-
编辑 删除
深度解析Tanzu Data Lake 4.0：私有云上的企业级大湖仓
在企业纷纷布局人工智能（AI）与大数据分析的今天，如何存储、管理并激活 PB 乃至 EB 级的结构化与非结构化数据，成为构建现代化 IT 架构的核心课题。 作为 Broadcom 旗下 VMware Tanzu 数据解决方案家族的明星组件，VMware Tanzu Data Lake (TDL) 4.0 于近期伴随 Tanzu Data Intelligence (TDI) 10.4 协同发
-
编辑 删除
VMWare重磅发布！ AI 时代的企业数据超级引擎
在这个生成式 AI（GenAI）和大语言模型（LLM）风靡全球的时代，企业面临的最大挑战往往不是算力不足，而是数据孤岛。
-
编辑 删除
与时俱进的Greenplum
Greenplum 的核心创新，是基于 PostgreSQL 的 shared-nothing MPP 架构，它彻底解决了 PG 的 OLAP 扩展痛点。
-
编辑 删除
Gartner：2026年全球IT支出预计将增长13.5%，达到6.31万亿美元
商业与技术洞察公司Gartner最新预测显示，2026年全球IT支出预计将达到6.31万亿美元，较2025年增长13.5%。
-
编辑 删除
主动元数据：一场悄然改变数据目录的革命
根据Dataversity的统计，仅有11%的组织拥有较高的元数据管理成熟度。原因不言而喻：元数据所有权不明确、目录的实施沦为合规性手段而非实际运营服务、业务术语表与工程实际情况脱节、质量规则与业务影响脱节，以及工具分散导致无法构建统一的元数据图谱。
-
编辑 删除
数据目录终于派上用场了，因为AI Agent 会读取它
每个大型企业都有数据目录。其中大多数是在 2018 年至 2024 年间构建的，当时正值数据民主化、自助式分析以及当时颇具革命性的理念(即人们应该能够查找和理解其组织产生的数据)掀起一股热潮之际。
-
编辑 删除
SQL问题分析中的几个小技巧
其实DBA去拥抱AI并不是一句空话，或者是一句引发焦虑的话，自己从点点滴滴的小技巧的收集开始，并且用一个小的AI助手来管理这些知识，并逐步用到你的运维实践中，那么你就会变成一个AI时代的DBA了。
-
编辑 删除
20分钟带你了解20个最重要的AI概念
在这篇文章中，我将用最简单的方式来讲解20个最重要的AI概念。没有晦涩难懂的术语，没有故弄玄虚，只有清晰明了的解释和直观的例子，正是我希望当初有人能这样解释给我听的。
-
编辑 删除
分析数据库故障的时候，大多数时候是数据太多了
其实无论是专家分析还是AI分析，第一步都是筛选需要看的数据。实际上在一个故障发生的时候，数据库可观测性的数据对于所需要分析的 任务而言是太多了而不是太少了。对于一些国产数据库而言，很可能会缺少一些关键的数据(指标、日志等)，但是其指标数据的总量依然不少。
-
编辑 删除
脚手架、Harness、OpenClaw别傻傻地分不清
OpenClaw 内部使用了某些 Harness 机制，比如简单的重试逻辑或沙箱运行，来保证自身稳定，但它本身不是一个通用的、可供其他项目调用的 Harness 平台。
-
编辑 删除
AIOps需要什么样的AI Harness
在IT运维领域，虽然AI冲击波给大家的冲击不小，不过AI战略大多数也只是在某些人的脑子里，并未形成实质性的化学反应。这波龙虾潮的到来，一下子让很多企业的IT管理者不安起来，好像能够颠覆很多传统领域的势力已然出现,自己再不搞点AI要被时代抛弃了似的。
-
编辑 删除
Gartner：中国企业盲目复制Palantir模式将面临“苦涩教训”
目前，许多中国首席信息官（CIO）将Palantir视为企业AI平台的参考标杆。然而，在中国碎片化和以项目为主导的IT环境下，以本体论为核心、专家驱动的模式往往难以实现规模化扩展。Gartner认为，数据和分析领导者应重新评估AI平台策略，避免打造成本高昂却难以规模化推广的平台。
-
编辑 删除
从数据标注的角度看面向AI的数据库应该有的一个重要特性
当下数据库的产品发布的时候如果不说自己是面向AI时代的，那就是落伍的标志。不过现实是，有些数据库已经真正面向AI时代了，而有些只是嘴上说说而已。大多数数据库产品在宣传自己的AI能力往往是向量、算法 、索引等有限的几个维度。难道数据库的AI特性只有向量、索引和算法这几个维度吗?面向AI的数据库需要在AI4DB和DB4AI两手都要硬才行。
-
编辑 删除
企业AI应用痛点（四）-长期建设与决策层的项目预期不符
很多企业虽然拥有数据，但是缺少对于理解数据的规则的描述。因此企业无法直接把数据交给AI，让AI去完成业务操作。
-
编辑 删除
企业AI应用的痛点（二）算力不足
目前大量国产算力卡已经上市，价格也还算便宜，虽然在训练方面差距还不小，不过在推理上，也是凑合能用了。
-
编辑 删除
机器学习和深度学习中常见的 7 个错误和局限性
在机器学习和深度学习的入门阶段，有一些容易避免的错误。密切关注我们输入的数据(以及输出数据)对于深度学习和神经网络模型至关重要。
-
编辑 删除
深厚的业务知识才是最宽广的护城河
Palantir并非交付一个标品，目前也只能在自己的深耕的领域实现高质量的交付，这种交付也是需要时间去沉淀的。在这个领域积累越深，护城河就越宽。别的企业想要进入这个领域，也必须经历这个过程。
-
编辑 删除
关于数据建模的七个关键概念
数据建模是数据库设计的一个基本方面，可确保高效、准确和可用的组织数据。它涉及创建系统数据及其关系的可视化表示，这有助于理解数据需求、设计高效的数据库并确保数据完整性。在本文中，我们将介绍数据建模概念的7个关键问题，深入了解数据库管理和开发角色所需的基本知识。本指南非常适合各级别的开发人员和分析师。
-
编辑 删除
想搞智能化，有些苦是必须吃的
其实本体论的基本原理并不复杂，就是需要梳理出实体以及实体之间的关系，直接关系用图节点之间的关系表示出来，隐性关系则可以通过语义让大模型通过推理来构建。语义化知识图谱与传统知识图谱之间的比较大的区别就是存在语义网络与关系网络的双层网络。
-
编辑 删除
数据库选型：兼容性优先还是性能优先
经常有朋友问我，在做国产数据库替代选型的时候，是优先考虑兼容性呢，还是优先考虑性能呢?我们可能会遇到这样的情况，有些国产数据库的性能一般，但是兼容性和稳定性不错。有些数据库性能很好，但是与Oracle、MySQL等原有数据库的兼容性不太好。
