ITPub博客

资金是企业数字化转型的保障，而需求则是基础，是路径，需求清，则建设准;需求乱，则建设难;需求需要技术与业务共同来完成，需要的是融合思维

从数据库监控到利用数据库的可观测性能力去做数据库运维，是在运维与监控领域的一个升级，而并不是用一句炒冷饭可以概括的。传统的数据库监控与现在大家说的数据库可观测性还真的不能等同来看。

简单地说，元数据是描述其他数据的数据。它就像一瓶罐头上的标签——它告诉你里面有什么以及如何使用它。

在企业发展过程中，数字化转型是始终绕不开的话题，那么传统企业该如何转?怎样转?现实是大部分的企业都不会转，数字化建设都是在打乱仗。

总体来看本次分享分为三个部分：一是ByteGraph的介绍，包括ByteGraph可以做什么，Gremlin查询接口和举例以及ByteGraph业务介绍;二是ByteGraph架构，分为查询引擎和存储引擎;最后介绍ByteGraph过去面临的关键问题，包括图局部索引、全局索引、分布式事务、重查询优化、写放大优化和在离线生态。

你或许思考过，AI是怎么听懂人说话的呢?当我在商场，跟商场的机器人说我要去三楼，它是怎样听懂我的意思的呢?

在外人看来数字化建设高大上，科技感满满，其实都是很苦逼的脏活、累活，有时候还会感到满是鸡肋，被甩锅与背锅也是常有之事

这一篇会从更落地的角度写怎样结合业务去思考和表现多轮对话的流程设计。首先我们通过观察业务场景，来抽取终端用户需求和明确需要通过AI来实现的对话流程。

对话式人工智能产品越来越常见，从Siri到电话客服，不知不觉中它们已在你身边寻觅了一个位置。笔者的产品是一款去年上线的客服机器人，简单聊聊从0到1的经验。

在数据库迁移替代工作中，能够“平替”肯定会大大节约迁移的成本，但是我们不能因为“平替”能力的存在而放弃优化工作，否则就会为今后的长期应用与运维埋下一株邪恶的毒草。

企业有痛点就有需求，有需求就有方法，有方法就要实现，所以痛定思痛，有实力的头部企业，特别是近期央国企开始密集成立内部科技公司搞数字化转型建设。那么自己动手数字化建设就会丰衣足食吗?

上面的回答是ChatGLM自己回答的，GLM-6B是一个开源的62亿参数的预训练模型，其特点是可以在比较小的硬件环境下本地运行。这一特性可以让基于大语言模型的应用可以走进千家万户。

企业数字化转型建设是一项复杂的工程，涉及基础IT设备、网络传输、各种业务系统、数据安全产品等，而完成这一切不是甲方的单打独斗，需要借助整个生态的力量，但当前在整个数字化建设过程中，不仅甲方企业有困惑、有难度，同样服务商也有各种困惑与无奈。

正所谓“风浪越大鱼越贵”，自然价值也有所不同，所以我们经常看到不少的企业数字化建设走走停停，重复建设，回到原点。

导读：从1790年美国第一次人口普查，到1946年计算机问世；从2007年iPhone第一代发布，到今日的数字孪生与人工智能，数据变得无处不在。一波又一波的标志性事件，推进着数据管理在浪潮中向前发展，从最初指尖上的负担，到真正能为企业带来业务价值，数据管理一直在不断创新中发展。

当被问及是什么推动了IT行业的碳排放时，大多数受访者都指向了“数据”。特别是，数据湖和存储它们的数据中心越来越受欢迎，这是造成这一问题的巨大原因。鉴于数据对现代企业的重要性，想要减少碳足迹的公司将不得不做出艰难的选择。

站内交叉营销，能够更大限度的帮助各业务线，高效利用内部资源进行用户增长，提升整体大盘流量，从而降本增效。而在交叉营销过程中，需要注重选择精细化的用户，才能更好地为用户提供个性化体验。

基于角色的访问控制和基于属性的访问控制这两个术语是众所周知的，但就此而言，它们不一定被很好地理解——或被很好地定义。如果基于属性的访问控制包括用户角色，那么什么是基于角色的访问控制?线画在哪里?

数据比以往任何时候都更加重要，但大多数组织仍在为一些常见问题而苦苦挣扎：他们更多地关注数据基础架构而不是数据产品；创建数据时通常会考虑特定部门的需求，但很少考虑最终用途;他们缺乏一种通用的“数据语言”

企业在实施业财融合数字化时，应该根据自身业务情况、管控要求，选择合适的架构策略。传统ERP可能不能适应今天不断变化的市场环境，而有些厂商一味强调灵活、创新、解耦，忽视业财融合本身的严谨性，也是不可取的。