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
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。