2020年2月10日,北京——Hitachi Vantara日前宣布其计划收购Waterline Data公司的业务。
Waterline Data是一家提供面向DataOps的智能化数据目录解决方案的创新公司,帮助客户更快地从大型数据集中获得有效分析,并满足《通用数据保护条例》(GDPR)等数据法规的合规性要求。
Waterline Data提供基于机器学习(Machine Learnig)的数据目录技术,可实现对元数据的自动化发现,以应对从边缘到核心再到云环境的现代数据分析和治理挑战。
Waterline Data的技术目前已在金融服务、医疗健康和制药行业等客户群中得到广泛采纳,用于支持其数据科学和数据分析项目,精准定位对合规需求敏感度较高的数据,并提高数据治理水平。同时,其技术可应用在本地或云端,支持Hadoop、SQL、Amazon Web Services(AWS)、Microsoft Azure和Google Cloud等数据平台。
Waterline Data拥有“指纹(fingerprinting)”标识技术的专利是其解决方案的基石。该指纹标识技术使用基于AI和规则的系统,可自动地发现、分类并分析分散的各类数据资产,从基于数据的共同特征来准确、高效地标记大量数据。
例如,为了正确快速地在PB级数据湖中标识“保险索赔编号”,Waterline Data仅需要将一个字段标记为索赔编号,该技术随即会生成一个独特的“指纹”,并以极高的准确度将整个数据湖内外所有类似字段识别并标记为“保险索赔编号”(不受文件格式、字段名称或数据源限制)。因此,Waterline Data的技术可以帮助用户更加轻松地从数据中发现有价值的洞察。
将Waterline Data的技术与Hitachi Vantara的Lumada Data Services产品组合集成,可提供一个通用的元数据管理框架,帮助客户消除分布在云、数据中心、以及其公司网络边缘的机器和设备上的数据孤岛。通过将DataOps方法论应用于其统一的数据集,客户可更快地获得洞察并推动创新。
451 Research研究副总裁Matt Aslett表示:“我们的研究显示,接近一半的企业数据相关从业人员,他们仅花费在分析数据的查找和准备工作上的时间,就超过了总工作时间的50%。近年来,数据目录技术已经成为企业应对这一挑战并同时提高数据治理水平的战略要务。此次收购行为不仅明智,更具有战略意义——Waterline Data的技术能力是对Hitachi Vantara及其Lumada Data Services产品组合的有力补充。通过收购Waterline Data,Hitachi Vantara将进一步提升其满足客户日益增长的产品和服务需求的实力,通过DataOps为客户提供更加敏捷、自动化水平更高的数据管理方案。得益于此,企业级数据用户将以更加流畅且易于管理的方式,充分利用信息的巨大价值。”
Hitachi Vantara数字解决方案总裁Brad Surak表示:“Hitachi Vantara不断助力客户,为客户提供数据模块化平台(digital building blocks)、DataOps方法和行业解决方案,通过帮助客户获得由数据驱动的洞察,满足其企业转型需求。Waterline Data技术是对Hitachi Vantara的DataOps专长的补充,同时也将成为Lumada Data Services产品组合中的关键产品,为客户企业带来更高的可视性和更严格的质量控制,并提高其数据的合规性和管理水平。”
此次收购交易的财务条款并未对外披露。对Waterline Data的收购将会满足惯例成交条件,预计将于Hitachi集团2019财年第四季度(至2020年3月31日截止)完成。
产品可用性
收购完成后,Waterline Data技术将由Hitachi Vantara作为独立解决方案,并同时作为Lumada Data Services产品组合的集成组件提供。
好文章,需要你的鼓励
谷歌推出两款新AI模型:Nano Banana 2 Lite是其最快、最具成本效益的图像生成模型,4秒生成图像,成本仅0.034美元/千像素图;Gemini Omni Flash则支持高质量视频生成与对话式编辑,定价0.10美元/秒。两款模型均已在Google AI Studio和Gemini API平台开放,可串联使用实现从图像到视频的完整多媒体工作流。
香港中文大学(深圳)与字节跳动联合提出FlexiSLM,首个支持动态与可控帧率的语音大模型,在输入输出两端均实现自适应帧合并,6.25赫兹下推理速度提升一倍,语音对话质量超越同规模固定帧率模型。
英国《金融时报》记者萨拉·奥康纳新书探讨人工智能与自动化对工作的冲击。从亚马逊仓库的人机协作到远程视频监控岗位,技术进步带来的不仅是效率提升,更引发对工作尊严的担忧。作者指出,关键问题不在于技术本身,而在于将人类劳动视为可优化系统的管理理念。书中也展现了积极案例:编剧工会罢工争取AI使用规则,荷兰护理工作者自主建立实践模式。未来工作形态仍可由我们塑造。
这项研究提出DataEvolver框架,把被丢弃的"不合格训练图片"转化为改进数据收集策略的反馈,让AI文字图像生成训练数据的构建流程能自我进化,在相同数据量下显著提升文字渲染质量。