2021 年 11 月 1日,中国 北京——致力于帮助客户解决最关键的可扩展性、互操作性和速度问题的创新数据技术提供商 InterSystems 今日宣布,其屡获殊荣的 InterSystems IRIS® 数据平台已成功实现对 Python 的完全本地支持,可用于创建数据密集型、关键任务应用程序,充分释放这个全球最流行编程语言的潜力。
InterSystems 将 Python 直接嵌入到其数据平台的内核中,并可在服务器上本地执行,使 Python 开发者能够享受到 InterSystems IRIS 提供的全部功能。InterSystems IRIS 已被 Epic、柯尼卡美能达、地中海航运公司和许多世界顶级银行用于运行关键应用程序。
InterSystems IRIS 是面向数据密集型、任务关键型应用程序的下一代数据平台,为业务用户提供一致、统一的信息,并解决广泛的实时行业用例。借助数据平台中的本地 Python 支持功能,开发者可充分利用快速增长的 Python 开发者生态系统和数以万计的优质 Python 库,快速实现从概念到生产的全过程。
现在,使用 Python 开发的机器学习模型和人工智能应用程序可以通过 InterSystems IRIS 直接集成到企业应用程序中。这样可以直接对数据执行分析以响应实时事件,在获得最高性能的同时,免去了将数据转移到不同环境中进行分析处理的麻烦,从而为欺诈检测、客户个性化和各类其他用例提供了无限可能。
Python 是全球公认的最流行的编程语言,主要由于其易于学习、拥有大量可用库,并在全世界拥有800多万开发者用户。
InterSystems 数据平台总监 Scott Gnau 称:“通过在 InterSystems IRIS 中扩展对 Python 的完全本地支持,我们创建了一个非常强大的组合。Python 开发者可以快速开发新的应用程序,因为 Python 在我们强大的数据平台内核中被视为第一类对象。”
SPAR 软件解决方案国际总监 Gerd Karnitschnig 称:“作为中欧增长最快的食品杂货连锁店之一,奥地利 SPAR 对应用程序开发的性能和速度的要求比较高,以满足我们大量的商店服务需求。在本地结合使用 Python 与 InterSystems IRIS 数据平台,有助于我们利用现有和未来的应用程序中的大量 Python 库。这将扩展我们已经在 InterSystems 技术中体验到的丰富的数据库管理、集成和分析能力,同时加快开发和价值实现速度。”
关于InterSystems
创立于 1978 年的 InterSystems 是医疗健康、金融、物流等行业关键信息技术的创新型数据解决方案提供商。 InterSystems 的云优先数据平台为全球大型企业解决各类互操作性、速度和可扩展性难题。 InterSystems 拥有世界上最可靠的电子病历系统,能够开发和支持医院的数据管理活动,并拥有一套强大的医疗数据集成解决方案,能够为医疗系统和政府机构提供统一的医疗档案。 InterSystems 致力于成就卓越,为全球 80 多个国家的客户与合作伙伴提供广受赞誉的 7×24 小时技术支持。 InterSystems 是一家总部位于美国马萨诸塞州剑桥市的私人控股公司,在全球设有 25 个分支机构。更多详情,敬请登录InterSystems.com/cn/。
好文章,需要你的鼓励
计算机历史博物馆软件馆长Al Kossow成功恢复了上月在犹他大学发现的半世纪前磁带内容。UNIX V4是首个内核用C语言编写的UNIX操作系统版本,已从1970年代九轨磁带中成功恢复。现可从互联网档案馆下载并在SimH中运行。该版本包含约5.5万行代码,其中2.5万行为C语言,内核仅27KB大小。恢复过程使用了readtape程序采样原始磁通变化进行数据重建。
新加坡南洋理工大学研究团队提出"棱镜假设",认为图像可像光谱一样分解为不同频率成分,低频承载语义信息,高频包含视觉细节。基于此开发的统一自编码系统UAE,通过频率域分解成功统一了图像理解和生成能力,在多项基准测试中超越现有方法,为构建真正统一的视觉AI系统提供了新思路,有望推动计算机视觉技术向更智能统一的方向发展。
亚马逊云服务宣布其存储网关现已支持Nutanix的AHV虚拟化管理程序,进一步扩展混合云存储解决方案。此前AWS存储网关已支持VMware ESXi、微软Hyper-V和Linux KVM。由于AHV基于KVM架构,AWS表示添加支持相对容易。随着Broadcom收购VMware后策略调整,许多企业正寻求替代方案,Nutanix成为热门选择。分析师预测VMware可能在三年内失去35%的工作负载。
芝加哥伊利诺伊大学团队提出QuCo-RAG技术,通过检查AI训练数据统计信息而非内部信号来检测AI回答可靠性。该方法采用两阶段验证:预检查问题实体频率,运行时验证事实关联。实验显示准确率提升5-14个百分点,在多个模型上表现稳定,为AI可靠性检测提供了客观可验证的新方案。