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
还在为渲染一个3D模型等上几小时吗?还在纠结移动办公就得牺牲性能吗?当AI遇上专业工作站,传统设计流程的游戏规则正在被改写。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。