服務熱線:4006-981-828
公司檔案
公司簡介
企業文化
公司資質
最新動態
硬件產品
服務產品
最新產品
行業新聞
IT科技前沿
公司新聞
誠聘英才
誠聘英才
硅谷大數據:什么是 “改變世界” 的大數據公司

摘要:硅谷的這一個月,我在 startups demo days 和各種大公司一日游中度日,以為會逃脫國內各種會上各種 “大數據” 和挖掘機的梗,但萬萬沒想到這里更甚。Hi~ 本文發自僅次于五道口的宇宙中心硅谷,與你分享大數據在這片土地上的真實生長狀況。 什么是 “改變世界” 的大數據公司 近兩周硅谷兩場規模比較大的 demo 大會上,就有十多家自稱做大數據的 ...

硅谷的這一個月,我在 startups demo days 和各種大公司一日游中度日,以為會逃脫國內各種會上各種 “大數據” 和挖掘機的梗,但萬萬沒想到這里更甚。Hi~ 本文發自僅次于五道口的宇宙中心硅谷,與你分享大數據在這片土地上的真實生長狀況。

1461424086-8165-23112733lrtt

什么是 “改變世界” 的大數據公司

近兩周硅谷兩場規模比較大的 demo 大會上,就有十多家自稱做大數據的 startups,有做消費者行為的,有做體育分析的,有做 NGO 融資的,有做環保的,有做 UX 的,有做信貸評級的,當然還少不了做移動端廣告的。乍看都是高大上的產品,但仔細琢磨一下會發現一些沒那么高大上的細節。

比如,有一家介紹時候說”Brings big data to teams, media and fans”,用的是Moneyball作引子。展示結束后詢問他們是如何分析視頻以得到各種數據的,demo 的哥們表示他們請了一些人看視頻的。沒錯,是人工。自然地,下一個問題就是:未來如何擴張以應對來自不同體育項目大量的全長錄像?他的回答也很簡單,雇傭更多人。聽完我懵了一下,問,那打算如何利用收集的數據呢?答曰:開放 API,自己不做分析。

那么,說好的大數據呢?難道有數據就叫大數據公司了?如果慶豐包子留存有這半個多世紀以來的購買者和交易記錄它就得叫大數據公司了?

是,但也不是。

先歸納了一下硅谷 “大數據公司” 的類型,有補充或修正的請拍磚:

數據的擁有者、數據源:特點是業務優勢能收集到大量數據,就像煤老板壟斷一個地區的礦一樣。其實大多數有能力產生或收集數據的公司都屬于這類型,比如 Vantage Sports 和收集了 PB 級數據的包子鋪。

大數據咨詢:特點是非常技術,提供從基礎設施規劃建設維護到軟件開發和數據分析等的服務,但不擁有數據,比如Cloudera這家不到 500 人的 startup 是最著名的 Hadoop 架構咨詢公司。

做大數據工具的:比如 AMPLab 出來的Databricks和 Yahoo 人主導的Hortonworks。

整合應用型:特點是收集擁有或購買一些數據,然后結合 AI 來解決更多實際的痛點。

所以回答之前的問題:是,因為包子鋪只要收集的消費者數據量夠大就能成為數據擁有者,有那么大的數據就有得到洞見的可能;不是,因為可能從真正意義上來說,大數據公司應該只屬于第四種類型:AI。

對,我相信未來是 AI 的,而 AI 的食物是數據。就像很多產業鏈一樣,最困難且最有價值的創新往往發生在接近最終用戶的那端,比如 iPhone。大數據行業最有價值的部分在于如何利用機器去處理數據得到洞見,影響組織和個人的行為,從而改變世界。收集和整理數據在未來會變得標準化和自動化,而利用 AI 進行分析的能力會變得更為關鍵。

再看硅谷主打 AI 的公司,現在大致可以分成以下三類了:1. 分析用戶行為,改進產品和營銷的,比如 LinkedIn 的推薦系統和用 iBeacon 實現店內營銷;2. 統籌大量分散個體,利用大數據實現精確有效的預測和規劃的,比如 Uber 和前段時間出現的 Amazon Fresh 及 Grub Market;3. 分析識別各種類型的數據,開發更智能的設備和程序,比如 Google 大腦及無人車和以 Nest 為代表的智能設備等。

