Dynatrace 荣获《Gartner 应用性能监测关键能力》报告五个使用场景中的四个最高分
报告详细介绍了在当今多重云环境的各种使用场景中实现应用性能监测和可观测能力所需的基础能力
2021 年 4 月 15 日讯——软件智能公司 Dynatrace(纽交所代码:DT)日前宣布,据 2021 年 4 月《Gartner 应用性能监测(APM)关键能力》的报告所述,其软件智能平台在五个使用场景中摘得了其中四项最高分。Gartner 依照五个使用场景对十五家厂商的解决方案进行了评测。Dynatrace 获得了开发运维/应用开发、网站安全工程/云运维、IT 运维以及数字化体验监测使用场景的最高分,并且在应用所有者/业务部门使用场景中位居第二。扫描下方二维码可获取《Gartner 应用性能监测(APM)关键能力》报告。
“我们非常荣幸再次获得 Gartner 的认可,十分感谢我们的客户、合作伙伴以及 Dynatrace 研发团队助力我们不断前行。业务开发安全运维团队需要这些关键能力来打造当今多重云环境中的可观测能力,驾驭云复杂性,一如既往地以出色的表现服务于其业务和客户。” Dynatrace 产品管理高级副总裁 Steve Tack 表示,“为这些团队提供自动化、可适应各种规模、近乎零开销的解决方案是一个巨大挑战。他们所需要的并不是只会采集数据的解决方案,而是一个融合人工智能运维引擎、持续自动化以及最广泛的可观测能力数据于一身的平台,其中包括各种指标、跟踪信息、日志以及来自用户体验和最新开源标准的数据。我们认为,Dynatrace 在五个使用场景中获得其中四个最高分,这既体现了我们以自动化、智能化为核心的一体化可观测能力平台的实力,也反映了Dynatrace在赋能众多全球大型组织实现其数字化转型目标方面所取得的卓越成就。”
此项研究是对《2021 年Gartner 应用性能监测魔力象限》报告的补充,在该报告中 Dynatrace 连续第 11 次蝉联“领导者”,并且在 “前瞻性”和“执行能力”评测指标名列前茅。
欲了解为何Dynatrace再次在“前瞻性”和“执行能力”评测指标中名列前茅
请点击下方链接或者扫描二维码,下载并阅读最新报告
https://www.dynatrace.cn/gartner-magic-quadrant-for-application-performance-monitoring/
关于 Dynatrace
Dynatrace 的软件智能可以让云计算化繁为简、加快企业数字化转型。依托各种规模的自动化和智能化可观测能力,Dynatrace 一体化平台可提供有关应用的性能与安全、底层基础设施以及所有用户体验的精准解答,让组织能够在加快创新、高效协作、实现更多价值的同时大幅减少工作量。Dynatrace® 因此深受众多全球顶尖企业的信赖,并帮助这些企业实现云运营的现代化和自动化、又快又好地推出软件、提供无与伦比的数字化体验。
如需获取更多信息,请访问:https://www.dynatrace.cn/, 或关注Dynatrace 官方微信公众号:Dynatrace。
Gartner 免责声明
Gartner,《应用性能监测魔力象限》,作者 Federico De Silva、Padraig Byrne 及 Josh Chessman,2021 年 4 月 9 日。在 2015 年以前的报告中,Dynatrace 以 Compuware 的名称出现。2014 年 12 月 Compuware 实行私有化后,Dynatrace 脱离 Compuware。
Gartner,《应用性能监测关键能力》,作者 Padraig Byrne、Federico De Silva 及 Josh Chessman,2021 年 4 月 14 日。
Gartner Peer Insights 客户选择奖是综合了各个终端用户的评论、评分,以及依据所述方法论获取的数据而做出的主观判断;该奖项不代表 Gartner 或其子公司的观点,Gartner 或其子公司也不保证相关信息的准确性。
Gartner 不保证在其调查出版物中描述的任何厂商、产品或服务,也不建议技术用户只选择得分最高或者获得其他称号的厂商。Gartner 的调查出版物根据 Gartner 的调查机构的意见而形成,并不构成对事实的陈述。Gartner 对该调查概不承担任何明示或暗示的担保,其中包括任何针对特定目的的适销性或适用性的保证。
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。