-
编辑 删除
盘点那些让信息部门崩溃与无语的瞬间
在企业数字化转型的浪潮中，信息部门的角色越来越重要，常被默认为“科技超人”——上能修电脑，下能调电梯，左手开发AI，右手搭建ERP，甚至还得精通智能马桶的维修，可以说是被要求的“无所不能”，陷入“什么都得干，什么都干不完”的困境，但这种“万能”标签背后，是无数崩溃的瞬间，甚至成为某些问题的“背锅侠”。今天老杨就来盘点一下那些让信息部门崩溃无语的场景。
-
编辑 删除
从为产品付费到为结果付费
AI，特别是AGI则会给系统带来更大的灵活性以实现更加个性化的适配，这一点是以往的信息系统或者数字化系统所无法比拟的。在未来AI的能力进一步提升之后，AI模式的新的数字化系统将直击企业的痛点和需求，企业可能无需为定制化系统付费，仅仅为能力付费，并由大模型自动组装能力，直接为企业服务。
-
编辑 删除
缺乏AI领导力，任何AI项目都将沦为昙花一现的试验品
AI技术的潜力巨大，但如果企业缺乏真正的AI领导力，任何AI项目都难以持久。只有企业高层管理者具备战略思维、组织推动力和执行力，AI才能真正融入企业运营，创造长期价值。否则，再先进的AI技术，最终也只能是昙花一现。
-
编辑 删除
当我们还在考虑边缘化数据库的时候，O记们正在谋划把数据库变成数字化世界的大脑
这两年对数据库地位重定位的思考和论战到处都是，很多人的观点是，以后没有DBA了，数据库只是一个数据容器而已，应用自己来解决数据处理的问题，数据库和数据库运维变得十分简单。
-
编辑 删除
如何降低企业数字化探索期的试错成本
当前虽说数字化转型已经成为企业提升竞争力的关键路径，成为了企业发展的必答题，但仍有部分企业不敢转，最主要的原因就是那看似高昂的建设成本、技术专业性以及不确定性，据麦肯锡研究，70%的数字化项目未能达到预期目标，其中试错成本占比高达15%~25%，那么该如何系统性的降低试错成本?首先我们来分析一下企业数字化转型建设的成本构成。
-
编辑 删除
确定已识别的 AI 用例的优先级
一旦确定了一系列潜在的AI用例，下一个关键步骤就是有效地确定它们的优先级，以确保将资源分配给那些最具潜在价值且最有可能成功的项目。有几种框架可以指导这一优先级排序过程。
-
编辑 删除
知识图谱的挑战、缺点和陷阱
知识图谱虽然功能强大，但在实际场景中实现它们并非一帆风顺。我们必须意识到其中的挑战、局限性和潜在风险，包括技术问题，比如可扩展性、数据质量、模式复杂性、与非结构化或动态数据的集成障碍，以及偏见和隐私等道德问题。
-
编辑 删除
人工智能和知识图谱之知识图谱的行业用例
知识图谱已在众多行业中证明了其价值，它能够实现更智能的数据集成、更优化的搜索和发现，并增强决策支持。下面将重点介绍关键行业和具体案例研究，展示知识图谱的应用，例如医疗保健(药物研发)、金融(欺诈检测)、电子商务(语义产品搜索)等领域。针对每个行业，将分别阐述其带来的运营和决策效益。
-
编辑 删除
当前企业数字化转型似乎进入了一个死循环
你有没有觉得当前在降本增效的模式下企业、信息部门、软件公司三者之间似乎进入了一个死循环，企业在不断的压缩预算，信息部门在疲于应付需求，而软件公司则在低价竞争中难以提供高质量服务。这种恶性循环不仅使企业无法真正实现所谓的"降本增效"目标，反而可能导致技术债务越积越多，工作效率下降。
-
编辑 删除
PG的BGWRITER为什么搞得那么复杂
PG和O记最大的不同是Backend也是有刷脏行为的，这个设计刚开始的时候让我感到十分不解。BGWriter和Checkpoint都可以刷脏对于闩锁争用来说问题还不是太大，顶多是两个会话协同好就行了，而Backend的数量可能很庞大，如果同时又刷脏需求的话，协调好共享池相关数据结构的LWLOCK成本就低不了。
