近日,全球多云数据管理领导厂商Veritas Technologies发布2018年《全球消费者数据隐私报告》,调研结果显示,消费者对企业能够妥善保护个人数据的信赖度较低。随着越来越多的企业发生数据泄露事件,黑客似乎只有一步之遥,在如此严峻的形式下, 38%的全球消费者认为大部分企业并不了解如何保护个人数据。在中国,18.8%的消费者抱有同样的观点。
根据Veritas公司发布的2018《全球消费者数据隐私报告》,消费者计划对未能妥善保护个人数据的企业采取惩罚手段,而对保护数据的企业表示奖赏。
当今,全球大多数企业都依赖数据来实现有效的消费群体定位,从而进一步优化客户的购物和服务体验。随着愈加严苛的合规条例的出台,例如欧盟《通用数据保护条例》(GDPR),民众被赋予更多掌控自身数据的权利。在这些条例政策的影响下,消费者开始严格审查企业,并要求企业承担起个人数据的保护责任。
新"常态"
此次调研报告由Veritas委托3GEM开展,共对全球14个国家/地区的12,500名受访者进行了调查。报告指出,消费者计划对妥善保护个人数据的企业提供'奖赏',同时通过转投其他品牌或打击品牌声誉等手段来惩罚未能尽到保护责任的企业。
调研报告指出,62%的全球受访者(中国:57.7%)表示,如果企业未能妥善保护个人数据,他们将停止从该品牌购买产品和服务,并且,48%的全球受访者(中国:63.8%)表示,他们不仅会放弃选择该品牌,还会考虑转向选择竞争对手品牌。
不仅如此,81%的全球受访者(中国:89.6%)表示,他们会鼓励朋友和家人共同抵制未能尽到数据保护责任的企业,同时74%的受访者(中国:87.9%)甚至会向监管机构进行投诉。此外,65%的全球消费者(中国:80%)会选择在网上发布该企业的负面评论。
不过,Veritas的调研同样显示,消费者愿意为妥善保护个人数据安全的企业提供'奖赏'。59%的全球受访者(中国:90.5%)表示,对于那些能够妥善保护个人数据安全的企业,他们愿意加大消费力度。其中,27%的全球受访者(中国:26.4%)愿意增加高达25%的消费力度。
Veritas公司大中华区总裁杨晨表示: "企业想要建立消费者公信力,必须树立起可靠的数据保管人形象。数据泄露事件会对企业的公信力造成很严重的影响。在一些备受瞩目的事件中,企业明显表现出对其所拥有的个人数据的使用或共享方式缺乏理解。今天的消费者要求企业提高数据隐私保护的透明度和责任感。在 "新常态"下,消费者更愿意认可具有良好数据保护习惯的企业,同时远离那些未能妥善保护数据的企业。"
消费者对个人数据收集表现出强烈的担忧
Veritas的调研结果表明,消费者愈加担忧个人数据的使用和共享方式,不愿将以下个人数据进行共享:
♦ 个人经济的细节,包括收入、按揭贷款情况 (全球:60%;中国:48.1%)
♦ 位置信息 (全球:40%,中国:23.5%)
♦ 线上消费习惯 (全球:40%;中国:42.9%)
♦ 有关个人健康/医疗记录的详情 (全球:38%;中国:34.6%)
♦ 性取向 (全球:28%;中国:26.5%)
♦ 宗教信仰 (全球:26%;中国:29.9%)
此外,消费者对于个人数据在企业与第三方之间的共享变得更加谨慎。92%的全球受访者(中国:86%)对个人数据的保护表示出强烈的担忧,40%(中国:35.9%)表示,他们对企业对个人数据的使用与共享方式一无所知。而21%(中国:11.5%)表示,他们非常担心个人数据被盗。
Veritas公司大中华区总裁杨晨补充到:"未来能够以合规方式妥善管理和保护个人数据的企业,将会成为最为成功的企业。考虑到最近数据泄露事件的频发,以及数据安全保护条例的陆续出台,消费者更加需要企业对其内部所存储的个人数据、共享及使用方式提供更高的安全保障。对于依靠收集消费者个人数据来提供智能化且针对性服务的企业来讲,例如定位app,这种变化将可能对他们造成严重的影响。 "
Veritas致力于帮助全球企业管理和保护数据,并从中获得有价值的数据洞察,无论数据位于企业的哪个角落。Veritas面向GDPR的360全方位数据管理解决方案包含一系列综合性咨询服务和集成式软件,支持企业定位、搜索、控制、保护和监控数据。该解决方案不仅可帮助企业快速开启合规之旅,还可以助力企业在每个转型时刻维持合规,从容向前。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。