Salesforce 扩展“无头”概念至企业数据管理,新架构与系统二季度末或年底推出

news2026/5/24 13:02:30
分析师提醒分析师表示此次更新或许能让开发者省去构建 AI 驱动工作流时通常所需的大量集成和定制开发工作但首席信息官CIO们应警惕成本和准确性方面的问题。“无头”概念扩展Salesforce 似乎正致力于“颠覆”企业软件领域。在推出无头商务和无头应用之后该公司于周三晚些时候通过其近期收购的 Informatica将“无头”概念扩展到企业数据管理领域这也是其推动企业系统为自主 AI 代理做好准备的更广泛行业行动的一部分。过去一年Salesforce 一直在整合 Agentforce、Data Cloud、MuleSoft、Tableau 及其 Customer 360 产品组合构建其所谓的统一 AI 运营层。该公司称Informatica 的无头架构填补了可信企业数据方面的重大空白涵盖治理、元数据管理和数据沿袭等这些都是 AI 代理在减少人工监督的情况下运行所必需的。新架构举措作为这一新架构的一部分Informatica 表示它正在将传统的智能数据管理云Intelligent Data Management CloudIDMC平台拆分为可复用的数据管理服务这些服务可以直接在原生 AI 环境中调用而不仅仅通过 Informatica 自身的界面。该公司在一份声明中表示“企业可以直接从他们喜欢的大语言模型LLM或集成开发环境IDE中调用数据管理操作包括 Claude、Slackbot、Cursor 等将可信的数据管理引入开发者和代理已经在使用的工具和工作流中。”The Futurum Group 数据与分析业务主管 Bradley Shimmin 表示由于这些可复用的数据管理服务是通过模型上下文协议Model Context ProtocolMCP而非自定义连接器来提供的因此可以在 IDE 和代码协作工具中进行调用。降低开发者学习曲线Shimmin 指出对于开发者而言IDMC 从一个独立的可视化平台转变为在后台默默运行的无形实用层能够加快自动化工作流的构建速度因为他们可以跳过编写自定义集成的繁琐过程。他补充道“而且由于它依赖于标准通信协议将这些功能嵌入到自定义应用程序中所需的工作量比传统方法要少得多。”HFS 研究公司高管研究负责人 Ashish Chaturvedi 也指出这种转变还将显著降低开发者的学习曲线从数周缩短至几分钟。对 CIO 的影响Moor Insights and Strategy 首席分析师 Mike Leone 表示这种架构变化对 CIO 有着更广泛的影响。他说“通过将治理、数据沿袭和策略控制直接嵌入到可复用的服务中而不是局限于 Informatica 的独立控制台企业可以确保这些监管措施跟随开发者创建的每个代理和工作流这正是随着代理数量不断增加时 CIO 所需要的。”然而Chaturvedi 警告称这种使企业能够更轻松地部署和编排大量 AI 代理的架构也可能会大幅增加基础设施和使用成本。因此CIO 在扩大代理式 AI 项目规模之前仔细评估定价和运营模式至关重要。Claire 扩展Informatica 表示IDMC 基于元数据的 AI 引擎 Claire 也在更广泛的无头战略下进行了重新定位现在可以从其他平台访问如 Salesforce、AWS、微软、Databricks 和 Snowflake。Leone 表示对于开发者来说能够在 Informatica 用户界面之外调用 Claire意味着他们可以在构建应用程序和工作流的环境中直接执行自然语言驱动的数据操作。KramerERP 管理合伙人 Robert Kramer 表示对于 CIO 而言治理立场保持不变因为无论代理或开发者在何处调用 Claire它都基于相同的底层元数据基础运行。新的无头架构和更新后的 Claire 预计将在第二季度末全面推出。降低治理复杂性除了新的无头架构Informatica 还推出了 Agent Fabric Context Catalog该公司称其为数据资产和 AI 代理的集中治理与发现层这也是其为自主 AI 系统构建机器可读上下文层更广泛行动的一部分。该公司表示“企业首次能够查看、治理并信任其 AI 生态系统中运行的一切每个经过审核的 AI 代理、每个企业数据资产以及控制代理构建、部署和运行方式的治理策略并且在集成点具有完整的数据沿袭。”Kramer 认为该产品似乎与 Salesforce 更广泛的 MuleSoft Agent Fabric 战略紧密契合后者为 AI 代理和 MCP 服务提供集中的发现、治理和编排。Informatica 实际上成为了这些代理工作流之下的可信企业数据、元数据、数据沿袭和治理层。AI、数据工程和迁移咨询公司 Kanerika 首席分析官 Amit Chandak 表示将数据和代理的两个独立目录进行统一将有助于企业降低治理复杂性特别是在代理数量激增和可能出现代理泛滥的情况下。据该公司称Agent Fabric Context Catalog 预计将在第二季度末推出。新 MDM 系统Informatica 还宣布推出业内首个代理式多域主数据管理master data managementMDM系统该系统旨在让 AI 代理实时持续清理、管理和丰富主数据而不是依赖较慢的手动 MDM 流程。Constellation Research 首席分析师 Michael Ni 表示该系统也与 Salesforce 更广泛的自主劳动力战略相契合因为 AI 代理需要一个始终可用的可信运营数据层。Moor Insights and Strategy 的 Leone 指出对于开发者和企业团队来说这一功能将带来“巨大的提升”。他认为主数据管理传统上一直是企业数据运营中最依赖人工和管理的部分之一。不过他也指出开发者仍需用通俗易懂的英语定义治理和管理规则以确保代理按预期运行。这位分析师补充说关键问题在于准确性“如果代理出现偏差你将在缺乏可见性的情况下引入更多风险。”新的 MDM 系统以及新的数据管理代理预计将在年底推出。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2636003.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…