-
编辑 删除
应用的可观测性
随着AIOPS技术的发展，以数据推理为核心的系统为可观测性项目打开了一个新的通道。不是通过固化的程序和算法去分析数据，而是用数据推理的方式去分析问题。这会让应用可观测性系统的建设周期大大缩短，问题分析的能力大幅提升。这
-
编辑 删除
DBA如何积累运维知识？
DBA面临的一个很大的问题就是积累运维知识，大多数DBA都是用自己的脑子来积累知识。确实人的脑子是运维知识最好的载体，不过人的记忆和回忆是受一定的限制的，对于海量的知识积累，光用脑子是不够的。知识积累其实是一个挺麻烦的事情，首先如何去获得知识;其次是如何去表达知识;第三是如何去记忆知识?
-
编辑 删除
低代码是效率革命，还是程序员鄙视链的底端？
企业数字化转型建设离不开各种各种的系统，从技术实现角度来说无外乎代码原生开发与低代码(零代码)开发两种，很多人肯定要问哪种方式更优?喜欢低代码的认为其高效、能快速响应业务部门的需求，而反对者尤其是企业技术部门的开发人员则对其是嗤之以鼻
-
编辑 删除
做数据十年，第一次见到这么棒的“归因模型”
数据分析领域有几个经典的终极难题。多影响因素归因，绝对是其中最让人头大的。特别业绩好的时候，品牌、售后、客服、供应链、运营、产品、商品管理都会跑来，说：“今年业绩不错呀，公司多赚的10个亿，到底几个亿归功于品牌，到底几个亿归功于供应……请量化分析一下，谢谢”。
-
编辑 删除
国产数据库进入下半场了，成为王者的厂商有什么特征？
今年数据库国测第一批结果发布，出乎大多数人的意料，不过又都在大多数人的期望之中，可谓几家欢喜几家愁。就像三十年前挤公交一样，上车的人希望马上关门，别太挤了;还没上车，排在前列的人希望里面的人能再往里挤挤，自己也能上了这趟车。排在后面的人，反正与自己无关，看着只能看着热闹等下一班车。
-
编辑 删除
AI4DB是一场双向奔赴
数据库圈里今年谈DB4AI和AI2DB的比较多，大家谈的大多数是一些场景和功能，不过如果深入做进去，才会发现无论是DB4AI还是AI4DB，可能都有“单相思”的毛病。前阵子我写过文章，说数据库厂商设计DB4AI的功能的时候，并不理解AI应用需要DB提供什么样的功能。今天我想聊一聊，AI4DB同样也存在类似的问题。
-
编辑 删除
数据库AIOPS的几个误区
谈到AIOPS，我们往往会把目标定的过高，总觉得如果不一步到位，让AI解决所有的问题，那还不如不做。实际上信息技术发展了几十年，任何技术都不是一步到位的，随着某个技术的发展，会越来越好用，能够解决更多的问题，而某项技术刚刚成熟的时候，能够解决的问题是有限的，不过也不妨碍我们在技术发展早期就开始使用这项技术，当年的关系型数据库技术就是如此。
-
编辑 删除
谈谈AI在石油石化行业应用的几点思考
虽然面临诸多问题，但未来行业AI发展前景广阔。在石油化工行业数字化和智能化发展进程中，首要任务是做好顶层设计，同时要不断夯实数字化、智能化的发展能力，充分发挥行业人工智能场景丰富的优势，加强产学研用协同，构建行业人工智能发展生态，共同推动人工智能加石油化工深化发展。
-
编辑 删除
企业信息部门员工如何搭建个人数字化知识体系
最近某企业CIO与老杨聊天时吐槽道：“我们信息部门员工的技术能力真的没得说，但一涉及到复杂的业务场景时总会掉链子，要么是不懂业务流程，数据取错了维度;要么就是盯着新技术猛学，却不知道怎么与业务部门的需求进行融合。”这事儿戳中了很多信息部门员工的痛点：数字化转型不是“炫技”，而是要解决真问题。
-
编辑 删除
数据管理中的 4 种数据所有者类型
