至顶网软件与服务频道消息: 消费互联网经历了黄金时期正趋于饱和,而工业互联网和To B的互联网正方兴未艾。同时物联网快速发展,产生的数据将比消费互联网高出n个量级,这也使得人工智能成为了一项必需的基本技术,来处理物联网时代的海量数据。云计算、物联网、大数据、人工智能……一个又一个新技术扑面而来,错综复杂,将会演绎怎样的新时代?
其实无论是消费互联网还是工业互联网,软件都使一切成为了可能,软件正在吞噬世界的真相不容置疑,其另一个定义叫做“数字化转型”。企业进行数字化转型已经是不争的事实,老牌传统企业也不例外。
丹佛斯作为有着85年历史的工业企业,在供热、制冷、传动、移动液压等领域一直处于领先地位。丹佛斯一直追求创新,为客户提供高质量、可信赖的产品, 与客户一起“engineering tomorrow”。在数字化时代,丹佛斯迎头而上,开启了数字化转型之路,这给IT部门带来了前所未有的机会和挑战,作为IT 监控部门,如何积极转型,更好的支持IT部门、企业业务的发展?丹佛斯集团IT监控经理陈春起,分享了在数字化转型中如何通过Dynatrace实现创新。
陈春起,丹佛斯集团IT监控经理,在IT监控领域10年的资深专家,成功完成丹佛斯的IT监控从基础架构监控到应用程序监控的转变,为丹佛斯数字化转型提供保障。
从客户和业务需求出发
“最重要的理念还是以客户为中心,时时刻刻了解我们的客户在哪,增长点在哪。”陈春起表示。面对数字化转型这场硬仗,丹佛斯的打法是首先实现内部共赢。
作为IT人员,首先要了解自己有什么知识和能力可以帮助到企业业务。这样IT部门和业务部门各自做自己擅长的事,各司其职,建立合作伙伴的关系,从而实现共赢。举个例子,假如有一套系统,虽然小旧而且低端,但是对业务来说是至关重要的,那么技术部门就应该对此进行监控,发现问题及时报警、调试。在这种情况下,技术部门的工作由被动变成了主动,这也是后台部门走向前台的第一步,即:从客户和企业业务的真实需求出发。
说起来容易做起来难,当需要监控、运维的内容越来越多的时候,哪些业务需要做监控?如何做监控?就成了首要难题。
同样还是从客户和企业业务需求出发,财务、生产、供应链、销售是企业运转起来最重要的四大板块,监控、运维工作也从这四大板块开始。本着共赢的原则,丹佛斯希望组建一个既能服务于IT部门,也能服务于企业业务部门的监控运维团队。“如果每一个事业部都自己组建运维部门、监控部门,那这个公司的复杂程度就会慢慢的把这个公司给吃掉。”陈春起表示。
有了共赢的中心思想,接下来就要付诸于行动。丹佛斯有基础架构监控平台、技术架构监控平台、网络监控平台,在应用级别的监控方面,丹佛斯选择了Dynatrace。
解决三大难题:赢得客户、节省人力成本、可视化
Dynatrace的理念与丹佛斯一样,都是以客户为中心,了解用户体验、行为以及满意度,与丹佛斯共同梳理了客户及业务需求,帮助丹佛斯赢得了客户。
随着技术复杂程度越来越高,和应用之间的联系越来越冗杂,需要大量的人力来支持,这就增加了人力成本支出,而选择适合的监控工具可以大大减少人力成本,Dynatrace帮助丹佛斯把IT运维这件事做的事半功倍。
以往,运维监控一般都是黑盒,只是对着屏幕看代码,而Dynatrace监控软件把代码变成了简单易懂的可操作信息,满足不同部门不同需求,使业务部门可以更好的优化业务流程,助力公司业务增长。
Dynatrace 让我们合作更紧密
陈春起介绍说,在丹佛斯,市场部门每天都会与IT运维部门开例会,利用Dynatrace在管理方面提供的可视性,通过数据分析、代码分析来回顾问题,改善系统性能和可用性。同时,Dynatrace提供的定制化的设置,可以将问题快捷的反馈到敏捷开发部门。这样一来,IT监控部门直接和市场部门合作,提供定制的报表,帮助市场部门更精确的分析了解市场,及时调整商务策略。
在与Dynatrace合作的三年中,丹佛斯已经在约50套业务应用中使用了Dynatrace做监控,包括丹佛斯全球门户网站、全球B2B销售网站、全球产品生命周期管理系统等等,其中不乏很多前沿应用。“Dynatrace运营得非常好,如何做解密,如何呈现,帮我们省了很多事。”陈春起表示。
未来,丹佛斯将会在更多的应用场景中使用Dynatrace做监控,比如IoT的架构图,企业级的架构图,包括混合云、微服务、物联网、容器等很多新的技术领域。“我们可以一起走的更好!”陈春起对丹佛斯和Dynatrace的合作信心十足。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。