7月5日,Kyligence融资暨新产品发布会在上海中心大厦举行。Kyligence 团队宣布正式发布下一代企业级数据仓库产品与解决方案 Kyligence Enterprise v3.0,及云端一站式大数据分析解决方案Kyligence Cloud v2.0。新版解决方案革命性地实现了自动建模功能,并将在查询提速15倍的同时节省50%存储空间。
Kyligence Enterprise v3.0,引领现代数据仓库发展方向
作为本次发布会的重头戏之一,Kyligence 联合创始人兼CTO李扬,详细介绍了新版Kyligence Enterprise如何在保持PB级数据集上亚秒级查询响应速度的同时,革命性地实现自动化建模以承载企业日益增长的自动化需求。
“在今天数据呈指数级爆炸的时代,绝大部分的数据仓库项目仍然使用人工进行操作,这种原始的基于人工的数据分析方式显然已经远不能满足快速增长的业务需求。”Kyligence 联合创始人兼CTO李扬在发布会上介绍道,“自动化是唯一可以解决这个问题的办法。”
新版Kyligence Enterprise引入了大量的机器学习技术,如自动建模技术可基于分析师的历史查询行为及学习记录,智能化地推荐数据建模,自动化地调优性能,且推荐和加速相关业务分析场景。同时,该产品还支持在企业的本地集群和云端部署在线数据分析服务,满足了企业的全场景分析需求。
在产品架构上,新版Kyligence Enterprise 采用了高性能的融合架构,实现了关键业务的亚秒级查询延迟,也支持海量数据的自主探索;数据源可对接分布式平台Hadoop的多重数据引擎,也可以对接传统的RDBMS;数据种类上,既可以对接实时数据流,也可以进行批处理。
“对比上一代查询引擎,新版Kyligence Enterprise 可实现查询提速15倍的同时节省50%存储空间,而对比市场上的同类查询产品,根据数据仓库典型查询场景测试中查询的完成度与查询的性能比较来看,都具有显著优势。”李扬介绍道,Kyligence Enterprise v3.0具有出色的数据分析能力,它的出现将有效降低企业人力成本,并成倍提升企业生产效率。
Kyligence Cloud v2.0,实现云上亚秒级响应
作为Kyligence云计算的核心产品,Kyligence Cloud 实现了云上对PB级数据的交互式分析与关键业务查询的亚秒级响应,为用户提供了简单、无缝的集成体验。
此次发布的Kyligence Cloud v2.0集成了Kyligence Enterprise v3.0大数据分析引擎,用户可以在统一的用户界面上实现集群部署、数据接入、数据建模和查询分析。同时,Kyligence Cloud v2.0还支持公有云更安全的访问授权方式,如AWS IAM Role,在最大安全性下充分利用客户云账户的计算资源。
李扬表示,Kyligence期待能与客户一起,实现以大数据和云计算作为双重引擎,加快企业数字化转型,以数据驱动企业的商业决策和业务发展,提升企业在新常态下的发展新动能和竞争力。
目前,除了Azure和AWS,Kyligence Cloud还加入了对阿里云和青云(应用市场)的支持,助力更多国内外客户将大数据分析迁移至云端。同时,Kyligence Cloud还新增了对Amazon Redshift和Azure SQL Data Warehouse的连接支持,与云端数据仓库一起,实现大规模高并发BI应用,加速数仓上的关键业务查询。
好文章,需要你的鼓励
法国AI初创公司Mistral AI发布了首个大语言模型全面生命周期评估,量化了AI的环境代价。其Mistral Large 2模型训练产生20,400吨二氧化碳当量,消耗281,000立方米水。运营阶段占环境影响85%,远超硬件制造成本。研究表明地理位置和模型大小显著影响碳足迹,企业可通过选择适当规模模型、批处理技术和清洁能源部署来减少环境影响。这一透明度为企业AI采购决策提供了新的评估标准。
上海AI实验库推出YUME系统,用户只需输入一张图片就能创建可键盘控制的虚拟世界。该系统采用创新的运动量化技术,将复杂的三维控制简化为WASD键操作,并通过智能记忆机制实现无限长度的世界探索。系统具备强大的跨风格适应能力,不仅能处理真实场景,还能重现动漫、游戏等各种艺术风格的虚拟世界,为虚拟现实和交互娱乐领域提供了全新的技术路径。
许多人认为一旦实现通用人工智能(AGI)和人工智能超级智能(ASI),这些高度先进的AI将能够告诉我们人生的真正意义。然而,巅峰AI可能无法明确回答这个史诗般的问题。即使AI拥有人类所有知识,也不意味着能从中找到生命意义的答案。AI可能会选择提供多种可能性而非绝对答案,以避免分裂人类社会。
上海AI实验室研究团队开发了革命性的AI编程验证方法,让大语言模型能够在最小人工干预下自动生成和验证程序规范。该方法摒弃传统的人工标注训练,采用强化学习让模型在形式化语言空间中自主探索,在Dafny编程验证任务上显著超越现有方法,为AI自主学习开辟新道路。