LIKONE Enterprise 5.0 (LKE 5.0) 是一款高性能、可扩展的智能化操作系统。它能够在任何基础设施和任意环境中提供一致、稳定的体验，支持异构云、边缘云和多云编排。LKE5.0智能化操作系统提供了16大能力，自由搭配各种模块，可以应对海量智能场景。这些模块就像乐高搭积木一样，糅合最优秀的几十种开源技术，经过众多辩证选型、攻坚克难、编码调试、海量测试，完成从数智力到数智化管理与经营的端到端交付。
“十年磨一剑，一朝试锋芒”，全新搭建的新一代企业级智能平台与技术，能够满足政企智能设施上云的各类场景需求。
在充满不确定性的全球经济大背景下，数字经济对于带动全球经济复苏有着非常重要的意义，技术创新将是拉动新一轮经济增长的强劲动力。近年来，以人工智能、区块链、可信计算、边缘计算、云计算、物联网等为代表的技术集群呈现“核聚变”式爆发的态势，新一代信息技术基础设施——“新基建”正在成为全新的社会运行操作系统。
技术与商业一直是不可分割的共生体。技术的发展，对商业的变革有非常明显的促进作用，同时技术的发展也离不开商业应用的不断深入，不断反馈。
其实，在数智化（数字化、智能化）变为热点之前，基于业务流程再造与优化的“信息化”在企业已开展多年，简单讲就是通过信息化手段，把优化后的业务流程进行固化、自动化，并提供业务决策支持，比如传统的ERP、HCM、CRM、SRM、OA等在企业中的应用与实施都是如此。
我们全面总结了数百家企业的数智化实践，发现成功实现企业数智化转型的企业主要聚焦于三项工作的整体目标：第一，构建企业数智力，即企业数智化的能力，包括企业数智化基础设施的建设以及数智技术的创新应用与研发能力，如中台架构支撑；第二，以推动降本增效为目标的数智化管理，运用新技术驱动管理变革；第三，以驱动增长为目标的数智化经营，运用新技术赋能业务创新，创新产品、服务、营销、渠道及供应链，打造卓越客户体验。
初期的数智化转型升级需求或目标，是打破传统模式下的管理限制，在整体效率、产品质量、成本管控和运营收益上实现提升。然而，现实情况往往是“头痛医头，脚痛医脚”，“按下葫芦起来瓢”，大部分企业聚焦于第三点。通俗地讲，这些方案解决了企业部分问题，但无法解决企业的整体问题，且总有新的问题出现。大部分企业仍然沿用传统信息化思维进行数智化管理与经营，所打造的业务系统难免出现“数据孤岛”“系统孤岛”“业务孤岛”。
从企业需求的角度来看，企业并非不想解决问题，而是市场上的数智化产品大多没有从企业数智力到数智化管理与经营的整体出发。即使是集成的产品，其购买和实施成本也十分高昂。传统的分模块业务系统由于其模块化形式，使得数据整体流通较为困难。这导致企业内部某个业务板块应用了对应的产品后，数据流通和信息交换仅限于对应的数据环境中。如果各部门之间缺乏紧密的协作和配合，可能会导致数字化转型进程中出现信息孤岛、资源浪费和决策不一致等问题，从而无法真正实现数智技术与生产之间的有效融合。
在数智化业务启动初期，企业通常依赖原有的信息化建设思路和中台类产品的进阶思维。随着企业逐渐整合形成从原始数据清洗到业务构建，再到AI应用搭建和业务系统部署的链路，我们发现不同企业在这一过程中常常遇到以下共性问题：
1.重复投入：业务链路中的数据处理需求与基础设施、大数据、AI和应用体系已有的能力重叠，导致许多中间环节存在重复建设的现象，浪费人力和资源；
2.整合处理能力弱：运维人员不一定具备数智应用治理能力，开发人员不一定具备数智基础设施处理能力，算法人员不一定具备大数据处理能力。这种单机处理、单点业务、单点算力和单点大数据框架的依赖性，严重限制了业务发展；
3.链路割裂、平台间协作困难：上下游环节重度依赖数智力，业务自行开发的工具与现有数智力体系割裂，难以实现透明高效的协作，极大影响了业务开发效率；
4.关键环节工具缺失：链路中的部分关键环节（例如：指标采集）缺乏自动化手段，依赖手动统计，无法追溯，不够标准化。
我们称现存的架构为半孤岛架构，这种架构不同于传统信息化的孤岛式架构。半孤岛架构并不是从0到1独立构建从数智力到数智化管理与经营的业务系统链路，而是依赖于部分公共的中台服务。然而，自有工具无法跨团队共享，中台服务之间也无法紧密配合，导致整个链路仍然处于类似孤岛式的割裂状态。因此，随着业务的发展，半孤岛架构不可避免地成为阻碍业务快速迭代的最大绊脚石。
通过融合云计算、大数据分析、人工智能以及隐私计算等关键技术，LKE5.0 实现了数据共享、智能决策和智能服务的综合性数智化管理与经营体系。这一体系将物理世界与数字世界紧密连接，通过统一融合架构的数据采集、处理和分析技术体系，而非简单的技术叠加和能力堆叠，从而推动智能化的决策和服务。