這些產品都有一個很明顯的共性,就是在努力嘗試把機器變得更智能以減輕人類的工作量。這個目的與科技發展的動力相符合,因此認為之前所說的第四種類型的公司是最有希望改變世界的。

這樣的大數據公司需要什么樣的人

那么大數據公司,或者說到真正可以改變世界的大數據公司需要什么樣的人才呢?這里要介紹一個在硅谷被炒得很熱的高頻詞匯:數據科學家。

這個職位出現的原因并不是因為數據量變大了需要更好的方式去存取,那是數據工程師的活。那產生的原因是什么呢?正是為了匹配上面第四種公司的需要。數據是 AI 當中不可分割的一部分,而且量越大越好,從數學上來說,數據越多則我們越能夠有信心把從樣本分析出來的結果推論到未知的數據當中,也就是說機器學習的效果越來越好,AI 越來越智能。

由此誕生的數據科學家是一個非常綜合型的職業。它所要求的知識范圍包括分析數據的統計學,到算法的選擇優化,再到對行業知識的深刻理解。這群人是開發數據產品的核心。硅谷大部分 startup 已經把它當成是必需品了,以至于剛入行的新人也能領到差不多 $100K 的薪水。而模糊的定義和誤解也讓有的人戲稱,data scientist is a data analyst living in the bay area。

值得一提的是,數據本身的飛速發展從另一個側面其實也給數據工程師們的大數據處理帶來了許多挑戰。主要來源于以下的兩個方面:

數據量的急速增長。如今,數據的產生變得異常容易。社交網絡,移動應用,幾乎所有的互聯網相關產品每時每刻都在產生眾多數據。傳統的集中儲存計算方式顯然無法處理如此龐大的數據量。這時,我們就需要新的儲存方式,如云儲存,以及新的處理方案,如 Hadoop 這樣的分布計算平臺。

數據本身的非結構化。在傳統的數據處理領域,我們處理的主要是結構化數據,例如,Excel 表格可以顯示量化數據等。而如今我們面對著越來越多的非結構化數據,如社交網絡的評論,用戶上傳的音頻視頻等。這些數據存在于包括文本、圖片、視頻、音頻等眾多的數據格式中,這些數據中隱含著眾多有價值的信息,但這些信息卻需要深度的計算才可以分析出來。這就需要我們利用智能化分析、圖像識別等等一系列新的算法來進行數據挖掘,這也就是 “大數據” 的挑戰所在。

目前硅谷的創業公司正在探索新的應用領域和方法,比如說物聯網這塊。現在智能設備們才剛剛起步,Nest、被 Nest 收購的Dropcam、Iotera、emberlight等等都屬于少部分人的玩具。待到家家戶戶都安裝了智能冰箱、智能燈泡、智能桌子、智能沙發等等的時候,大數據的威力才會伴隨著巨大的使用規模而發揮出來。

另外一個角度就是人。如果把之前談的設備全部置換成個人的時候,他們的相互關系在各種維度上的交錯會產生一張巨大的網絡,其中的每個組成部分都由大量的數據組成。分析理解預測這些社會關系將會是大數據另一個有趣的應用方向,即Social Physics。不過按照從硅谷到全國的速度,感覺不管哪一方面的普及起碼得等上五年以上的時間。

展望一下未來的話,如果參照以前的技術革命和行業發展來看大數據,那么大數據的底層設施將會逐漸被隔離,被模塊化和標準化,甚至是自動化,而在其上的中間層和應用層將成為各大公司的數據工程師們激烈攻克的主戰場。

硅谷公司的大數據運行現狀

目前硅谷各個公司的數據處理水平和模式差別還是蠻大的。除 Facebook 等幾個很領先的公司外,大部分公司要么還沒有能力自行處理數據,要么就是正在建立單獨的數據處理部門,主要負責從數據基本處理到后期分析的各個環節,然后再送到公司內部的其他部門。

對于這些公司來說,建立一個單獨的數據處理部門可能還有還路漫漫其修遠兮。舉個例子來說,Facebook 有一個超過 30 人的團隊花了近 4年 的時間才建立了 Facebook 的數據處理平臺。如今,Facebook 仍需要超過 100 名工程師來支持這個平臺的日常運行。可想而知,光是大數據分析的基礎設施就已經是一個耗時耗力的項目了。LinkedIn 大數據部門的建設也已花了整整六年。

普遍來說,各公司自主建立數據處理平臺存在著幾個難點:

