至顶网软件频道消息:IBM今天公布了一个新的开源项目,旨在帮助架构师、开发者和运营团队更紧密地围绕构建基于Kubernetes的软件应用展开协作。
IBM在俄勒冈州波特兰市举行的O’Reilly Open Source Software Conference大会上公布了这个名为Kabanero的项目,该项目中包含Appsody、Codewind和Razee等新的开源工具,以及Knative、Istio和Tekton等现有工具。IBM表示,这些工具组合将提供“架构、构建、部署和管理基于Kubernetes应用生命周期的端到端解决方案”。
Kabanero致力于为那些希望采用Kubernetes软件的公司的入门门槛,这些软件曾用于协调托管现代应用的大型集装箱集群。
IBM Cloud开发人员技术高级产品经理Nate Ziemann在一篇博文中写道:“选择正确的技术来构建云原生应用并获得有效采用Kubernetes所需的知识是很困难的,最重要的是,让架构师、开发人员和运营人员能够轻松地协同工作的同时,又能满足他们的个性化需求,这是额外的一大挑战。”
企业面临的最大挑战之一,就是架构师和运营团队必须确保将安全标准等内容纳入Kubernetes应用中,这需要这些团队和开发人员之间的大量合作,但同时这也会减慢开发的流程。为了解决这个问题,Kabanero整合了一个名为Appsody的命令行工具,开发人员可以使用这个工具来创建微服务也就是容器化应用组件,这些组件已经满足企业组织的安全标准。
Ziemann表示:“Appsody为越来越多的主流开源运行时和框架提供了预先配置的堆栈和模板,为构建Kubernetes和Knative部署的应用提供了基础。你可以自定义Appsody堆栈来满足特定的开发要求,并控制和配置所包含的技术。如果你自定义了一个堆栈,则可以使用单一控制点并从中将这些变更推送到所有构建的应用中。”
Kabanero另一个关键组件是Codewind,Codewind提供了对Eclipse、Eclipse Che和VS Code等开发人员用来构建应用的主流集成开发环境的扩展。Codewind旨在减少开发人员的学习曲线,让他们能够在他们熟悉的环境中构建Kubernetes应用。
Kabanero还使用了另一种名为Razee的开源工具,该工具为Kubernetes提供“多集群持续交付工具”,用于从开发和测试一直到生产部署的过程中管理应用进程。
Constellation Research首席分析师兼副总裁Holger Mueller表示:“Kubernetes已经成为领先的容器平台,因此现在企业更加专注于帮助开发人员有效地构建下一代应用。IBM希望通过工具并从中为其执行架构派生的工作负载来吸引开发人员。接下来开发人员对这些工具的采用情况值得关注。”
开源数据集
除了Kabanero外,IBM还发布了用于培训人工智能和机器学习算法的Data Asset eXchange(DAX),主要面向那些需要访问开放数据集的数据科学家和开发人员。
IBM称,DAX是一个“精心设计的免费开放数据集”集合,带有“明确定义的开放数据许可”。
类似的资源已经存在于GitHub等服务上,但IBM表示DAX是独一无二的,因为所有数据集及其元数据都以标准化格式提供,这意味着DAX更容易采用。
Constellation Research分析师Doug Henschen表示,IBM提供的数据集仍然需要经过开发人员的检验以确保这些数据集与特定环境相关,但他也对该项目提出了赞许。
“很高兴听到这些数据源在格式和元数据以及行业特定方面进行了设施、开放和标准化,从而让这些数据源在特别是在应用早期开发阶段提供价值,”Henschen说。“随着开发人员逐步改进特定于业务和应用的模型,大规模数据和企业组织特定的数据就变得非常宝贵,我们看到了市场在合成数据开发和企业组织特定数据采用对抗性网络方面非常活跃。”
好文章,需要你的鼓励
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
麻省理工学院研究发现过度依赖AI会导致认知债务,削弱基本思维能力。研究表明交替进行无辅助思考和AI支持工作的模式能保持认知敏锐度。这种认知高强度间歇训练模仿体能训练中的HIIT模式,通过短时间高强度思考与恢复期交替进行,可以强化大脑神经回路,防止认知衰退,提升独立思考能力。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。