OpenStack Days China 2017于24日至25日在北京国家会议中心召开,红帽与众多国内主流OpenStack厂商专业人士、各行业高管、电信运营商、OpenStack贡献者、云运维工程师、应用开发者等深入探讨了OpenStack的开发应用经验以及未来发展方向。
OpenStack Days China 2017红帽展台
作为全球领先的开源解决方案提供商,红帽推出的OpenStack平台,整合在红帽企业Linux上,能够满足高安全性要求,密切监管OpenStack中的各种动态,摆脱供应商依赖,从而能够满足企业用户更高需求的能力。红帽OpenStack平台解决方案配合其他一系列完备的服务产品,为开源生态系统的构建打下了坚实的基础。
OpenStack技术委员会成员、红帽总部持续集成/开发首席架构师Monty Taylor
本次大会上,Monty Taylor就《全球OpenStack: 云互操作性的力量》这一主题展开精彩演讲,他指出,OpenStack成功联结了全球的开发者,形成了一个十分有意义的生态社区,每位开发者都可以用自己喜欢的方式为这个生态社区做出贡献。OpenStack还为全球云科技提供了强大的助力,无论何时何地,都能让开发者们在多元的平台上面完成他们的工作,共同致力于社区建设。
这与红帽的企业愿景不谋而合:成为基于开源提供创新技术的客户、合作伙伴、贡献者之间的催化剂。此外,Monty回顾了红帽过去取得的一系列成就,同时也指出了当前面临的挑战,他深入探讨了这些挑战与OpenStack的关系,并提出了OpenStack下一步发展的宏观愿景。
红帽资深技术专家张家驹
张家驹发表了题为《深度解析红帽开源云堆栈》的演讲。他指出,当今数字化转型是大趋势,OpenStack将是企业未来发展的必然方向。他还深入解读了OpenStack模块构成、核心技术栈、NFV解决方案等技术关键,全面直观地展现了红帽OpenStack平台。
除此之外,他还分别展示了红帽OpenStack四个成功应用案例。比如在红帽技术专家的指导和支持下,沃尔沃基于红帽OpenStack平台和CloudForms的开放混合云,创建了一种多层架构,支持持续整合和DevOps模式。该项目不仅基于整个产品堆栈的整体一致性,还能够为不同的堆栈层,如Paas、IaaS、管理与操作系统等提供支持;红帽针对美国个人消费信用评估公司(FICO)提供了多项服务,使其在中端市场和中小企业客户中获得了1000万美元的销售额,并减少了新业务上线时间和存储成本,还提升了数据管理的效率。同时,还分享了来自国内电信与金融行业的成功案例。
红帽资深解决方案架构师王磊
王磊在其《红帽OpenStack Platform – 推动企业采用OpenStack》演讲中表示,当前OpenStack市场呈现出稳健的增长态势,预计到2020年将会接近6万亿美元。红帽采用订阅模式,提供OpenStack平台和CloudForms管理系统服务,可以有效地帮助用户使用OpenStack。
他还特别强调,OpenStack的实施关键是人,尤其在企业面临数字化转型之际,工作流程的变化、相关配套管理系统的变化都需要更为专业的人员和模块化的管理。红帽提供的OpenStack服务不仅具有技术优势,而且还涵盖了人员培养和管理模式的针对性设计,帮助企业应对转型时人员的问题。
本次大会期间,红帽还与其他与会成员进行了深入交流,在未来也将持续致力于为全球用户提供更为优质的OpenStack平台服务,并为OpenStack生态做出更多贡献。
好文章,需要你的鼓励
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。
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。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
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。