Salesforce遭竞争 IBM和甲骨文均收购云业务

收藏一篇文章! Salesforce是个非常值得关注的产品。

腾讯科技讯(Kathy)北京时间12月12日消息,据国外媒体报道,作为商用软件行业的一个边缘参与者,创办于1999年的Salesforce.com曾遭受过一些贬低。但是在最近,Salesforce获得了高科技世界中最真诚的褒赞:其竞争对手耗资数十亿美元收购了一些公司,这些公司像Salesforce一样,利用“云”以租赁方式为企业提供商用软件。

上周四,IBM宣布将斥资4.4亿美元手收购DemandTec——一家为零售商提供服务的,基于云的数据分析软件供应商。在之前一个星期,德国的SAP,最大的传统企业软件供应商之一,表示将斥资34亿美元收购通过云销售人力资源软件的SuccessFactors。在10月,传统企业软件巨头甲骨文表示将以15亿美元的价格收购RightNow Technologies,一家用云软件帮助企业开展产品研发和客户服务工作的公司。

Salesforce的首席执行官马克·贝尼奥夫(Marc Benioff )表现得高兴:“甲骨文和SAP正在购买云公司,这是好事。”

贝尼奥夫1999年与人共同创办了Salesforce,上述的几起收购案给他的战略“平了反”。 贝尼奥夫说:“亚马逊的AWS云软件获得了超过10亿美元的营收,Google Apps可能也差不多。我们在2012年的营收估计会达到30亿美元,这些加起来一共有50亿美元,因此他们感到担心了。 SAP、微软、甲骨文在哪里呢?他们为什么没有赢得我们的客户?”


在之前10年的时间里,大部分企业软件公司的业务都停滞不前,目前它们正在寻找新的东西。云是新生事物,但对于许多人来说,它意味着利润和“如何做生意”方面的重大转变。

2012年全球花在企业技术上的支出估计会达到2.7万亿美元。长期以来,这些支出的绝大部分都用在了连接到专用服务器上的个人电脑上;这些专用服务器运行着SAP、甲骨文等公司的软件。SAP、甲骨文等公司以授权产品的方式将软件出售给用户,通常会有很高的毛利率,而它们收取的服务年费的毛利率比这更高。

企业现在可以在互联网上租用成本和利润率都比较低的云软件了。云软件不仅可以用在个人电脑上,也可以在平板电脑和智能手机上使用。老牌巨头们通过颠覆上一代大型机和小型机公司获得了成功,现在它们也面临着长江后浪推前浪的境况。

SAP公司2010年的营收约为167亿美元,收购云业务是该公司进军云领域的方式。 SAP全球解决方案总裁 Sanjay J. Poonen说:“贝尼奥夫的营销工作做得很好,现在他已经铺好了路,很多大公司就会入场了。”

除了SuccessFactors的人力资源软件之外,SAP也有可能提供基于云的差旅和费用管理,会计和协作软件。在旧日的技术格局中,这家德国公司最出名的是其制造和资源分配软件。

甲骨文公司之前曾因与Salesforce互相批评而取消贝尼奥夫在其10月用户大会上的主题演讲。甲骨文的年营收为56亿美元。

甲骨文公司的首席执行官劳伦斯·埃里森(Lawrence J. Ellison)曾做过贝尼奥夫的导师,他把Salesforce比作是“蟑螂汽车旅馆”式产品,并说甲骨文的云产品跟其他厂商的产品之间更容易进行互操作。 ”埃里森在10月的用户大会上说:“每个人都有云了,我们也有一个云产品......我们的产品有点不同,它支持全面的互操作性。”

从一种企业软件形式过渡到另一种并不轻松,约翰·伍基(John Wookey)说。伍基曾在SAP和甲骨文工作过,最近加入了Salesforce公司,负责高级产品。他表示: “他们99%的业务仍然是传统型的。云经济不一样,但真正不一样的是它与客户之间的关系。我们每4个月就发布一个新版本。客户如果不喜欢我们的产品,他们就不会再付费。”

套装软件每隔几年才推出一个新版本,而且客户的数据对它有依赖性,因此不用它会很麻烦。伍基说:“最困难的事就是你已经在旧的格局中获得了成功,而你想要再次获得成功。”

老牌巨头突然开始重视云公司了,贝尼奥夫说他对这种情况做出的反应就是领先竞争者一步。 Salesforce正在开发更多功能类似于Facebook的商用软件。它2010年推出的Chatter是一款企业内部通讯产品,其目的是让人们更公开地共享和协作,从而创造一个“行动更快速的,而且不太正式的”工作氛围。

贝尼奥夫先生对社交元素十分重视。他在办公室里安装了摄像头,并把高层管理人员会议播放给公司里的所有人看——“我们的员工曾经以为高管会议就是阴谋会议”。 他还说Salesforce“可能是诞生在云中,但它在社交中脱胎换骨了。”

到现在为止,很多公司感兴趣的似乎都是在客户眼中显得很时髦,而不是改变他们的工作方式。 Salesforce把Chatter出售给了丰田汽车,丰田的员工可以用它在同事之间或是跟顾客进行非正式的交谈,让顾客了解电池充电之类的信息。巴宝莉把Chatter当做一种让顾客在不同联网设备上获得一致的体验的手段。

其他公司也在社交方面投入了努力。今年5月,VMware(老牌数据存储公司EMC拥有这家公司的大量股份)收购了企业社交软件公司Socialcast。 IBM也已经开展了一些内部工作,把类似于Twitter的内容源引入到公司生活中。 SAP的Poonen先生说,SuccessFactors将提供一种在客户之间建立社交网络的方式。

但贝尼奥夫先生显得毫不担心,他说 “我对Salesforce有一个100亿美元的愿景,这个愿景也包含了客户的成功。”


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。
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。
【7层】6900平米左右一字型框架办公楼毕业设计(建筑结构图、计算书) 1、资源项目源码已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
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