The Open Group 正式发布《壳牌和The Open Group IT4IT™参考架构 2.0版》

2019年5月20日The Open Group正式发布IT4IT™参考体系架构案例分析发布《壳牌和The Open Group IT4IT™参考架构 2.0版》,本次案例分析针对壳牌在企业面对传统单一系统架构下出现的种种问题寻找解决方案的过程,为企业用户在处理庞大数据和IT管理等提供了应用参考价值,并且本篇案例分析从壳牌因业务和生产需求,以更快响应、更高敏捷性和更有效的成本效益等技术诉求为出发点,展现了IT4IT标准在壳牌的IT管理应用,全面阐释了企业数字化转型过程中的发展趋势,并就企业数字化转型过程遇见的问题和解决方案做了详尽描述,同时本次The Open Group IT4IT™参考架构案例分析的发布为尚在面对数字化转型困境中企业带来了参考和探索方向。(下载链接:http://www.opengroup.org.cn/resources?field_download_category_value=4

正式发布《壳牌和The Open Group IT4IT™参考架构 2.0版》

 

01创建开放IT4IT联盟、共享信息价值流

随着壳牌的业务发展产生大量外包业务,为协调外包商之间数据传输和信息调用,壳牌投入了大量的时间、精力和IT资源来整合其IT管理软件,用于交付和运行壳牌纷繁复杂的技术生态。壳牌IT业务总架构师卡雷尔·范·吉兰德(Karel van Zeeland)表示:“我们相信存在这样一个机会,能够为市场带来颠覆性改变,造福IT管理解决方案的客户和供应商。”于是向合作伙伴惠普发起邀请,携手寻找解决方案。

惠普欣然接受,认为这是一个实现IT管理产品组合现代化的良机,并以此为契机成立了IT4IT联盟,共同探讨解决方案,同时作为惠普的准客户顾问委员会,初期成员包括壳牌、惠普、ING银行、Archmea、慕尼黑再保险公司、普华永道、南佛罗里达大学、埃森哲和AT&T。

惠普首席技术官拉尔斯·罗森(Lars Rossen)组建了全新的团队致力于IT4IT参考架构的开发。基于对工业参考架构的丰富应用经验和团队精密配合下,IT4IT联盟开发了IT价值链的四大关键价值流及用于企业IT管理的数据驱动架构。参考架构针对每个价值流在三个架构上设计了“层级”概念,并详尽的叙述其架构理念和核心。IT4IT参考架构的成功面世,积极的推动了企业数字信息化前进之路。

02参考架构更规范、流程监管更清晰

IT4IT参考架构与ITIL、COBIT、TOGAF,相比具有以下明显特征:

• 比已有的框架更具规范性——IT技术标准具有较强的规范性,但IT管理标准与其他垂直行业相比较为宽松

• 其表示范围互斥且具有综合性

• 基于元模型,涵盖多个视角

• 以数据为中心——聚焦于运行企业IT必需的基本数据对象/物件

• 开放监管,对某些代表性社群负责,演进流程清晰透明

IT4IT参考架构聚焦架构层面为不同的流程和能力方法提供支持,并描述了管理IT业务所需的功能和数据,涵盖整个生命周期从计划、采购、交付到运行的端到端业务。壳牌公司通过应用这种全面的IT 4IT方法,IT完成了业务和产品更快捷、更高效、更低成本、安全可靠的交付,帮助壳牌在市场竞争中推进了自身的数字化转型的进阶之路。

本次The Open Group正式发布IT4IT™参考体系架构案例分析发布《壳牌和The Open Group IT4IT™参考架构 2.0版》将全面展现了壳牌在应对庞大数字处理下IT管理的需求,以及应对IT管理困境提出解决方案从探索到成熟应用的重要成果。壳牌IT4IT参考架构的案例分析,既有IT4IT参考架构在行业应用场景,又针对性对壳牌IT管理应用的分析,更有对行业未来趋势分析,站在行业的高点,IT4IT参考架构为IT管理带来了极具借鉴性的“数据路标”,积极推进了产业链的快速发展。同时基于市场对数字化转型中商业模式的急切需求,The Open Group将在近期隆重推出《TOGAF® 系列指南:商业模式》,敬请关注。

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