LKE5.0各个产品模块独立解耦，支持灵活升级，对业务没有影响，并且能够与众多云原生生态产品对接，提供完整的解决方案体系。经过近千家行业客户的生产场景检验，它构建了坚实、可靠的数字底座，为企业释放智能化新质生产力。
为了更高效支持统一数智应用管理和数智行业平台工作台场景，LKE5.0为用户预置了统一的标准化工作台，包含以下功能：统一的用户登录、流程中心、消息通知、待办通知、应用中心、用户权限和门户自定义设置。其中，用户可以选择使用无首页门户、标准门户或自定义门户，以满足不同的需求。
数智一体化业务系统的统一入口布局可配置，应用可插拔，灵活选择。同时，用户可以轻松接入统一待办和统一消息，预集成多系统待办，快速搭建统一待办工作台。通过界面化流程配置，实现统一流程管理，并整合多种第三方认证源，实现统一账号预集成超过上百种常见应用单点登录，开箱即用。
LKE5.0提供开放式的容器平台、多云编排、数据平台和可扩展的数据场景，精选各类数据库、分布式消息和日志检索等中间件。通过这些功能，实现了全域数据智能的统一数据底座能力，以及上层场景应用矩阵和生态系统的灵活编排能力，从而实现管理与经营的分层解耦和灵活的能力调用。具体来说，
-
云原生底座：实现了企业超大规模用户并发使用多集群的能力，提供了云原生计算、网络、存储等能力，兼容各种集群接入，支持多云和混合云的统一集中管理，并提供了跨云资源检索及跨云的应用部署、发布和运维能力。
-
微服务治理：支持企业现有微服务体系及新旧微服务体系的融合治理，全生命周期管理微服务从开发、部署、接入、观测到运维。
-
可观测性：全面采集服务数据，实现多维度掌控集群、节点、应用和服务的实时变化，通过统一仪表盘可视化掌握应用健康状态和故障定位。
-
信创异构：兼容国产芯片及服务器，支持信创操作系统及信创应用生态体系，屏蔽底层异构基础设施的复杂性。
-
云边协同：将底座能力延伸至边缘，采用边缘集群、边缘节点模式，统一管控和调度离散、异构的计算资源，实现云边的真正一体化。
-
智能算力：将MLOps与LLMs无缝集成，提供了一个完整的训练推理一体化智算平台研发流程，支持众多深度学习框架。
-
数据湖OLAP：为企业简化数据湖上的多维数据分析，助力业务用户快速发现海量数据中的业务价值。
-
指标管理：以对象指标体系为核心，完成指标数据治理等数据处理，确保企业战略与业务目标的对齐、分解和落地。
-
云原生物联：提供了高并发的数据通信，为物联网设备提供快捷、可靠的数据存储、计算和智能分析。
-
云原生目标检测：利用云原生GPU池化计算能力，实现对视频图像中目标的自动识别和描述。
-
AIOps：在统一底座之上构建高效的事件管理流程，不同组织可以根据自己的需要进行定制。
-
智能体应用：通过超级自动化将企业价值链下的人、系统、数据实现在线化和自动流转化。
-
开发与集成：面向企业客户和生态伙伴的企业级应用开发体系，提供的应用构建服务覆盖开发、集成、测试、部署、运行、运维全周期，为企业的研发过程实现降本、增质、提效。
-
行业平台构建：为企业建立开箱即用的行业平台体验设计方案，集成了多种设计系统，以整体输出行业智能解决方案。
全局管理是以用户为中心的综合性服务板块，包含用户与访问控制、数据集成中心、审计日志、平台全局配置中心和模块设置等基础服务模块。该板块支持个性化定制平台外观，包括登录页和顶部导航栏的定制，使用户能够轻松配置一个符合个性化需求的平台。通过将平台的基础服务模块集中在一起，减少了菜单切换和功能分散所带来的困扰，使得平台管理员能够在一个菜单下完成基础性平台设置和用户管理，提升了操作的便捷性和效率。
以下是 LKE5.0 在数字化转型项目场景的实践效果，后续我们会陆续推出系列文章详细介绍这些业务基于 LKE5.0 平台的改造过程。
# 基于 LKE5.0 完成AIGC知识库平台升级
搭建知识库从0到1涉及到一系列复杂的流程步骤，包括文档准备、文本分割、选择适合的 Embedding 算法进行文本向量化、将文本向量化结果保存到数据库、对问题进行向量化、从数据库中查找与问题向量相似的文本信息、获取与问题相关的上下文文本、获取提示模版、生成输入大型语言模型的 prompt，并将 prompt 输入到大型语言模型中获取答案。
此外，搭建知识库还对硬件提出了要求，需要考虑机器性能、物理机和 GPU 的适配性、GPU 的选型以及算力的利用率等因素，并在环境中安装各种后续所需的相关库。随后，需要对应用进行部署和使用。针对不同的使用场景，还需要对应用进行开发和迭代，长期使用还需要处理数据管理、隐私安全、算力支出等问题，这些要求企业整体的数字能力和开发人员的技术能力都非常高。对企业而言，搭建大型语言模型知识库的技术转化和变现路径可能会变得非常漫长。
