Info2.0 让技术人员失业的技术

给用户一张拼图,按规范填上参数,就能生成一个新的应用。这是前些日子,IBM IOD 2007大会上最新提出的Info2.0概念。Info2.0 让企业用户不再完全依靠技术人员的情况下,就能独立构建新的应用。在会上,甚至有人开玩笑的说技术人员要失业了。

业务人员可以自己攒应用
IT应用与业务需求的脱节,成为今天约束企业信息管理的瓶颈。IT应用推动企业信息管理的发展,但随着业务数据的爆炸式增长,复杂度的增加和灵活多变,任何技术厂商都不可能为每个企业去单独开发应用来满足业务人员的个性需求。而在企业内,技术人员与业务人员双方知识的鸿沟,开发出满足完全业务需求的IT应用已经变成一个挑战。因此,需要一种新技术能让业务人员自己去构建企业应用。
也许是为了抓住这个趋势,在本届IOD大会上 IBM 提出了Info2.0的概念,并展示了Info2.0的辅助开发平台Mashup Starter Kit预览版。它是利用Web开发技术Mashups ,并把企业应用数据等抽象成一个个feeds(业务小模块).企业人员就可以自己通过拖拽融合这些feed构建新应用了。同时IBM特别强调了DB2 9下一版本 “Viper2”的 XML 特性“pureXML”。把XML 技术融入数据库的意义不仅是因为XML是数据交换的格式,更重要的是它使数据具有了业务含义,从而使业务人员可以读懂数据,是业务人员自己构建企业应用的保证。

技术人员真的会失业吗?
企业应用业务人员都可以自己开发了,那企业里的技术人员真的要失业吗?答案是否定的,其实是技术人员的分工更加准确。前端的业务问题还是交由业务人员自己来解决吧,而业务发展永远需要更好工具支持,新的计算平台也在不断出现,这些技术挑战才应该由技术人员来完成。就好象飞行员的发展史,最早的飞行员都是机械师,但是飞行员的专业化并没有使机械师失业。在IOD大会上,IBM给出了面向技术人员Web2.0开发的技术组成:Ajax/RIA、Mashups/XML、collaboration/SOA。从中也可以看出企业应用开发无论从前端用户交互Ajax/RIA的实现,到后端业务敏捷需要向IT架构映射的SCA/SDO SOA开发方法,都给技术人员留下了广阔的空间。

Info2.0推动Web2.0向 SOA渗透
SOA作为快速响应业务敏捷需求的一套思想和方法。把企业后端的业务数据、内容、信息抽象成为可供企业内部和外部使用的公共资源。Web2.0 作为SOA思想的补充正在改变着企业前端的应用交互方式和协作模式。把后端SOA与前端Web2.0衔接起来的纽带是业务数据。这一格局被认为是企业IT架构满足业务敏捷需求的一个发展方向。本届IOD大会上提出的Info2.0可以看作是SOA思想的实现。Info2.0将会进一步推动Mashups,feeds等Web2.0技术应用向SOA渗透,将后端SOA 的业务信息根据前端应用需求重新融合,把后端的业务数据带给前端应用。

信息管理新动作
由直接从用户身上获利,转变成为通过帮助用户业务增长来获利。这已经成为目前所有IT厂商梳理自己产品服务的一个依据。围绕这一原则,就不难理解IOD大会上IBM在08年信息管理市场的一些新动作。新的合作伙伴计划的推出,进一步开放了自己的全球销售专家、市场推广和技术顾问的资源,允许加入该计划的用户免费享用这次资源来实现自身业务的增长。新的主数据服务器(Master Data Server),用来帮助用户集中管理客户、产品及账户等业务关键数据。新的DB2 数据仓库 9.5版,直接内嵌嵌入了在线分析处理(OLAP),以及针对非结构化信息的分析能力。当然还会有Info2.0 概念和产品的正式发布。

通过本届IOD大会可以引发一个思考,在将来的企业应用软件市场,是只卖通用企业管理软件,还是应该把信息管理的技术也交给用户?

 




MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
基于ILP的最优PMU放置优化研究(Matlab代码实现)内容概要:本文围绕基于整数线性规划(ILP)的最优PMU(相量测量单元)放置优化展开研究,旨在通过数学优化方法确定电力系统中PMU的最佳安装位置,以实现系统完全可观测的同时最小化设备成本。研究介绍了PMU在电力系统状态估计中的关键作用,构建了以最小化PMU数量为目标的ILP数学模型,并详细阐述了约束条件的建立,如系统可观测性约束等。文中提供了完整的Matlab代码实现,利用YALMIP工具箱和合适的求解器(如CPLEX或Gurobi)进行求解,验证了该方法的有效性和实用性。; 适合人群:具备电力系统基础知识、优化理论背景以及Matlab编程能力的高校研究生、科研人员及电力系统相关领域的工程师。; 使用场景及目标:① 解决电力系统状态估计中PMU的最优布点问题,降低系统监测成本;② 学习和掌握如何将实际工程问题转化为整数线性规划模型,并利用Matlab进行求解;③ 为智能电网的广域测量系统(WAMS)建设提供理论依据和技术支持。; 阅读建议:此资源以理论结合实践的方式,不仅提供了严谨的数学模型推导,更侧重于Matlab代码的实现。读者应在理解ILP基本原理和电力系统可观测性概念的基础上,仔细阅读并调试所提供的代码,尝试在不同规模的电网模型(如IEEE标准节点系统)上进行测试,以加深对优化算法和电力系统监控的理解。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值