至顶网软件频道消息:MapR是备受瞩目的三家初创公司(MapR、Cloudera和Hortonworks)之一,几年前围绕开源大数据软件框架Hadoop狂热时大出风头。与其他同行一样,MapR最初专注于在Hadoop生态系统中集成和扩展组件。随着大数据市场的发展,MapR已经成为一个多层面的分析和应用开发工具提供商,基于它称之为“融合数据平台”的主集成层。
与其他厂商不同的是,成立有9年时间的MapR一直保持私有的状态。MapR公司首席执行官John Schroeder毫不掩饰想要回报那些为MapR投入了2.8亿美元的投资者,但考虑到迄今为止竞争对手的股票价格表现不佳,所以他并不着急。Schroeder在2016年退出了运营的角色,但两个月前再次回归,理由是要将产品翻一番。
问:四年前,MapR称自己要“履行Hadoop的承诺”。今天,MapR却在公开资料中都不提及Hadoop。这期间发生了什么?
答:我们的首个产品涵盖整个Hadoop堆栈。这让我们能够轻松赢得大型客户,因为大多数人都在试用Hadoop。后来技术逐渐扩展,所以我们添加了[Apache] Spark、SQL访问、消息流、分析、还有利用TensorFlow进行机器学习等令人兴奋的领域。这些都不需要Hadoop,而且专注于的用例范围也比较窄。Hadoop仍然活着,但不像是2009年那个时候是一个重大的发展方向。
问:那么在这期间和客户的互动发生了什么样的变化?
答:市场在不断成熟,但“噪音”也很多,信噪比质量不高。客户在过滤信息的时候约到了很多麻烦,如今他们受到的市场教育比六、七年前多,但他们仍然需要对很多说法进行评估和验证。
问:现在想要入门是不是容易多了?
答:是越来越容易。尽管这是一个嘈杂的市场,但大数据仍然是一项必须具备的能力。我们也扩大了我们的范围,开始做推荐引擎、风险分析和欺诈检测等业务,现在我们也赢得了联网汽车的客户,我们有一家医疗设备公司在使用我们的产品对MRI机器进行分析,公有云和混合云环境已经引入了容器和编排功能。客户们必须变革为基于云或混合的架构,我们在Kubernetes和容器方面的能力对他们来说是至关重要的。
问:你认为未来五年大数据概念会有多重要?
答:大数据可能作为一个术语将继续存在,以区别于在线交易处理,但对于细分市场中发生的变革并不具有描述性。它需要变得更加细化。
问:这对MapR的战略有什么影响?
答:我们希望建立一个平台公司,所以我们从未围绕Hadoop售卖开源软件。这么做是有道理的,因为机器学习/人工智能技术和物联网不需要Hadoop,而是需要具有持久性和安全性的强大平台。我们在混合云方面也做了很多工作,为下一波虚拟化做好准备。
问:你认为哪些新技术将具有最强大的后劲?
答:物联网是一个巨无霸。我们可以通过连接汽车或使用医疗设备进行分布式处理,来降低成本并提高安全性,这真是太神奇了。另一个值得关注的是混合云,因为现在人们还远没有完全迁移到公有云,我听到有客户说他们想要平衡成本效益。
问:大数据的开源根基将如何影响企业对开源技术的态度?
答:这起到了非常重要的作用。客户希望使用定义好的标准(如SQL和Posix)进行标准化。Hadoop创建了一个客户满意的参考架构和事实标准。
问:你现在重点关注哪些领域?
答:机器学习/人工智能、容器、物联网和混合云。我们无法用20年前的技术在物联网或机器学习/人工智能上创建应用。我们可能处于大数据的第三或第四回合,我们还有很长的路要走。
好文章,需要你的鼓励
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。
苹果即将发布Apple TV 4K和HomePod mini 2两款产品更新。更值得期待的是三款全新产品:配备7英寸方形显示屏的HomePod Touch将搭载全新homeOS系统,支持Safari、音乐等应用及小组件功能,预计售价350美元;此外还有智能安全摄像头和视频门铃两款配件。这标志着苹果从依赖第三方HomeKit配件转向自主研发智能家居产品的重要战略转变。
UCL研究团队通过分析16万场AI对战数据发现,传统认为"平局代表AI实力相当"的观念完全错误。研究表明平局主要反映问题难度和客观性,而非AI能力对比。当忽略平局进行评分时,四种主流评分系统的预测准确率均提升1-3%。这项发现颠覆了现有AI评估理论,建议未来评分系统应考虑问题特征而非简单的平局语义。