至顶网软件与服务频道消息: 大数据分析公司Splunk今天早些时候宣布,Data-to-Everything Platform平台本地版本和云版本中新增的Data Fabric Search(DFS)和Data Stream Processor(DSP)功能已经全面上市,此举旨在实现大规模的联合搜索和流处理。
Splunk今天在美国拉斯维加斯举行的.conf19年度大会上公布了这一消息,其中DFS旨在通过将来自多个海量数据集的洞察整合到单个视图中,以加速和简化数据分析体验。对于运行多个数据存储并且无法找到所需信息的企业组织而言,DFS是一款功能更为强大的搜索工具。
而Splunk DSP是一种实时流处理工具,可以在数据生称的时候收集来自多个来源的高速海量数据,并将这些信息转化为洞察,然后展示在界面中。
Splunk表示,这么做是为了让分析师或者其他业务专业人员能够提取洞察并且更快地制定关键业务决策。此外,DSP还可以进行数据脱敏以保护业务信息。
Constellation Research分析师Holger Mueller表示,总的来看这些新功能都与Splunk为客户提供更深度的堆栈有关。
Mueller说:“有了DFS和DSP,Splunk向前迈出了一步,从仅仅了解数据内容到实际处理这些数据。这是关键一步,向那些希望有更大规模、更深度集成的堆栈来运行下一代应用的CIO和CTO们强化了Splunk的价值主张。”
Splunk的Data-to-Everything Platform平台可以让企业用来实时搜索、关联、分析、监视和报告数据。
例如其中的Splunk Connected Experiences应用套件可以通过增强现实和移动应用向移动工作人员提供数据洞察,使他们能够从任何位置访问数据。现在该服务已经支持移动设备,并且与Splunk Enterprise和Splunk Cloud进行了紧密集成。
Connected Experiences也与Splunk Natural Language平台进行了集成,使用户能够使用移动设备“与他们的数据进行对话”,这意味着用户可以提出有关数据的问题,并通过Splunk仪表板或者语音的方式直观地收到即时响应。
此外,Splunk还公布了有关收购云应用监控公司SignalFX的最新消息。Splunk在去年8月以10.5亿美元收购了SignalFX。
SignalFX提供实时的云监控、预测分析和其他服务,帮助企业密切关注IT系统的运行状况,现在这些功能也已经与Splunk Cloud平台进行了集成,使DevOps团队能够对IT系统中检测到的任何问题进行根本原因分析,从而有助于缩短修复问题所需的时间。
Splunk还更新了IT Service Intelligence AIOps平台,该平台可提供对关键IT和业务服务的健康状况和关键绩效指标、以及为其提供支持的基础设施的可见性。新增的功能包括VMware vSphere Monitoring、多云监控以及针对Windows、Unix和Linux的增强监控功能,以确保客户可以收到有关物理和虚拟IT环境中任何问题的警报并进行故障排除。
最后,Splunk宣布对一家名为Zonehaven的初创公司进行重大投资,这项投资来自Splunk新成立的Splunk Ventures Social Impact Fund。
Zonehaven销售基于云的分析应用,可以分析野火并尝试预测野火的蔓延位置,该平台可供消防部门和应急机构使用,并利用实时天气数据来进行“高级火灾建模”,这在规划疏散和应对火灾策略方面可能会有所帮助。
Splunk全球事务高级副总裁Lenny Stein表示:“Zonehaven的创新技术具有将野火探测和响应带入21世纪的巨大潜力。”
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。