沒有足夠優秀的數據工程師來組建團隊

沒有足夠能力整合數據

沒有易于操作的基礎軟硬件來支持數據分析

這幾個主要難點使得大數據分析越來越專業化、服務化,以至于我們漸漸看到一條 “硅谷數據處理產業鏈” 的出現。從數據的儲存,數據分析平臺建立,到數據分析,數據可視化等等各個環節的成本越來越高,這使得本身技術能力很強的公司都還是使用專業數據處理公司提供的服務,而將更多的人才和資源放到核心業務的開發上。

另外,就是各個公司對于數據處理的要求也越來越高。不僅僅需要有效的處理結果,也需要數據處理可以 self-service、self-managing、保證數據安全性、完善實時分析。這些諸多需求也使得專業化團隊的優勢更加突出。而這樣一條整合服務鏈的行程,也給眾多的大數據公司提供了機會。

硅谷是非常神奇的地方。科技概念在這里也不能免俗會被追捧,被炒得很熱。但這種激情和關注某個程度上講正是硅谷創新的動力。即使存在很多投機貼標簽的人,即使一片片的大數據 startups 被拍死在沙灘上,即使 Gartner 預測大數據概念將被回歸現實,但相信會有更多的人投入到大數據這個行業,開發出更智能,更有影響力的產品。畢竟,大數據本身,不像一個單純的 pitch 那樣,它能夠保證的是一定可以中看并且中用。

Evernote:今年新建 AI 部門劍指深度學習

Evernote 的全球大會上,CEO Phil Libin 提到,Evernote 的一個重要方向就是 “讓 Evernote 變成一個強大的大腦”。要實現這個目標,就不得不提他們剛剛整合改組的 Augmented Intelligence 團隊(以下簡稱 AI team)。我在斯坦福約到 AI team 的 manager Zeesha Currimbhoy,在此分析一下從她那里得到的一手資料。

是什么

今年早些時候,這個 2 歲的數據處理團隊改組為由 Zeesha 帶領的 Augmented Intelligence team,總共十人不到,很低調,平日幾乎聽不到聲響。他們究竟在做什么?

與我們常說的 AI(artificial Intelligence)不同,Evernote 的團隊名叫做 Augmented Intelligence,通常情況下簡稱為 IA。

Zeesha 顯然是這個團隊里元老級的人物:“我是在 2012年 加入 Evernote 的,直接加入到了當時剛剛建立的數據處理團隊,這也就是現在 AI team 的雛形。我們最開始的項目都是簡單易行的小項目,比如按照你的個人打字方式來優化用戶的輸入體驗。”

傳統意義上的 AI 指的是通過大量數據和算法讓機器學會分析并作出決定。而這里講到 IA 則是讓電腦進行一定量的運算,而終極目的是以之武裝人腦,讓人來更好的做決定。這兩個概念在具體實施中自然有不少相通之處,但是其出發點卻是完全不同的。

這個區別也是 Evernote AI team 的亮點所在。作為一個筆記記錄工具,Evernote 與 Google 之類的搜索引擎相比,最大的區別就是它非常的個人化。用戶所儲存的筆記、網站鏈接、照片、視頻等都是他思維方式和關注點的體現。

從哪來

Zeesha 小組的初衷便是,通過分析用戶儲存的筆記來學習其思維方式,然后以相同的模式從第三方數據庫(也就是互聯網上的各種開源信息)抽取信息推送給用戶,從而達到幫助用戶思考的過程。從這個意義上講,Zeesha 版的未來 Evernote 更像是一個大腦的超級外掛,為人腦提供各種強大的可理解的數據支持。

目前整個團隊的切入點是很小而專注的。

“我們不僅僅是幫助用戶做搜索,更重要的是在正確的時間給用戶推送正確的信息。”

實現這個目標的第一步就是給用戶自己的筆記分類,找到關聯點。今年早些時候,Evernote 已經在 Mac 的英文版上實行了一項叫做 “Descriptive Search” 的功能。用戶可以直接描述想要搜索的條目,Evernote 就會自動返回所有相關信息。

例如,用戶可以直接搜索 “2012 后在布拉格的所有圖片”,或者 “所有素食菜單”。不管用戶的筆記是怎樣分類的,Decriptive Search 都可以搜索到相關的信息并且避免返回過大范圍的數據。而這還僅僅是 AI team 長期目標的開始,這個團隊將在此基礎上開發一系列智能化的產品。

