红帽押注于AgentOps，以缩小AI实验与生产之间的差距
💡
原文英文，约1000词，阅读约需4分钟。
📝
内容提要
红帽在亚特兰大峰会上宣布RHAI 3.4的重大进展，推出“模型即服务”（MaaS），允许按需访问预训练的AI模型，并提供统一接口。新版本增强了分布式推理能力，支持自主代理的操作管理，确保安全性和性能评估。红帽致力于为企业提供高效的AI解决方案，推动智能系统的发展。
🎯
关键要点
- 红帽在亚特兰大峰会上宣布RHAI 3.4的重大进展，推出模型即服务（MaaS），允许按需访问预训练的AI模型。
- RHAI 3.4增强了分布式推理能力，支持自主代理的操作管理，确保安全性和性能评估。
- 新版本提供统一接口，方便开发者访问经过筛选的模型，并允许管理员跟踪使用情况和执行政策。
- 引入全面的AgentOps能力，包括集成追踪、可观察性和评估，帮助将代理从开发转移到生产。
- 红帽使用基于SPIFFE/SPIRE的加密身份管理，替换静态硬编码密钥，支持自主代理的安全操作。
- RHAI的评估中心提供统一的AI评估控制平面，替代分散的测试方法，确保质量、准确性和风险的基准测试。
❓
延伸问答
红帽RHAI 3.4的主要新功能是什么？
红帽RHAI 3.4推出了模型即服务（MaaS），增强了分布式推理能力，并支持自主代理的操作管理。
模型即服务（MaaS）如何帮助开发者？
MaaS允许开发者按需访问预训练的AI模型，并提供统一接口以跟踪使用情况和执行政策。
红帽如何确保自主代理的安全性？
红帽使用基于SPIFFE/SPIRE的加密身份管理，替换静态硬编码密钥，支持自主代理的安全操作。
RHAI 3.4如何处理模型和代理的评估？
RHAI 3.4引入了评估中心，提供统一的AI评估控制平面，替代分散的测试方法，确保质量和准确性。
红帽的AgentOps能力有哪些关键特性？
AgentOps包括集成追踪、可观察性和评估，帮助将代理从开发转移到生产。
RHAI 3.4如何提高推理性能？
RHAI 3.4通过高性能的分布式推理和请求优先级处理，提高了推理性能和响应速度。
➡️
