在数据保护领域,Veritas算的是一家业界知名提供商,自从赛门铁克独立运营,已经快两年时间。独立后的Veritas正好赶上了两个特别的发展机遇,一是在宣布独立时也正是IT市场转型的关键时机,大部分机构如政府机关、私营企业等都在谈数据转型和信息化;二是云的成熟和转移已然成为一个热门话题。Veritas公司亚太及日本地区高级副总裁连智浩介绍到,在两者的推动下,给企业管理者带来了全新的存储环境。
在近日Veritas举办的媒体交流会上,连智浩重点提到了Veritas的战略性导向是通过360全方位数据管理平台来统一管理企业内的数据环境。那么,如何理解360全方位数据管理平台?在多云环境下,如何有效保护数据并将数据价值最大化?
Veritas公司亚太及日本地区高级副总裁连智浩
对此,连智浩介绍了两个关键点:
第一,保护数据并将其转变为资产,这一步体现出数据的洞察力;第二,在日益变化的环境中,所有产品应用都需要兼容和支持混合云环境。如何向客户提供有效的洞察力和分析能力,使客户更容易实现大数据分析或人工智能是Veritas的重点之一。
确实,在当下数据爆炸的多云时代,全球有56%的企业普遍具体“云端优先”的意识,并在部署新的应用程序和管理工作负载时,将多云环境作为业务战略的重要组成部分,只有1%的企业表示他们将不会在未来两年采用云。而这一趋势在最新的调研报告《云中的真相》也得到充分验证。
技术的变化改变了IT环境,从小机时代到X86、虚拟化以及现在的公有云、大数据,客户的管理环境逐渐变得更为复杂, Veritas作为业界领导厂商,回顾其最核心的成功要素, Veritas公司大中华区总裁杨晨用一句总结:能够打造一个跨多种不同环境的平台。在发展理念上,Veritas也一直秉承希望帮助客户打造横跨数据中心、私有云和公有云的一整套数据管理平台,让客户能够摆脱单纯底层架构的依赖。
Veritas公司大中华区总裁杨晨
尽管诸多企业已经深刻认识到云服务在降低复杂性和提高敏捷性方面的价值,但他们更加迫切希望在多云环境中能够更好的管理数据及保证数据的隐私合规。Veritas的全方位数据管理主要分为六大部分:
第一,数据可视化。做到心中有数,能够清晰了解分布在各个环境中的数据。
第二,统一数据保护。数据保护不仅仅中在数据中心和私有云环境,公有云亦是如此,Veritas会通过强势产品NetBackup和BE产品不断的延展,允许客户保护在公有云上的数据。
第三、数据和应用程序的可移动性。从客户利益最大化角度出发,供应商应提供给客户灵活手段,可以让客户有更多选择性,更灵活的管理数据。
第四、存储成本。数据在增长,现在每年存储增速甚至超过创建文件的速度。在优化、成本层面,Veritas都有相关解决方案。
第五、业务连续性。永恒不变的话题。传统企业环境里也要谈高可用、业务连续性及数据容灾备份,Veritas Resiliency Platform能够做到一键式切换,同城容灾或者两地三中心,都能够通过一键式的切换迅速的把应用切换过去,保证随时不宕机。
第六,数字化合规。随着新的数据隐私保护法的出台,美国和欧洲采取的策略是丢失数据可罚款企业当年营业额的4%,将近4.2亿美金。这个法规在欧洲、新加坡、美国都已在实施,跟每个人都息息相关,这也是大数据时代新的态势。
客户环境的复杂化,需要多云的支撑。针对如今环境,Veritas 定位已经从传统的备份和数据保护厂商转变为多云时代下全方位数据管理。尽管在数据保护领域竞争激烈,“但有些友商的硬件也在使用Veritas的软件,可见较高的兼容性及在市场上位置”,连智浩表示。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。