Elastic 8.16:BBQ、LLM 可观察性、保护你的云资产
作者:来自 Elastic Brian Bergholm, Mark Doncov
今天,我们很高兴地宣布 Elastic 8.16 正式发布!
有什么新功能?
8.16 版本包含我们产品组合中的许多高影响力功能:
- Elastic 是第一个具有更好的二进制量化 (BBQ) 的向量数据库,适用于大型工作负载。
- 适用于 Amazon Bedrock 的坚如磐石的大型语言模型 (large language model - LLM) 可观察性全面监控和解决 LLM 调用错误和性能挑战 - 将可见性扩展到另一个流行的 LLM。
- 使用 SIEM 保护你的云资产,该 SIEM 最终在一个许可证中解决了云保护和上下文调查问题。
- 探索更新的 Kibana 体验,它可以适应上下文并且易于导航。
阅读以下按解决方案列出的亮点。
Elasticsearch
Elasticsearch 帮助开发人员在业界使用最广泛的向量数据库上构建 AI 驱动的搜索体验,具有开箱即用的语义搜索和生成 AI 功能。
8.16 中的亮点:
- Elastic 率先提供 BBQ — Better Binary Quantization,这是针对向量数据库的高性能高效优化,目前处于技术预览阶段。它通过标量量化和位向量支持,为大型工作负载提供卓越的召回率和可自定义选项。更多阅读,请参阅 “Lucene 和 Elasticsearch 中更好的二进制量化 (BBQ)”。
- 支持检索器和倒数排序融合 (RRF) 的生产就绪混合对话搜索现已正式发布,提供了便捷的结果归一化和组合能力。
- 使用 start-local 在几分钟内开始使用 Elastic,这是 Elasticsearch 和 Kibana 的一步式本地部署 — 现在再次开源!然后,使用轻量级 Open Web Crawler 快速扩展以进行数据提取。
- Elastic AI Assistant for Search 使搜索用户能够从生成式 AI 模型中获得上下文帮助,以使用 Elasticsearch 构建查询、提取数据和创建 AI 驱动的搜索体验。
请参阅 Elasticsearch 8.16 亮点博客或 8.16 发行说明中的更多详细信息。
Elastic Observability
Elastic Observability 通过基于搜索的相关性、不折不扣的数据保留、改进的运营效率和成本以及开放且面向未来的投资来防止中断。
8.16 中的亮点:
监控 LLM 性能
- LLM 可观察性已扩展到 Amazon Bedrock,可全面监控和解决 LLM 调用错误和性能挑战(技术预览)。
OpenTelemetry (OTel) 数据提取功能可立即使用
- 现在,通过 OTel Operator for Go、Python、.NET(技术预览)和 Java(GA)支持使用 Elastic Distributions of OpenTelemetry (EDOT) SDK(商业支持的 OTel SDK)进行应用程序自动检测。
- 现在可以使用 EDOT OTel Collector 和 Elastic Agent 进行 Kubernetes 监控的快速入门工作流程,以及开箱即用的 OTel 驱动的 Kubernetes 仪表板(技术预览)。
- OTel 数据提取功能可立即使用 — 支持仪表板、日志分析、APM 和 AI 驱动的洞察,且兼容 ECS,无需进行架构转换。
- Amazon Firehose 快速入门工作流支持 CloudWatch 指标和日志,现已进入测试阶段。
日志分析增强功能
- Discover 为你提供自定义数据视图和摘要列,便于一目了然地查看和上下文日志探索 (GA)。
- 通过 “修复” 工作流改进日志数据质量,解决导致 _ignored 字段的常见日志提取问题 — 提供一种快速简便的方法,从日志数据中获取更多价值(测试版)。
通用分析 - universal profiling
- 在自管理 Elastic Stack 上运行通用分析现已正式推出。本地用户现在可以在 ECE、Kubernetes(通过 Helm 图表)和自托管 Elastic 堆栈部署中安装和运行通用分析。在 Elastic Cloud 之外运行通用分析需要企业许可证。
有关更多详细信息,请参阅 Elastic 8.16 可观察性亮点博客或 8.16 发行说明。
Elastic Security
Elastic Security 通过 AI 驱动的安全分析为 SecOps 提供面向未来的保障,从而加速威胁检测、调查和响应。
8.16 中的亮点:
- 扩展的云安全提供商保护 (GA):利用与 Wiz、AWS Security Hub 和 Falco 集成的原生云安全工作流 — 实现开箱即用的上下文威胁检测和调查。
- 自定义知识集成 (GA):Elastic AI Assistant for Security 现在支持自定义知识源 — 提供定制响应以获得更加个性化的体验。
- 无代理云安全态势管理 (Agentless cloud security posture management - CSPM) 集成(测试版):无需使用无代理 CSPM 管理代理 — 简化数据提取。
- 扩展的会话视图支持 (GA):会话视图现在包括 Auditbeat 和 Auditd Manager — 使分析师能够更深入地了解全面的 Linux 流程调查。
有关更多详细信息,请参阅 Elastic Security 8.16 亮点博客或 8.16 发行说明。
Elastic Search AI 平台
