日立集团 (TSE: 6501) 旗下提供现代基础架构、数据管理与数字解决方案的子公司 Hitachi Vantara 今天公布了 TechTarget 企业战略组 (ESG) 对 Hitachi Content Platform (HCP) 的技术测评结果。测评结果表明,HCP 平台提供可扩展的高性能,并展示出现代应用程序和分析工作负载方面的多项突破。测评出具的《Hitachi Content Platform:适用于云原生应用程序的高性能对象存储》报告衡量了小型和大型对象性能,并评估了客户通过数据中心现代化和数据驱动的分析计划可实现的成本效益。
有关 HCP 的更多信息,请访问:
https://www.hitachivantara.com/en-us/products/storage-systems/file-object-storage/content-platform.html
ESG 技术测评证实了 HCP 可为现代云原生工作负载提供极佳的对象存储性能,着重认可了该平台的易用性、效率和大规模可扩展性。测试结果显示,平台的平均吞吐量性能比往年高出八倍以上,小型对象性能在读取吞吐量方面超出2020年测试结果十五倍以上。测评表明 HCP 提供出色的响应能力,意味着企业可以放心地使用 HCP 来处理性能关键型工作负载。经 ESG 测试证实,HCP 平台的性能与上一次测试相比展示出如下提升:
面向数据驱动型企业的对象存储
企业正在产生大量的非结构化数据,这些数据呈现出全新的用途,而这也给应用程序和基础架构带来了更大压力和更高要求。非结构化数据从前被视为业务成本,现在已摇身一变成为新的收入来源。这一趋势还因云原生应用程序、人工智能 (AI)、机器学习 (ML)、物联网 (IoT) 数据处理和分析的兴起而变得更加复杂。在此大背景下,企业能否了解自身数据并快速查找、使用和分析这些数据成为关键。为满足这一需求,底层基础架构和对象存储必须能够更快处理数据。更快的应用程序可以实现加速分析,有助于更快解决问题和获取洞察,提高生产力并缩短产品上市时间,在许多情况下,还能改善客户体验。
Hitachi Vantara 数字基础架构总裁 Mark Ablett 表示:“如今,几乎每家企业都明白,信息处理与访问提速可在更快获取洞察和实现价值方面发挥关键作用。然而,工作负载的数量和种类不断增加,越来越多的数据高度分散在企业内部、边缘和云之间,使许多公司在提速道路上举步维艰。简言之,传统数据存储和管理方法远不足以满足这些企业的需求。正因为此,性能、可扩展性和数据智能的重要性,被提到了前所未有的高度。”
“HCP 可以帮助我们在预算框架内长期保存数据,进而对我们的用户和数据进行深度分析。以前,我们往往只能留存一到两个月的数据,”某政府机构 IT 服务主管在 ESG 测评报告中表示,“现在,借助 HCP,我们可在相同预算下保存超过一年的数据,并在未来扩展到远不止一年。灵活性是我们的首要考虑,而 HCP 使我们在无需牺牲性能的情况下就获得了随数据而变的可扩展性,因此,我们对这一架构感到非常满意。”
这并非 Hitachi Vantara 第一次受到ESG技术测评的认可。去年,日立文件内容软件 Hitachi Content Software for File (HCSF) 性能测评显示,HCSF 支持的元数据 IOPS 是排名第二的文件系统解决方案的 5 倍;ESG 在该测评中同时还表示,HCP for File 的能力“优于全闪存存储阵列,并能使用其分布式并行文件系统来扩展性能”。
屡获殊荣的 HCP
Hitachi Vantara 的 HCP 产品组合在元数据分析、大数据分析、合规性和安全性方面屡被评为表现卓越。仅在近期内,HCP 就接连获得 GigaOm 和 DCIG 的表彰。此次再度荣获 ESG 技术测评认可,不仅为 HCP 闪耀的成绩单再添一笔,更意味着行业肯定了当下存在广泛的非结构化数据性能需求,包括为云原生应用程序、人工智能 (AI)、机器学习 (ML) 和物联网 (IoT) 数据提供性能和可扩展性,以利于企业驱动业务关键型工作负载。
好文章,需要你的鼓励
麻省理工学院研究团队发现大语言模型"幻觉"现象的新根源:注意力机制存在固有缺陷。研究通过理论分析和实验证明,即使在理想条件下,注意力机制在处理多步推理任务时也会出现系统性错误。这一发现挑战了仅通过扩大模型规模就能解决所有问题的观点,为未来AI架构发展指明新方向,提醒用户在复杂推理任务中谨慎使用AI工具。
继苹果和其他厂商之后,Google正在加大力度推广其在智能手机上的人工智能功能。该公司试图通过展示AI在移动设备上的实用性和创新性来吸引消费者关注,希望说服用户相信手机AI功能的价值。Google面临的挑战是如何让消费者真正体验到AI带来的便利,并将这些技术优势转化为市场竞争力。
中科院自动化所等机构联合发布MM-RLHF研究,构建了史上最大的多模态AI对齐数据集,包含12万个精细人工标注样本。研究提出批评式奖励模型和动态奖励缩放算法,显著提升多模态AI的安全性和对话能力,为构建真正符合人类价值观的AI系统提供了突破性解决方案。