到哪去

不用說,這樣一個新創團隊自然也面臨這諸多方面的挑戰。當下一個比較重要的技術難點就是 Evernote 用戶的數據量。雖然 Evernote 的用戶量已經達到了一億,但是由于整個團隊的關注點在個人化分析,外加隱私保護等諸多原因,AI team 并沒有做跨用戶的數據分析。

這樣做的結果就是團隊需要分析一億組各不相同的小數據組。比如,假設我只在 Evernote 上面存了 10 個筆記,那 Evernote 也應該能夠通過這些少量的數據來分析出有效結果。當然,這些技術的直接結果是用戶用 Evernote 越多,得到的個性化用戶體驗就越好。長期來講,也是一個可以增加用戶黏性的特點。

不過 Zeesha 也坦言:“的確,我們都知道沒有大數據就沒有所謂的智能分析。但是我們現在所做的正是在這樣的前提下來找到新的合適的算法。” 她并沒有深入去講目前團隊所用的是什么思路,但是考慮到這個領域一時還沒有很成功的先例,我們有理由期待在 Zeesha 帶領下的 Evernote AI team 在近期做出一些有意思的成果。

Facebook:大數據主要用于外部廣告精準投放和內部交流

Facebook 有一個超過 30 人的團隊花了近 4年 的時間才建立了 Facebook 的數據處理平臺。如今,Facebook 仍需要超過 100 名工程師來支持這個平臺的日常運行。可想而知,光是大數據分析的基礎設施就已經是一個耗時耗力的項目了。

Facebook 的一大價值就在于其超過 13.5 億活躍用戶每天發布的數據。而其大數據部門經過七八年的摸索,才在 2013年 把部門的 key foundation 定位成廣告的精準投放,開始建了一整套自己的數據處理系統和團隊。并進行了一系列配套的收購活動,比如買下世界第二大廣告平臺 Atlas。

據前 Facebook Data Infrastructure Manager Ashish Thusoo 介紹,Facebook 的數據處理平臺是一個 self-service, self-managing 的平臺,管理著超過 1 Exabyte 的數據。公司內部的各個部門可以直接看到處理過的實時數據,并根據需求進一步分析。

目前公司超過 30%的團隊,包括工程師、Product Managers、Business Analysts 等多個職位人群每個月都一定會使用這項服務。這個數據處理平臺的建立讓各個不同部門之間可以通過數據容易地交流,明顯改變了公司的運行方式。

追溯歷史,Facebook 最早有大數據的雛形是在 2005年,當時是小扎克親自做的。方法很簡單:用 Memcache 和 MySQL 進行數據存儲和管理。

很快 bug 就顯現了,用戶量帶來數據的急速增大,使用 Memcache 和 MySQL 對 Facebook 的快速開發生命周期(改變-修復-發布)帶來了阻礙,系統同步不一致的情況經常發生。基于這個問題的解決方案是每秒 100 萬讀操作和幾百萬寫操作的 TAO (“The Associations and Objects”) 分布式數據庫,主要解決特定資源過量訪問時服務器掛掉的 bug。

小扎克在 2013年 第一季度戰略時提到的最重點就是公司的大數據方向,還特別提出不對盈利做過多需求,而是要求基于大數據來做好以下三個功能:

發布新的廣告產品。比如類似好友,管理特定好友和可以提升廣告商精確投放的功能。

除與 Datalogix, Epsilon,Acxiom 和 BlueKai 合作外,以加強廣告商定向投放廣告的能力。

通過收購 Atlas Advertising Suite,加強廣告商判斷數字媒體廣告投資回報率(ROI)。

LinkedIn:大數據如何直接支持銷售和變現賺錢

LinkedIn 大數據部門的一個重要功用是分析挖掘網站上巨大的用戶和雇主信息,并直接用來支持銷售并變現。其最核心團隊商業分析團隊的總監 Simon Zhang 說,現在國內大家都在討論云,討論云計算,討論大數據,討論大數據平臺,但很少有人講:我如何用數據產生更多價值,通俗點講,直接賺到錢。

但這個問題很重要,因為關系到直接收入。四年半前 LinkedIn 內所有用戶的簡歷里抽取出來大概有 300 萬公司信息,作為銷售人員不可能給每個公司都打電話,所以問題來了:哪家公司應該打?打了后會是個有用的 call?

