資訊化基礎的最小熵值的散點聚集
作者:王甲佳
本篇文章版權由ECF和HP所有 一個組織所需要的資訊化基礎設施,以及持續的投入與建設,以前都是依靠自我購買,集中在機房這樣的地方,整合起來為企業的部門和員工提供服務,繼而為客戶以及供應商提供服務。隨著網際網路在商業領域應用的持續深入,逐步成為企業經營活動的重要載體;同時,移動終端裝置在網際網路中的份額越來越大,人的經濟活動更多地融入到網際網路之中。企業的資訊化基礎建設方針也同步發生變化。
這個變化的關鍵是,不再需要完全“控制”的封閉式基礎設施來為業務的IT需求提供服務,而是可以通過分散式甚至位置無關性的方式來部署,比如雲端計算方式。具體來說,就是將伺服器端的部署委託給雲服務商去完成,終端則分散在PC、PDA、手機等載體。實際上這些載體本身也會成為雲服務的一部分。藉助於高速的網路頻寬,我們可以通過便捷的服務包完成各類業務的處理。由於不再需要樹狀結構的IT資源部署,企業的組織機構也日益分散化,互相之間的聯絡通過TAG來展開,組織內部的熵值將持續降低,利益邊界也必將得到更大範圍的擴充套件。
這種接近碎片化的部署方式,同時使企業的邊界模糊,供應商、客戶、消費者乃至廣泛的合作伙伴都可以迅速地基於業務進行聚集和解散,業務的狀態也會同步地所需要知曉的人。經濟組織越來越成為一個結算組織,而不再以公司控制為主要特徵。
“大隱隱於市”,將是未來資訊化基礎設施部署的真實寫照。
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/25389417/viewspace-687349/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 【機器學習基礎】熵、KL散度、交叉熵機器學習熵
- 資訊熵,交叉熵與KL散度熵
- 資訊熵概念隨筆——資訊熵、資訊的熵熵
- 資訊理論之從熵、驚奇到交叉熵、KL散度和互資訊熵
- 歸一化(softmax)、資訊熵、交叉熵熵
- 熵、資訊量、資訊熵、交叉熵-個人小結熵
- 資訊熵(夏農熵)熵
- 交叉熵、相對熵及KL散度通俗理解熵
- [機器學習]資訊&熵&資訊增益機器學習熵
- ML-熵、條件熵、資訊增益熵
- 【scikit-learn基礎】--『預處理』之 離散化
- 白話資訊熵熵
- [譯]基礎中的基礎,JavaScript中的值和引用JavaScript
- 光學成像基礎-像散
- MapReduce程式設計基礎(二)——數值概要(計算最大值、最小值、平均值)程式設計
- 離散意義下的基礎機率與期望
- 2439. 最小化陣列中的最大值陣列
- 離散數學(數論基礎)
- NOISEDIFFUSION: 改進基於擴散模型的球面線性插值模型
- 集團資訊化從治企業散到治專業散
- TiDB 優化器實現的基礎:統計資訊的收集TiDB優化
- 資訊化提升基礎管理工作
- 基礎資訊
- [熵值] 解題報告熵
- 基於 Babel 的 npm 包的最小化設定BabelNPM
- 一文總結條件熵、交叉熵、相對熵、互資訊熵
- 交叉熵、KL 散度 | 定義與相互關係熵
- CentOS7最小化安裝後要做的事(3):防火牆基礎配置CentOS防火牆
- 快速求圖上最小點定聯通塊權值的Trick
- 散點
- 基於條件熵的特徵選擇熵特徵
- 最大值減不為0的最小值
- ERP:資訊化的基礎一環 提升競爭力的銳器(轉)
- Python | 資訊熵 Information EntropyPython熵ORM
- 夏農熵-互資訊-entropy熵
- 第一章 資訊化基礎知識
- 融合基礎的精髓就是對資訊的靈活性
- JavaScript陣列中的最大值和最小值JavaScript陣列