随着开源软件的深入使用,人们已经不再讨论要不要采用开源技术的问题,而是在考虑如何更好地使用开源、探索开源。实际上,如今如何更好地规范使用和管控好开源技术也成为大家共同面临的问题和挑战。这些问题主要体现在以下几个方面:行业开源的合规问题、如何向开源社区做出贡献、开源工具的选择问题,和如何提升企业的开源竞争力、如何积极引入和贡献开源技术相关的经验以及倡导集团内部开源文化的建设,促进项目共享与协作的价值最大化等。
开源治理的定义与内涵
开源治理,就是在企业内部形成体系化的开源技术全生命周期管理流程和规范,在开源技术的导入、应用、维护、退役各环节形成公司层面的统一标准,并构建与之相匹配的团队技能和开源文化。同时,通过开源治理为客户建立清晰路线,实现开源技术收敛,建立属于企业自身的开源技术全景图及发展路线规划图,协助企业提升其实践能力及标准化管理能力,最终达到风险可控,并增加企业在业界的影响力。
红帽是开源的领头羊,不仅在开源技术的研发、社区的管理上有着丰富的经验,同时在开源治理方面也拥有成熟的方法论。红帽认为,开源治理是一个系统化工程,不能仅仅通过实现某项技术或者某个流程就可以实现有效管理,红帽倡导开源治理需要遵循开源之道,实现流程与能力并举,技术和文化同行,建设全方位的开源管理能力,通过各个维度的全面推进,最终实现开源治理的有效落地。
具体地说,开源治理需要实现四个维度的建设:开源治理团队的建设;开源治理流程的建设;开源技术能力的培养;开源组织文化的建设,简单概括为团队(People)、流程(Process)、技术(Tech)和文化(Culture),简称 PPTC。PPTC 每个维度都需要解决各自的领域任务,同时,我们认为四个方面相辅相成,是一个有机整体:
开源治理团队主要目标是:建设一个立体团队,包括战略规划团队、运营执行团队、技术支撑团队;
开源治理流程的主要目标是:建立开源软件管理制度、开源软件生命周期管理流程、开源技术成熟度评估模型、开源技术库、开源软件管理平台;
开源技术能力建设主要包括:建立开源技术路线图、重点开源技术领域研究、开源技术应用场景课题研究、开源实验室;
开源文化建设可以从三个方面展开,包括参与开源社区、实现自主可控、与开发和运维相结合、实现敏捷灵活 DevOps 体系;深度参与开源项目,引领创新。
红帽开源软件成熟度评估模型
红帽还推出了开源软件成熟度评估模型,该评估模型具有如下特点:
1. 全面综合比对:从五个整体维度,共40+具体项目进行评估;
2. 针对性: 针对行业特点及企业管理特性对权重及评估细项进行调整(评分的权重及细项的取舍);
3. 客观性:详细说明了评估依据和建议参考的信息来源;
4. 可执行性:客观评分标准,按对象分类进行评估;
红帽开源治理的实施步骤
根据多年的开源软件部署和管理经验,红帽建议企业开源治理按照如下步骤实现:
1.现状调研。红帽的专家会通过现场访谈及问卷调研等多种方式,对客户的开源软件使用情况进行初步摸底。
2.综合分析。对所收集的信息进行系统分析,围绕团队(People)、流程(Process)、技术(Tech)和文化(Culture)四个维度进行综合分析总结,为客户罗列当前的优势、弱点,改善的机遇及潜在的风险等。
3.治理规划。协助客户制定开源软件治理策略,为客户建立清晰的技术路线图、管理方法准则、管理流程等,协助企业提升其实践能力及标准化管理能力,最终达到风险可控,并增加企业在业界的影响力。
4.模型修订。基于红帽的开源软件成熟度评估模型的基线,结合客户的实际情况,调整评估细项(评分细则,评分权重等),与客户一同完成最合适他们的新技术模型,为后续开源准入评估做准备。
5.试点实践。配合客户选择1-2个试点技术领域,验证评估流程及评估模型,并通过实践的方式将管理方法及思路教会客户。
6.电子化落地。与客户一起构建电子化管理平台(可选)。
7.知识推广。知识转移及配合客户全面推广。
值得一提的是,开源治理是系统工程,涉及多个方面,任何一个环节处理不好可能影响最终结果,这其中有几个需要重点注意的问题:
1.特别需要领导的支持,上下一心,开源治理才能有成效。
2.重视数字平台构建,是后续治理效率的重要手段及工具。
3. 开源发展是快速的,治理的工作也不是一成不变,我们希望通过开源治理方法论的学习,协助客户建立开源治理体系,后续更多需要客户自己继续严格执行。
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。