-
编辑 删除
如何减轻AGI 代理带来的风险
AGI 因其无需人类监督就能独立应对外部环境的能力而构成威胁。然而，人们不愿放弃将相关任务外包给 AI 代理所带来的好处。
-
编辑 删除
基于人工智能的以数据为中心的数据架构方法
本文简要探讨了如何在人工智能赋能下构建企业数据。文章强调了以整体视角看待人类思维和数据集成的重要性，并基于众多实际企业解决方案，提出了一些简单的关键领域考量。
-
编辑 删除
国产数据库的AIOps困境
虽然AI推理的价值很大，但是面对国产数据库的时候，依然面临巨大的挑战。首先是可观测性的问题，这方面PG系的国产数据库稍微好一点，MySQL本身的可观测性能力就比较弱，不过因为MySQL足够简单，也凑合用了。反而是一些自研比例比较高的国产数据库产品的可观测性能力挺令人崩溃的。
-
编辑 删除
这些数据告诉你AI从认知到落地全过程
AI始于认知，超过四分之三的受访者对 AI 概念及原理的了解仅处于 “一般了解” 层面，这表明当前 AI 技术在企业中的普及主要停留在应用层认知，公众或企业用户对其底层逻辑，如算法原理、技术局限等，缺乏深入理解。对于大部分传统企业而言，更关注工具效果而非技术细节。
-
编辑 删除
理解RAG之检索增强生成评估框架
本文介绍并概述了 RAGA：这是一个流行的评估框架，用于从信息检索和文本生成的角度系统地衡量 RAG 系统性能的多个方面。了解该框架的关键要素是掌握其实际用途以利用高性能 RAG 应用程序的第一步。
-
编辑 删除
IDC预计，2028年中国大数据总体市场规模将超621亿美元
国际数据公司(IDC)近日发布了2025年V1版本《全球大数据支出指南》(IDC Worldwide Big Data and Analytics Spending Guide)。IDC最新数据显示，2024年全球大数据IT总投资规模约为3,540亿美元，2028年预计接近6,441亿美元，五年复合增长率(CAGR)约为16.8%。
-
编辑 删除
数据库可观测性中的指标与TRACE
开放OWI不是简单的给用户开放一个接口那么简单。让一些原本需要TRACE的数据常态化输出，是需要在数据库内核上做巨大的调整才能够实现的。目前国产数据库在这方面的技术水平差距还是不小的，作为一个DBA，我也希望国产数据库在这方面能够投入更多的研发成本，尽快向Oracle看齐。
-
编辑 删除
ChatBI是数据分析灵丹妙药还是伪需求？
随着GPT、DeepSeek等AI的走红，“对话即分析”成为新潮流，“用自然语言提问，AI自动生成数据分析结果”即ChatBI(对话式BI)凭借这一概念迅速成为企业数字化转型的焦点。从网易数帆的“有数ChatBI”腾讯的ChatBI，到火山引擎的“DataWind”，再到Aloudata的“万数皆可问”智能体，厂商纷纷押注这一赛道。但与此同时，质疑声也不断涌现：ChatBI究竟是解放生产力的工具，还是资本包装的“空中楼阁”?
-
编辑 删除
AI时代，DBA的技能会有有哪些改变
会用AI工具是DBA的基本技能，就像三十年前会使用电脑一样。我遇到的很多年轻的DBA都比较抵触AI，认为AI将会是DBA的竞争对手。
-
编辑 删除
这才是真正的数据驱动决策，而不是拍脑袋
很多数据分析师不知道咋提决策建议，其实是因为他压根就不知道业务是咋做的。光看这结果数据，说：“收入低了，建议搞高”，肯定不是啥好建议。作为数据分析的重要任务，就是积累过往数据经验，在需要做决策的时候，拿出来做参考