銷售們去問 Simon,他說只有通過數據分析。而這個問題的答案在沒有大數據部門之前這些決策都是拍腦袋想象的。

Simon 和當時部門僅有的另外三個同事寫出了一個模型后發現:真正買 LinkedIn 服務的人,在決定的那個環節上,其實是一線的產品經理,和用 LinkedIn 在上面獵聘的那些人。但他們做決策后是上面的老板簽字,這是一個迷惑項。數據分析結果出來后,他們銷售人員改變投放策略,把目標群體放在這些中層的管理人身上,銷售轉化率瞬間增加了三倍。

那時 LinkedIn 才 500 個人,Simon 一個人支持 200 名銷售人員。他當時預測谷歌要花 10 個 Million 美金在獵聘這一塊上,銷售人員說,Simon,這是不可能的事。

“但是數據就是這么顯示的,只有可能多不會少。我意識到,一定要流程化這個步驟。”

今天 LinkedIn 的 “獵頭” 這塊業務占據了總收入的 60%。是怎么在四年里發展起來的,他透露當時建造這個模型有以下這么幾個步驟:

分析每個公司它有多少員工。

分析這個公司它招了多少人。

分析人的位置功能職位級別一切參數,這些都是我們模型里面的各種功能。然后去分析,他們內部有多少 HR 員工,有多少負責獵頭的人,他們獵頭的流失率,他們每天在 Linkedin 的活動時間是多少。

這是 LinkedIn 大數據部門最早做的事情。

Simon 告訴 36 氪,公司內部從大數據分析這一個基本項上,可以不斷迭代出新產品線 LinkedIn 的三大商業模型是人才解決方案、市場營銷解決方案和付費訂閱,也是我們傳統的三大收入支柱。事實上我們還有一個,也就是第四個商業模型,叫 “銷售解決方案”,已經在今年7 月底上線。

這是賣給企業級用戶的。回到剛才銷售例子,LinkedIn 大數據系統是一個牛逼的模型,只需要改動里面一下關鍵字,或者一個參數,就可以變成另一個產品。“我們希望能幫到企業級用戶,讓他們在最快的速度里知道誰會想買你的東西。”

雖然這第四個商業模式目前看來對收入的貢獻還不多,只占 1%,但 anyway 有著無限的想象空間,公司內部對這個產品期待很高。“我還不能告訴你它的增長率,但這方向代表的是趨勢,Linkedin 的 B2B 是一個不用懷疑的大的趨勢。” Simon 說。

Google:一個閉環的大數據生態圈

作為世界上最大的搜索引擎,Google 和大數據的關系又是怎樣的呢?感謝微博上留言的朋友,這可確實是一個很有意思的議題。

Google 在大數據方面的基礎產品最早是 2003年 發布的第一個大規模商用分布式文件系統 GFS(Google File System),主要由 MapReduce 和 Big Table 這兩部分組成。前者是用于大數據并行計算的軟件架構,后者則被認為是現代 NOSQL 數據庫的鼻祖。

GFS 為大數據的計算實現提供了可能,現在涌現出的各種文件系統和 NOSQL 數據庫不可否認的都受到 Google 這些早期項目的影響。

隨后 2004 和 2006年 分別發布的 Map Reduce 和 BigTable,奠定了 Google 三大大數據產品基石。這三個產品的發布都是創始人謝爾蓋-布林和拉里-佩奇主導的,這兩人都是斯坦福大學的博士,科研的力量滲透到工業界,總是一件很美妙的事。

2011年,Google 推出了基于 Google 基礎架構為客戶提供大數據的查詢服務和存儲服務的 BigQuery,有點類似于 Amazon 的 AWS,雖然目前從市場占有率上看與 AWS 還不在一個數量級,但價格體系更有優勢。Google 通過這個迎上了互聯網公司拼服務的風潮,讓多家第三方服務中集成了 BigQuery 可視化查詢工具。搶占了大數據存儲和分析的市場。

BigQuery 和 GAE(Google App Engine)等 Google 自有業務服務器構建了一個大數據生態圈,程序創建,數據收集,數據處理和數據分析等形成了閉環。

