Gartner发布未来四年云技术发展的六大趋势，包括对云技术不满、人工智能/机器学习（AI/ML）、多云和跨云、可持续性、数字主权以及行业解决方案。

近年来，数据领域的双子星Databricks和Snowflake都在积极拥抱AI，并通过收购整合拓展能力边界，打造新的增长引擎。现在Databricks终于向OLTP数据库领域出手了，收购Neon，不仅会扰动OLTP数据库领域的竞争格局，也为AI基础设施这一竞争激烈的市场增加了变数。

面向对象的数据库管理系统(OODBMS)彻底改变了各行各业的数据处理方式。从电信到医疗保健，从金融到制造业，OODBMS帮助其提高效率和简化操作。本文探讨了现实世界中的成功案例，这些案例展示了OODBMS的实施如何改变了特定行业的业务并改进了数据管理。

本文简要探讨了如何在人工智能赋能下构建企业数据。文章强调了以整体视角看待人类思维和数据集成的重要性，并基于众多实际企业解决方案，提出了一些简单的关键领域考量。即使您并非数据解决方案架构师，您仍然需要参与一个或多个架构领域，以构建集成数据架构。如果没有良好的数据架构，您的数据部分就不太可能满足服务级别的特性，例如数据互操作性、可扩展性或数据管理。

AI是一场革命，很多从业者高呼所有的应用都应该用AI重做一遍。如今，越来越多的SaaS厂商正在积极拥抱AI，在CRM这一复杂而又个性化要求高的领域，纷享销客正在用AI重构CRM。近日，纷享销客发布了首个企业级智能CRM平台ShareAI，实现了从“连接型CRM”向“智能型CRM”的战略转变，让CRM插上了智能的翅膀。

随着企业越来越认识到数据在现代社会中的重要性，数据治理正在改变商业和 IT 世界。这种转变对数据库管理产生了重大影响。从法规遵从性到数据质量和安全性，DBA 必须驾驭不断变化的环境，其中有效的数据管理是业务的关键优先事项。数据治理的兴起带来了新的责任，但也带来了 DBA 必须应对的独特挑战。

Oracle的自治数据库技术很强大，也有不少国产数据库想跟进。最近这段时间里我和很多国产数据库厂商都探讨过如何学习Oracle的自治数据库技术，利用AI技术让国产数据库的运维与优化变得更加简单。

在当今的数字环境中，数据库审计是维护数据完整性的一个重要方面。本文探讨了专业人员用来确保数据库系统安全性和可靠性的基本工具和技术。通过专家的独到见解，读者将发现用于监控活动、实施访问控制以及利用区块链等尖端技术进行防篡改审计的行之有效的策略

AI很火，企业领导也对其寄予厚望，但当前很多企业对AI仍属于看不懂、摸不透、胡乱建的状态，那么如何理解AI、正确的认知AI、如何创建具有自身企业特色的AI建设之路、如何少踩坑少走弯路?

从Redis 8开始，Redis增加了GNU Affero通用公共许可证(AGPL)作为Redis的附加许可选项，该公司表示，由于去年3月改用的服务器端公共许可证(SSPLv1)仍未被公认为开源软件，因此该公司正在转向开源计划(OSI)批准的开源许可模式。

随着大数据的发展如火如荼，了解数据治理与数据管理之间的根本区别非常重要。由于生成式AI的兴起，对大数据的审查程度越来越高，这凸显了许多组织在数据战略和数据实践中长期存在的缺陷。企业如果能同时做好数据管理和数据治理工作，不仅能更好地利用已经出现的 GenAI 功能，还能更快地利用即将出现的新AI功能。

4月数据库圈一片热闹景象，AI成为了主流的叙事点。Snowflake报告发现早期GenAI采用者走在了前面;Supabase融资2亿美元，投后估值20亿美元;OceanBase迎来最大规模组织人才升级，全面进入AI时代……

日前，Supabase 宣布获得 2 亿美元 D 轮融资，由 Accel 领投，Coatue、Y Combinator、Craft Ventures 和长期投资者 Felicis 参投。据《财富》杂志报道，Supabase 的融资后估值约为 20 亿美元。迄今为止，这家初创公司目前已经筹集了约 3.98 亿美元。

在 RAG 系统中管理上下文长度仍然是一个挑战，因为在某些需要大量上下文信息的场景中，需要对检索到的信息进行有效的选择和汇总，以使其保持在 LLM 的输入限制以下，同时又不丢失必要的知识。

在较早采用人工智能的公司中，92%%的公司报告称其投资获得了积极回报。那些对投资回报率进行了测量的公司，平均回报率达到了 41%%，这一成功推动了进一步的投资，81%% 的早期采用者增加了数据基础设施方面的支出，以加强其人工智能能力。

4月27日，OceanBase CEO 杨冰发布全员信，宣布OceanBase将全面进入AI时代，打造“DATA×AI”核心能力，建设AI时代的数据底座。为保障战略推进，OceanBase启动人才和组织体系升级，任命CTO杨传辉担任AI战略一号位，并成立AI平台与应用部、AI引擎组等新部门。

IDC认为，数据要素市场处于市场早期，对技术提供商没有明显的利润空间，但作为未来长远的业务转型的基础，技术供应商保持适度投入，基于自身业务方向、技术能力、市场需求进行方案、场景开发。其次，针对数据质量参差不齐的情况，应发挥大模型在数据空间中的作用，结合大模型等人工智能实现数据治理自动化，推动数据标识、语义发现、元数据识别等智能处理，自动匹配利用数据API进行调用，实现数据的无缝对接和互操作性。

本文介绍并概述了 RAGA：这是一个流行的评估框架，用于从信息检索和文本生成的角度系统地衡量 RAG 系统性能的多个方面。了解该框架的关键要素是掌握其实际用途以利用高性能 RAG 应用程序的第一步。

经典RAG与融合检索之间的关键区别在于如何处理和整合检索到的多个文档以形成最终响应。在经典的RAG中，检索到的文档内容只是简单地串联起来，或者最多是抽取式摘要，然后作为额外的上下文输入LLM以生成响应，不涉及高级融合技术的应用。而在融合检索中，则使用更专业的机制来跨多个文档组合相关信息。这种融合过程可以发生在增强阶段（检索阶段）或甚至是在生成阶段。

大多数时候，大模型也仅仅能够依靠告知它的专家经验去做重复性的工作而已，并没有表现出我们期待的特殊能力，不过这样已经足够了。能够让专家经验通过这种方式被积累下来，并且能够自动重用，已经是AI运维应用上的一个突破了。