至顶网软件频道消息:近日,HPE宣布将业界领先的基于云的AI管理工具——HPE InfoSight,扩展部署到旗下ProLiant服务器,Synergy组合式基础设施和Apollo系统中。凭借基于实际运营数据的预测和分析功能,HPE InfoSight能有效降低运营成本,减少破坏性宕机发生的频率,并将IT人员解放出来专注于业务创新。
按照现代商业的发展进程,对于实时数据的获取和洞察已成为当务之急,IT企业不能浪费时间和资源来解决本可以避免的困扰,特别是那些影响生产和盈利的问题。HPE InfoSight可以帮助客户解决这一挑战,通过持续监控基础架构,识别潜在问题并提供有效的解决方案。
HPE InfoSight通过分析安装在全球连接的数百万个传感器,从基础架构中收集运营数据,并通过行为数据提供趋势洞察,预测和建议,以预防问题。这一更高效和更可靠的解决方案,能为客户创建更智能,更易于管理的基础架构。
目前,HPE的存储客户已经享受到HPE InfoSight带来的种种优势——运营成本降低了79%,故障解决时间减少85%,86%的问题是自动预测并在发生之前解决的。而将HPE InfoSight功能扩展到服务器则能为客户提供一个单独的AI驱动框架,用于监控、收集和分析整个基础架构内外的丰富数据。
作为一个里程碑式的时刻,HPE将InfoSight扩展到ProLiant服务器,Synergy组合式基础设施和Apollo系统中,并提供了一系列基础功能,这些功能也将随着时间的推移而增强:
服务器基础 架构 的全局可见性
在健康监控系统中,客户可以获得其服务器基础架构的运行状况和状态的统一视图,包括系统信息,服务器保修和支持服务。HPE InfoSight将其AI功能与Active Health System(AHS)和HPE Integrated Lights Out(iLO)技术相结合,可实现主动健康监控和服务器管理,优化整体性能并防止出现严重问题。
预测分析
通过将预测分析功能引入监控服务器,HPE InfoSight可提供有关选定部件故障的信息,使IT经理能够为更换提出必要的维护请求,从而缩短维护时间。此外,预测分析功能还可提醒管理员注意服务器的安全问题,例如恶意登录尝试,避免服务器受到系统威胁而带来的昂贵代价。
推荐引擎
利用预测分析的洞察力,HPE InfoSight可以根据异常模式或运行迹象提供建议,以消除服务器上的性能瓶颈。
HPE Infosight改善了客户的基础架构管理体验,并与HPE OneView相结合,可以简化内部部署时间。HPE OneView还能提供计算生命周期管理和模板驱动的基础架构部署,可将传统的基础架构转换为软件定义的基础架构,从而使客户能够更快地完成部署,简化生命周期操作并提高生产力。
“我们的客户希望以前所未有的速度释放数字化转型的价值。这需要改进他们的数据中心,以提供自动化,自我修复和实时解决问题的混合云环境,因此IT人员可以专注于推动转型,而不是管理硬件停机和系统异常。“HPE混合IT全球业务总经理Justin Hotard说道:“我们正在帮助客户提高运营效率和性能,并让他们的员工从边缘到云来推动业务的创新。”
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。