了90%。 (微软没有提供SharePoint用户总数,但是表示有超过1亿个Office 365 Commercial席位,这意味着有将近1亿的SharePoint Online用户。)
在路线图前端,微软正在准备对Office 365中的SharePoint提供个性化搜索,这将不仅能够显示Sites and Files(站点和文件),还可以显示People(人物)。
在接下来的几个月中,当用户点击Office中的搜索框时,微软将推出有关最新文档、相关内容和新闻等的建议功能。关于可能提供相关信息的人员的建议也将根据其Office 365配置文件中的信息进行显示。被激活的People Cards(人员卡)将提供来自用户个人资料的相关信息。
让搜索结果“个性化”的基础隐藏在微软Graph之中。随着时间的推移,微软一直致力于从Yammer、微软Teams和Planner中为Graph带来更多的“信号”,这将影响用户在Office 365单个租户的SharePoint Home中看到的站点、文件和人员列表中。
这个新的个性化People搜索正是微软之前官方预计在已经取消了的SharePoint的Infopedia门户上提供的知识管理功能。
从今年6月开始,微软还通过允许用户直接从Windows 7和/或Windows 10文件资源管理器以及Mac Finder中共享来增加更简单的共享体验。用户将能够与特定的人共享文件或文件夹,或发送链接以允许组织内部或外部的任何人访问共享的内容。
微软还将通过将现有的SharePoint Team站点连接到Office 365 Groups来实现现代化。微软还计划在今年秋季之后增加在微软 Teams中将SharePoint网页添加为标签的功能。此外,用户将能够创建可在Web、PC或Mac、移动浏览器和/或SharePoint应用程序中查看的SharePoint通信站点。
微软在SharePoint和PowerApps and Flow之间增加了更多的集成点。用户将能够使用PowerApps从内部SharePoint列表和库中创建自定义表单,而不仅仅是依赖于默认的SharePoint表单。并且新的内置审批表单将允许用户从SharePoint内部发送定制的电子邮件。
微软的官员们表示,该公司将在9月份的Ignite大会上提供有关这些新功能的进展情况及更加确定的交付日期。
好文章,需要你的鼓励
大多数用户只使用计算机预装的操作系统直到报废,很少尝试更换系统。即使使用较老版本的Windows或macOS,用户仍可通过开源软件获益。本文建议通过重新安装系统来提升性能,Mac用户可从苹果官方下载各版本系统安装包,PC用户则建议使用纯净版Windows 10 LTSC以获得更长支持周期。文章强调备份数据的重要性,并推荐升级内存和固态硬盘。对于老旧系统,应替换需要联网的内置应用以降低安全风险,定期进行系统维护清理。
新加坡南洋理工大学研究团队提出"棱镜假设",认为图像可像光谱一样分解为不同频率成分,低频承载语义信息,高频包含视觉细节。基于此开发的统一自编码系统UAE,通过频率域分解成功统一了图像理解和生成能力,在多项基准测试中超越现有方法,为构建真正统一的视觉AI系统提供了新思路,有望推动计算机视觉技术向更智能统一的方向发展。
微软杰出工程师Galen Hunt在LinkedIn上宣布,目标是到2030年消除微软所有C和C++代码。公司正结合AI和算法重写最大的代码库,目标是"1名工程师、1个月、100万行代码"。微软已构建强大的代码处理基础设施,利用AI代理和算法指导进行大规模代码修改。该项目旨在将微软最大的C和C++系统翻译为内存安全的Rust语言,以提高软件安全性并消除技术债务。
芝加哥伊利诺伊大学团队提出QuCo-RAG技术,通过检查AI训练数据统计信息而非内部信号来检测AI回答可靠性。该方法采用两阶段验证:预检查问题实体频率,运行时验证事实关联。实验显示准确率提升5-14个百分点,在多个模型上表现稳定,为AI可靠性检测提供了客观可验证的新方案。