随着基于大型模型的应用越来越多，对算力的需求量也越来越大，算力资源的供不应求情况也变得越来越严重。
基于LKE5.0改造后的AIGC大模型知识库平台采用了云原生技术实现分布式并行计算，有效应用了云原生的动态扩容功能，满足了大规模数据和复杂计算任务的需求，同时还能够支持异构的计算任务。为了简化技术选型过程，避免兼容对接过程中耗费大量时间和人力成本，LKE5.0提供了更全面的解决方案，即软硬一体、数智一体架构的知识库一体机。该架构采用智能裸金属+云原生+AIGC的简约架构，使企业能够快速部署，实现知识库的生产就绪、开箱即用。通过对异构算力的统一调度与运营，让有限的算力发挥更大的效能，为上层大模型应用的开发提供了更加稳定的基座。
# 基于 LKE5.0 完成机器学习平台升级
纵观整个机器学习的工程化落地过程，我们会发现其中掺杂着许多与算法本身不直接相关，但与基础设施紧密相关且具有通用性的任务，比如环境搭建、框架版本适配、模型部署、训练任务监控、任务调度、多租户管理，以及与大数据体系打通等。对于算法工程师来说，即使他们在算法、模型、数据探索等方面能够创造更大的价值，也常常需要花费大量时间和精力在工程化方面。这种情况极大地影响了算法模型的开发和上线效率，从而阻碍了业务的发展。在这样的背景下，以业务提效和链路整合为目标的大数据机器学习平台应运而生。
当前机器学习流程大致有以上几个阶段：原始日志、特征加工、特征校验、样本构建、模型训练、A/B Test、模型部署、特征访问。平台改造后围绕上述各环节建设服务，目标是能够向业务方提供一个一站式的、打通 Bigdata + AI 环节的大数据机器学习开发平台，帮助业务快速构建出所需的数智应用。
# 基于 LKE5.0 完成大数据平台升级
传统大数据平台，如Hadoop、HBase、Hive，每个子系统都有自己的分布式管理机制和安装流程，无法共享资源池。因此，在运行过程中，安装和运维工作量巨大，迭代效率低下，导致半孤岛式的业务系统频繁重复开发。
典型的大数据平台通常要为多个部门、业务人员和数据开发人员提供服务，形成多租户环境。在这种环境下，首要任务是实现所有大数据（可视化）组件的单点登录，这样可以避免维护多套用户登录系统，并确保在大数据计算和存储层实现统一的安全认证和权限授权机制。安全认证和权限授权机制必须是所有计算和存储引擎共享的。在多租户环境下，传统大数据平台的一个难点是资源隔离，很难防止一个或少数几个租户独占资源的情况。
当然，大数据平台的云原生化已经成为大势所趋，直接在Kubernetes上运行所有大数据工作负载也成为可能。但问题在于，仅仅将大数据组件容器化并部署到Kubernetes上就能够解决问题吗？答案是否定的！实现Data on Kubernetes 不仅需要将大数据组件容器化，还需要对所有大数据组件进行云原生化，并通过Kubernetes进行纳管。在这一过程中，仍然存在许多需要克服的技术难题。
通过改造，将多套大数据组件构建在大数据平台之上，同时提供一个整体的管理、开发及运维工具体系，实现同时管理若干套大数据组件的需求，从而构建服务于业务高速发展的弹性、敏捷、稳定的大数据平台。
首先，统一管理，复用全部基础设施架构，大大降低了复杂度；
其次，资源混排，高效利用共享资源池，各个组件及整个集群都能够轻松实现弹性伸缩；
第三，整个系统能够快速支持新应用的集成，数据应用开发能够快速迭代；
最后，系统稳定性得到了极大提高，运维效率也大幅提升。
值得一提的是，LKE5.0 既可以快速从零开始打造一套企业级云原生大数据平台，同时也可以支持渐进式地对现有大数据系统进行云原生改造和迁移，助力企业更高效地进行数字化创新和数字化转型。
在当今数字经济地位日益凸显下，从数智力到数智化管理与经营的一体化实践变得至关重要。通过对各个领域的技术创新和应用，如云计算、大数据分析、人工智能等关键技术的融合，企业得以构建全面的数智化管理与经营体系。
在这一过程中，我们看到了诸多实践案例，例如LKE5.0提供的一站式解决方案，通过云原生技术实现了数据智能的统一底座能力，为企业提供了全面的解决方案。这些实践不仅为企业带来了管理效率的提升和成本的降低，还为业务的快速发展提供了强有力的支持。因此，将数智力转化为数智化管理与经营的一体化实践已经成为企业数字化转型的必然选择，也是实现企业可持续发展的重要战略之一。
