红帽(Red Hat)公司首席执行官Matt Hicks表示,借助当下的AI浪潮,渠道合作伙伴有巨大的机会增加价值并提高客户粘性。
Hicks在近日于美国波士顿举行的2023年Red Hat Summit上接受采访时表示:“AI会带来巨大的附加价值,从了解客户的数据,如何不将其置于公共领域对这些数据进行训练,到如何采用可能从模型中获得的建议,并了解这些建议的来源,以确定是否将其纳入你自己的产品中。”
Hicks表示,红帽公司在训练环境和加速开发项目投入AI能力,为渠道合作伙伴提供一些重要的托管服务收入机会。
Hicks表示:“当你审视整个围绕AI构建的生态系统时,你会发现,这将是我们所见过的、在附加价值方面最令人兴奋的生态系统。我们希望为生态带来一些一致性,以便所有这些新的合作伙伴都可以增加价值,并真正快速地做到这一点。他们知道底层的基础是什么,他们的工作范围可以从生产环境一直延伸到训练环境。”
Hicks表示,红帽公司几乎总是以合作伙伴为中心的,“无论是合作伙伴附加的工作负载、合作伙伴管理的工作负载还是合作伙伴部署的工作负载,合作伙伴是我们最后一英里的联结。”
红帽合作伙伴CTS看好人工智能
Converge Technology Solutions (CTS)是一家规模30亿美金的解决方案提供商,自2017年以来一直是红帽公司的合作伙伴。
这家总部位于多伦多的公司表示,红帽专注于为AI工作负载部署和生命周期管理带来效率和可重复性。
CTS公司美国首席技术官Greg Rhoades表示:“红帽给AI工作负载的操作平台提供了基础。但红帽平台的美妙之处在于,它确实跨越了客户需要运行AI功能的任何位置。”
CTS拥有一个完整的数据科学团队,专注于AI、机器学习和深度学习技术方面。
CTS应用现代化副总裁Andrew Tenaglia表示,随着红帽公司加大了与AWS和微软等厂商合作伙伴关系的投入,红帽在AI领域的前景将是一片光明的。
新的事件驱动型Ansible
CTS看好的一款产品是红帽新推出的事件驱动型Ansible,这是Ansible Automation Platform 2.4平台的一个组成部分。
事件驱动型Ansible旨在扩展用户跨混合云启用自动化的方式,可以降低IT基础设施的错误和退化风险;节约资源并释放IT员工的精力,以提高逻辑和应用质量;加快部署;连接基础设施和应用可观察性工具。
Tenaglia表示:“事件驱动型Ansible是我们绝对感兴趣的一款产品,因为我们在围绕AIOps的领域做了很多工作,减少平均时间,识别平均时间,解决客户运营挑战——我们可以利用像Dynatrace这样的AIOps平台发现存在的问题,但是把Ansible混合在一起然后实际采取行动,这是一个巨大的进步。这样你就不会在凌晨2点叫醒系统管理员来解决Dynatrace发现的问题了。它取代了凌晨2点的紧急呼叫。”
CTS表示,Ansible是一个自动化平台,是由个人或工作流启动的。Rhoades表示:“它不是对组织内的环境事件做出反应。这改变了这一点,因此,它为Ansible自动化提供了一个全新的前景,使其在组织中变得具有有意义,可能比Ansible通常所做的配置管理或配置方面的工作更有意义。”
红帽峰会上的AI创新
此次峰会上,红帽公司通过IBM Watson Code Assistant将新的生成式AI注入Ansible Lightspeed中。Lightspeed承诺在整个组织中采用更一致的、更准确且更快速的自动化,它利用自然语言处理并集成Watson Code Assistant,以访问构建在Red Hat OpenShift上的IBM Foundation Models。
此外,红帽还推出了一个新的Developer Hub,使合作伙伴能够构建世界级的开发人员门户,它提供了精选的工具、语言和资源,承诺提供更好的应用并减少Kubernetes和Red Hat OpenShift等环境之间的摩擦。
Hicks 表示,作为AI新时代的开源市场领导者,红帽将为合作伙伴带来巨大的机会。
他说:“现在AI发展趋势再真实不过了,红帽在这个赛道上做得很好,我们让合作伙伴围绕着AI提高附加价值。对于合作伙伴来说,这将是一个激动人心的时刻,因为他们将进入最后一英里,他们知道客户面临的挑战,我们希望能够帮助他们更快地到达目的地。”
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。