ZD至顶网软件频道消息: 1月10日,数字化性能管理软件公司Dynatrace荣获ZD至顶网凌云奖“2016年度评选最佳应用性能管理奖”。凌云奖是中国企业级IT领域的权威奖项之一,该奖项前身为于1997年设立的“ZD至顶网年度技术奖”,是业界最为权威的媒体技术奖项之一,其在业内具有较高的影响力,一直是用户采购的重要参考。
作为业界唯一一家能够通过单一代理全面历史的深入分析每一个应用、每一个用户的APM解决方案提供商,Dynatrace以用户体验为中心的统一数字化性能管理平台和全覆盖的监控技术能够帮助企业管理真实用户全部交易体验,涵盖任何设备、任何应用以及任何位置,提供关于业务、开发、运维相关的洞察力,实现全数据的无缝采集,真正实现端到端的性能监控,以及更好的数字化性能管理。
事实上,对于各个行业来说,数字化将不仅是一项战略,还是确保竞争优势,带来新商机与市场份额的一大法宝。银行、保险、零售、电商等行业或领域,企业所注重的不仅是数字化战略的成功与否,而且是数字化战略执行之后,企业是否能看到客户转化率与在线服务质量的提高,以及用户体验和关键业务的交易质量是否达到了预期。
Dynatrace 首席执行官 John Van Siclen 曾表示:“Dynatrace早在四年前就看到整个行业即将面临巨大的挑战,因为应用环境正变得日益复杂,采用现有的方式将难以进行监测。因此Dynatrace未雨绸缪,不断深化、拓展自身软件的监测能力。如今,Dynatrace实现了采用人工智能技术的全层级自动化监测手段——这领先于我们的竞争对手的人工智能战略两年以上。”
据了解,通过部署Dynatrace 数字化业务管理平台,企业可在业务系统的各个阶段掌握到完整的应用性能表现。诸如在新业务系统上线之前,IT部门可进行高峰期的压力测试,用户行为模拟,通过主动监控的形式快速采集业务信息,并根据模拟到的用户习惯对业务系统做出实时的调整,为企业提供更好的用户体验打下坚实基础,确保新业务成功上线。同时,基于Dynatrace结合大数据分析的人工智能功能,客户可在日常的主动监测与被动监测中不断积累用户体验的相关数据,从而逐渐了解用户使用习惯,实现数字化的业务管理与客户体验管理,在提升服务质量的同时还大大提高了IT管理对业务所带来的巨大价值。
此外,Dynatrace还在过去12 个月里与多家领先云提供商 AWS、Azure、Pivotal 及 OpenShift达成战略合作。同时,Dynatrace还是第一家、也是唯一一家向OpenStack提供支持的厂商。
目前,Dynatrace全球超过 8000 家主要企业用户,在前不久Gartner发布的《2016 Gartner 应用性能监测套件魔力象限》报告中,Dynatrace第七年捍卫了其在APM领域的领导者地位,并在针对所有APM厂商执行能力方面的评比中高居榜首。
Dynatrace大中华区总经理琚伟表示:“很高兴看到近几年来Dynatrace在大中华区市场获得了连年的高速业绩增长,其增长速度超过全球平均水平。2016年,Dynatrace在蓬勃发展的大中华区市场持续深耕,以不断创新的行业技术与深刻洞察力帮助中国多领域的行业客户构建自上而下的数字化战略,布局成功的数字化业务。这一年,Dynatrace同时立足于数字化转型的前景与未来发展趋势,继续深化了自身在技术研发创新上的投入,来更好地帮助客户更好地应对数字化挑战与变革,实现更深层次的业务系统管理。凭借覆盖服务器端、用户端、网络层的全链路解决方案和全球研发创新的深厚资源,Dynatrace将继续助力银行、保险、电商、电信、物流、航空、制造等领域的客户,在新的发展阶段借助Dynatrace所提供的完善的数字化性能管理解决方案,成功迈向数字化未来。”
Dynatrace荣获ZD至顶网凌云奖“2016年度评选最佳应用性能管理奖”。更多详情请见:http://www.zhiding.cn/zdnet/2016/1228/3087752.shtml
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。