软件路在何方(二) (转)

软件路在何方(二) (转)[@more@]

 

软件路在何方(二)
 软件经历了从 远程运行,终端使用到直接在终端运行的过程,现在, ASP的出现又有将软件重新拉回远程 服务器的趋势。不管这个趋势在近几年能不能成功,ASP的出现,将软件从单纯产品变革成了服务,对于软件业,都是不小的功绩。

 一年前,“应用服务供应商”,即:ASP风靡了整个业界,风险投资家们向它们大甩钞票,而大多数软件公司也想方设法使自己的软件能让客户在服务器上运行。

 如今,最初的热情似乎已经慢慢褪去,但相当重要一个原因多家ASP的倒闭,其实软件业界对ASP这个概念还是坚信不移,因为他们明白,就象电力取代了蒸汽机一样,ASP的概念也要取代传统的软件概念。

 但目前软件业界必须解决几个棘手的问题。第一,哪种软件需要在本地PC上运行,哪些需要在服务器上运行?第二,是企业应该自己管理应用软件还是应该将它们外包?最后一个问题是,什么样的ASP能够成功?

  本地还是远程

 依据自己的业务重点不同,业界重量级厂商对这一问题的答案也有所不同。以服务器“为生”的Sun微 系统公司认为大多数软件应该在服务器上运行, 用户通过 浏览器使用软件。 微软则认为运行 windows的智能终端是必不可少的。他们的答案都有自己的合理之处,也都有偏颇。

 一方面,在本地 计算机上运行软件仍然是必要的。由于目前 网络速度慢,而且可靠性不高,一些小型软件,如字处理和表格软件,一般都还是在本地PC上运行。而且,最近兴起的P2P使胜利的天平偏向了微软,这种技术可以使用户直接共享各种数据,用户需要功能强大的计算机和容量较大的 硬盘,而非只运行浏览器的“精简型计算机”(thin clint)。

 另一方面,确实有一些软件适宜在服务器上运行,比如那些需要多用户通过各种设备共享的软件。客观地说,任何需要经常升级的软件都适合在中央服务器上运行。现在很多新的企业管理软件,比如管理在线市场或客户关系软件都适合直接在网上运行,甚至象人力资源规划(ERP)等传统的应用软件也可以转移到互联网上。现在软件公司PeopleSoft已经开始针对互联网重新编写ERP和其它应用软件。对于中、小规模的企业而言,将软件服务外包是最合适不过的了,既无需在IT基础设施上大量投资,还可以使用最先进的技术。

 ASP对于大企业的吸引力则没有那么大,主要原因是大企业有能力,也有愿望自己控制应用 程序和数据,但仍然有一些大企业被ASP所带来的好处“说服”,它们无需在新技术上花费大量的金钱和技术,只需把相关的IT资料交给ASP,而专注于自己的主营业务。

  成功的模式

 但现在ASP与.com公司都面临着同样的问题:即还没有证明自己能够盈利。软件公司PeopleSoft公司认为大多数独立的ASP都没有一个可以盈利的业务模式,市场竞争太过激烈。它的负责人认为,ASP可以作为其软件的一种销售渠道,但不能成为主业;ASP将会有美好的前景,他可以逐步将自己的公司转向ASP。但另外一家软件公司则认为,从一种模式转向另外一种模式相当困难,所以,如果要做ASP就需要一步到位。

 无论哪种模式,应用服务对软件业界的巨大影响是无可置疑的。因为软件业界以前的运营方式是极其低效的,软件厂商更多地是把自己看作是制造厂商,对服务重视不够。这使软件公司有了一种不正确的动机。它们不考虑如何开发更好用和易用的软件,而是更看重如何销售更多的软件。软件演变成服务后,开发商的利益和用户的利益就一致了。传统的 软件开发商关心的只是软件销售的数量,而不关心用户的使用情况。在新的业务模式下,只有用户在使用服务时才会向ASP付钱。

 在大软件公司中, ORACLE是由“网下”向“网上”转变最大的公司。早在1998年,它就将大部分的软件放在了网上,主要是为了节约成本。该公司的一名高级官员表示,如果由Oracle来运行这些软件,其维护工作会更加容易。迄今为止,Oracle.com的营业额只占Oracle公司营业额很小的一部分。该公司的CEO埃利森表示,未来三年内,三分之二的应用程序将由ASP运行,这一市场将高速增长。

 互联网给Oracle这样的公司带来的挑战并非只是向ASP转变,另一个同样严峻的挑战是依靠互联网发展起来的开放 源代码潮流。(待续)

 


来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/10790663/viewspace-954417/,如需转载,请注明出处,否则将追究法律责任。

转载于:http://blog.itpub.net/10790663/viewspace-954417/

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
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