Elastic Search AI 平台将搜索的精确度与 AI 的智能性相结合。所有用户(无论使用情况如何)都可以从核心增强功能中受益。
8.16 中的亮点:
- 探索更新的 Kibana 体验,该体验可适应上下文、导航简单,并通过全新界面提供响应更快的开发控制台。
- 使用 Elasticsearch 查询语言 (ES|QL) 掌控你的数据 - 推荐查询、命名参数和更快的性能。
- 尝试灵活的分块策略,包括基于单词或序列的策略、可自定义的最大大小和重叠参数、对我们的推理 API 集成的流式 API 的支持以及自动适应夏令时的异常检测作业。
在 Elastic Search AI 平台亮点博客或 8.16 发行说明中查找更多详细信息。
立即开始
准备好开始了吗?Elastic 8.16 现已在 Elastic Cloud 上推出 — Elasticsearch 托管服务,包含最新版本的所有新功能。
本文中描述的任何功能或特性的发布和时间均由 Elastic 自行决定。任何当前不可用的功能或特性可能无法按时交付或根本无法交付。
在这篇博文中,我们可能使用或提到了第三方生成式 AI 工具,这些工具由其各自的所有者拥有和运营。Elastic 无法控制第三方工具,我们对其内容、操作或使用不承担任何责任,也不对你使用此类工具可能产生的任何损失或损害承担任何责任。将 AI 工具用于个人、敏感或机密信息时,请谨慎行事。你提交的任何数据都可能用于 AI 培训或其他目的。我们无法保证你提供的信息会得到安全或保密。在使用任何生成式 AI 工具之前,你应该熟悉其隐私惯例和使用条款。
Elastic、Elasticsearch、ESRE、Elasticsearch Relevance Engine 及其相关标志是 Elasticsearch N.V. 在美国和其他国家/地区的商标、徽标或注册商标。所有其他公司和产品名称均为其各自所有者的商标、徽标或注册商标。
原文:Elastic 8.16: BBQ, LLM observability, protect your cloud assets | Elastic Blog

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
最高提升20倍吞吐量!豆包大模型团队发布全新 RLHF 框架,现已开源!
文章来源|豆包大模型团队 强化学习(RL)对大模型复杂推理能力提升有关键作用,然而,RL 复杂的计算流程以及现有系统局限性,也给训练和部署带来了挑战。传统的 RL/RLHF 系统在灵活性和效率方面存在不足,难以适应不断涌现的新算法需求,无法充分发挥大模型潜力。 近日,字节跳动豆包大模型团队与香港大学联合提出 HybridFlow(开源项目名:veRL),一个灵活且高效的 RL/RLHF 框架。该框架采用混合编程模型,融合单控制器(Single-Controller)的灵活性和多控制器(Multi-Controller)的高效性,可更好实现和执行多种RL算法,显著提升训练吞吐量,降低开发和维护复杂度。实验结果表明,HybridFlow 在运行各种 RL(HF) 算法时,吞吐量相较 SOTA 基线提升了 1.5-20 倍。 从 ChatGPT [1] 到 o1 等各种大语言模型,强化学习(RL)算法在提升模型性能和适应性方面起着至关重要的作用。在大模型后训练(Post-Training)阶段引入 RL 方法,已成为提升模型质量和对齐人类偏好[2, 3]的重要手段。 然而,随着模型规模的...
- 下一篇
LLMs 如何处理相互矛盾的指令?指令遵循优先级实验
编者按:想象一下,你正在开发一个 AI 助手,突然发现 system message 和用户提示词存在冲突,这时 AI 会听谁的?这种情况不仅困扰着开发者,还可能导致 AI 系统的不稳定和不可预测,影响用户体验和系统可靠性。 本文作者通过一系列精心设计的实验,深入探讨了 GPT-4o 和 Claude-3.5 等顶尖大语言模型在面对 system message、prompt 和 few-shot examples 相互矛盾时的行为模式。研究结果揭示了一个令人惊讶的事实:即使是最先进的 AI 系统,在处理矛盾指令时也表现出了不一致性,其行为难以准确预测。 实验结果如下: 当 prompt 的指令与 few-shot examples 矛盾时,模型没有表现出明显的偏好。 当 system message 与 few-shot examples 矛盾时,GPT-4o 倾向于遵循 system message,而 Claude-3.5 表现出随机性。 当 system message 与 prompt 的指令矛盾时,两个模型都倾向于遵循 prompt 指令。 在三者都矛盾的情况下,GPT-4...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- CentOS7编译安装Gcc9.2.0,解决mysql等软件编译问题
- SpringBoot2整合Redis,开启缓存,提高访问速度
- SpringBoot2整合MyBatis,连接MySql数据库做增删改查操作
- CentOS8,CentOS7,CentOS6编译安装Redis5.0.7
- MySQL8.0.19开启GTID主从同步CentOS8
- Mario游戏-低调大师作品
- Linux系统CentOS6、CentOS7手动修改IP地址
- Docker使用Oracle官方镜像安装(12C,18C,19C)
- Docker安装Oracle12C,快速搭建Oracle学习环境
- CentOS7安装Docker,走上虚拟化容器引擎之路