红帽公司日前宣布推出红帽Ansible自动化平台2,作为公司混合云自动化新标准。该平台的最新版本针对不断演变的混合云大规模计算进行了优化,新增了自足式自动化功能,同时更深入地将自动化转移到应用开发生命周期中。
据红帽委托标普全球市场财智 (S&P Global Market Intelligence) 旗下451 Research最近进行的《企业声音:DevOps,组织动态调查》指出,受访者认为DevOps的首要文化挑战是克服变革阻力 (35%)、推动不习惯协作的团队之间的沟通 (34%) 和打破孤岛(33%)。随着整个企业范围内的合作成为优先事项,产品和IT团队也需要围绕业务需求实现自动化实践的标准化,同时扩展自动化用例,从而提高业务效率。
为云原生世界提供混合云原生自动化
随着混合云计算和多云计算成为关键的IT组件,IT组织需要部署自动化平台,从企业数据中心到远程网络边缘,将传统系统与这些现代服务连接在一起。Ansible自动化平台2现已针对混合云原生世界完成重组,使IT团队更容易通过标准化方式满足不同环境和系统的大规模自动化需求。借助自动化控制器(以前的Ansible Tower),用户可以更可靠、持续地按需扩展自动化范围,采取系统化的方法实现自动化实践的标准化,同时帮助减少企业内部自动化的不规范。
Ansible自动化平台中的自动化网格进一步满足了开放混合云的大规模自动化需求。该功能将不同的自动化组件连接在一起,并对整个IT组织中的自动化环境进行状态检查。自动化网格旨在连接具有分散网络的不同环境,在不牺牲安全功能的前提下提供更高的灵活性和弹性,使企业能够更好地采用和扩展自动化。
左移:面向开发人员和IT运营的自足式自动化
目前,随着混合云环境实现自动化,相关工具已经不再是专家独有。IT运营团队和开发人员现在都必须支持自动化,但要做到这一点,他们需要易于移植、灵活和可扩展到整个IT环境的自动化技术。Ansible自动化平台2通过云原生架构以及用于创建、测试、分发和管理自动化内容的最新协作和开发人员工具,帮助在整个IT组织中扩展自动化人员的角色。
Ansible自动化平台2引入了自动化执行环境的概念(取代了Ansible Engine),它提供了自足式自动化空间,可以轻松地在企业内复制和重复使用。这有助于团队扩展并加快自动化工具的跨环境交付,同时显著降低开放混合云的标准自动化平台的运营开销和复杂性。
此外,自动化内容导航器帮助团队更快地验证自动化内容在最大规模的环境中是否也能正常运行。这有助于自动化人员(从开发人员到系统管理员)在各系统间保持操作的一致性,无论是开发人员工作站、预发布平台还是生产系统。
红帽的开放混合云和边缘组合的自动化平台
协作的提升打破传统服务器和虚拟机,与运行红帽OpenShift的云原生集群之间的工作流和开发孤岛。红帽Ansible自动化平台Operator将Ansible自动化平台与红帽OpenShift直接集成在一起,使自动化集群更加顺畅地在云原生环境中部署,使数据的管理和迁移更加容易,让平台性能升级,进一步将自动化融合到云原生流程中。
红帽是Ansible自动化领域的专家,因此,红帽Insights有能力保证通过自动化在开放混合云中实现最佳成效。现在,该服务除包含以前的自动化分析组件外,还增加了以下功能:
顾问 (Advisor):从红帽在该领域的丰富经验提出的一套用于评估可用性、性能、稳定性和系统安全性的建议,对自动化控制器进行分析。
漂移 (Drift):用于创建一个自动化控制器基准线,帮助实现配置的一致性,并通过历史系统数据分析更好地识别问题。
策略 (Policies):使企业能够制定独特的内部策略,识别并消除环境中特定的问题场景。
上市时间
Ansible自动化平台2抢先版现已面向所有现有和潜在客户推出。Ansible自动化平台2.1预计2021年11月上市。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。