再來看 Google 的產品線,搜索,廣告,地圖,圖像,音樂,視頻這些,都是要靠大數據來支撐,根據不同種類數據建立模型進行優化來提升用戶體驗提升市場占有率的。

單獨說一下 Google maps,這個全球在移動地圖市場擁有超過 40%的市場占有率的產品,也是美國這邊的出行神器。它幾乎標示了全球有互聯網覆蓋的每個角落,對建筑物的 3D 視覺處理也早在去年就完成,這個數據處理的工作量可能是目前最大的了,但這也僅限于數據集中的層面。真正的數據分析和挖掘體現在:輸入一個地點時,最近被最多用戶采用的路徑會被最先推薦給用戶。

Google 還把 Google+,Panoramio 和其他 Google 云平臺的圖片進行了標記和處理,將圖片內容和地理位置信息地結合在一起,圖像識別和社交系統評分處理后,Google 能夠把質量比較高的的圖片推送給用戶,優化了用戶看地圖時的視覺感受。

大數據為 Google 帶來了豐厚的利潤,比如在美國你一旦上網就能感覺到時無處不在的 Google 廣告(AdSense)。當然,它是一把雙刃劍,給站長們帶來收入的同時,但如何平衡用戶隱私的問題,是大數據處理需要克服的又一個技術難關,或許還需要互聯網秩序的進一步完善去支持。

像在【上】中所說,除 Facebook 等幾個很領先的公司外,大部分公司要么還沒有自行處理數據的能力。最后附上兩個例子,想說這邊的大公司沒有獨立大數據部門也是正常的,采取外包合作是普遍現象:

Pinterest:

Pinterest 曾嘗試自行通過 Amazon EMR 建立數據處理平臺,但是因為其穩定性無法控制和數據量增長過快的原因,最終決定改為使用 Qubole 提供的服務。在 Qubole 這個第三方平臺上,Pinterest 有能力處理其 0.7 億用戶每天所產生的海量數據,并且能夠完成包括 ETL、搜索、ad hoc query 等不同種類的數據處理方式。盡管 Pinterest 也是一個技術性公司,也有足夠優秀的工程師來建立數據處理團隊,他們依然選擇了 Qubole 這樣的專業團隊來完成數據處理服務。

Nike:

不僅僅硅谷的互聯網公司,眾多傳統企業也逐漸開始使用大數據相關技術。一個典型的例子就是 Nike。Nike 從 2012年 起與 API 服務公司 Apigee 合作,一方面,他們通過 Apigee 的 API 完善公司內部的數據管理系統,讓各個部門的數據進行整合,使得公司內部運行更加順暢、有效率。另一方面,他們也通過 API 開發 Nike Fuel Band 相關的移動產品。更是在 2014年 開啟了 Nike+ FuelLab 項目,開放了相關 API,使得眾多的開放者可以利用 Nike 所收集的大量數據開發數據分析產品,成功地連接了 Nike 傳統的零售業務,新的科技開發,和大數據價值。

來源:http://www.199it.com/archives/465441.html

繼續瀏覽
公司新聞
廣州裕鼎通過系統集成(三級)認證資質 2017-07-05
2013年華南地區醫療行業網絡大會 2015-12-10
回顧:2012寧波行業會議 2015-12-10
慶祝鑫鼎公司2012年年會圓滿結束 2015-12-10
喜訊:班尼路與鑫鼎公司成為合作伙伴 2015-12-10
IT科技前沿
百分點深入探討大數據價值挖掘之道 2016-06-01
16路、32路還是64路?真的是越高越好嗎? 2016-06-01
硅谷大數據:什么是 “改變世界” 的大數據公司 2016-05-11
有三十萬可商用圖片的PIXABAY+圖片搜索引擎 2016-03-09
李開復:我在硅谷看到的最前沿科技趨勢 2016-03-09
簽約新聞
恭喜鑫鼎公司中標上海某總站服務器及數據庫維保項目 2016-05-19
鑫鼎公司中標瑞安人民醫院維護項目 2016-03-15
裕鼎公司中標深圳移動存儲維護項目 2016-03-15
裕鼎公司中標某航空集團服務器維保項目 2016-03-15
鑫鼎公司與TCL移動簽訂計算機設備維護協議 2016-03-03
行業新聞
領跑市場——華為服務器再現里程碑 2016-06-01
IBM & VMware戰略合作加速打造混合云 2016-05-09
IBM把數據區塊鏈框架搬上云端 2016-05-09
IBM轉型之路:分析優先 認知為王 2016-05-09
訪SUSE總裁:軟硬結合將開源進行到底 2016-05-09




怎么用番号下载视频