本文将分析数据和治理领域中最相关的四种所有者类型，解释他们各自的角色，并展示他们在实践中如何互动。虽然每个组织都应该以适合自身情况的方式定义所有权，但本文概述的模式反映了我所观察到的在各个行业和数千个组织中最有效的模式，因此可以作为一个建议的起点。
-
编辑 删除
企业 GenAI 的最大风险以及早期使用者的经验教训
生成式人工智能已列入企业的路线图，但我们不应发布任何设计不安全的产品。LLM 改变了威胁模型：不受信任的自然语言会成为攻击面，输出可以被武器化，代理可以代表我们采取行动。
-
编辑 删除
7大类型常见产品核心数据指标梳理
但很多新人产品经理在做产品或运营活动效果复盘时，往往不知道要看什么指标。尤其是对于一些B端中后台产品，在做项目复盘或者简历项目描述时，不知道该如何量化收益结果。因此，基于不同类型的产品，整理了一些日常需要关注的核心指标，供参考，实操过程，需要基于战略目标确定核心的北极指标，以及其他可以全面准确反映业务健康度的数据指标。
-
编辑 删除
无人谈论的AI堆栈：数据采集作为基础设施
让我们明确一点：虽然扩展模型规模仍然很重要，但对于大多数现实世界的人工智能产品而言，性能提升越来越取决于数据质量和新鲜度，而不仅仅是参数数量。将模型规模翻倍以榨取边际收益不仅成本高昂，而且在环境方面也难以为继，因为惊人的电力和水成本根本无法扩展。
-
编辑 删除
数据库国产化替代并未给数据库三方服务提供太多的机会
未来数年里，数据库服务市场将会空前混乱，原有的DBA在竞争、一些原本不具备在这个业务领域竞争的企业也会蚕食这个市场，甚至一些数据库原厂也在吞噬这个市场。这个混乱的市场需要几年后，等到DBA再次建立起自身的价值体系，才会好转。
-
编辑 删除
一个IT老兵对企业AI落地的思考
企业引进AI技术需要怎么做?对于这个问题大部分传统企业都缺乏明确规划，往往只是盲目跟风，或者把任务分配到信息部门。对于大部分企业而言仍旧把引进AI当做引进一套系统那般简单，也就是说在AI时代仍旧沿用传统的IT思维去应对，忽略了AI的独特性和对业务流程的深度整合需求。
-
编辑 删除
盘点AI在企业落地应用中的五大矛盾
AI在上半年可以说是火的一塌糊涂，可以说是神话般的存在，但落实到企业的应用场景却发现面临着诸多的挑战，比如数据整合困难、技术适配复杂、成本高昂等问题，其产生的价值并未如预期般显著，导致许多企业对AI的投入持谨慎态度，甚至出现了“叫好不叫座”的现象。今天老杨就来盘点一下AI在企业落地中的矛盾。
-
编辑 删除
物流行业核心数据指标
物流行业核心数据指标有哪些？总体包括客户服务指标、运营效率指标、业务规模指标、成本与财务指标、可持续发展指标等等
-
编辑 删除
2025年上半年企业数字化三大关键词
时光如白驹过隙，转眼间2025 年已悄然过半。在这半年里，企业数字化领域风起云涌，新趋势不断涌现，旧格局持续重塑。从政策的密集出台到技术的迭代突破，从数据资产的价值迸发，到各行业转型实践的纵深推进，每一个瞬间都在为企业数字化转型的宏伟画卷添上浓墨重彩的一笔。
-
编辑 删除
定制化BI可视化产品还能活多久？
结合近期数据产品求职辅导部分同学对于BI分析方向的数据产品的岗位理解偏差，总结下定制化可视化报表产品和自助BI产品的爱恨情仇。
-
编辑 删除
告警闭环管理成本太高如何破
这些年的运维自动化工作我们主要做的就是采集与告警，大家的目标也是一致的，一方面是让告警更加提前，另外一方面是让告警更加准确。在建设运维自动化建设的初期，闭环管理，减少故障是两个十分重要的建设目标。早期一些不太懂业务的领导甚至提出了上了系统，消除严重故障的豪言壮语。
