文/ Veritas公司大中华区技术销售与服务总监 顾海巍
疫情突至改变了很多人的工作方式。随着居家办公常态化,员工和企业愈发依赖即时通讯软件(IM)和商业协作工具。这意味着,线上沟通工具给办公带来极大便利性的同时,也使企业面临极易被人忽视的“隐患”。根据Veritas Hidden Threat of Business Collaboration Report(Veritas商业协作隐患报告),员工正在削弱企业对公司数据的管控力,企业可能将面临合规和数据安全的风险。
调研发现,自新冠疫情爆发以来,员工使用Zoom、Teams和微信等即时通讯软件的时间增加了20%。在中国,员工平均每天花费3.1个小时在这些应用程序上,对即时通讯软件的依赖高于其他国家。目前,中国员工在即时通讯软件上分享的敏感数据包括客户信息、人力资源相关信息、合同信息和业务计划;另外,员工还普遍使用商业协作工具来完成交易、处理订单甚至同意加薪。数据显示,74%的员工保存了他们通过即时通讯软件分享的信息,与之相反的是,60%的员工则选择在平台完全删除信息。一旦监管机构要求查看平台记录,这两种情况都可能给企业带来不可预计的损失。
数字化合规:企业数字化转型中的“一道坎”
为什么说忽视数字化合规中存在的问题,企业就很难在数字化转型中收获成功?众所周知,企业数字化转型包含了核心、云和边缘三个场景,横跨这三个场景,企业都无法回避“4C”难题:成本(Cost)、网络威胁(Cyberthreats)、云(Cloud)、合规(Compliance)。
有效的合规管理是保证企业长远发展的内在实力,也是企业规避风险的基础,而数字化合规则相当于企业内部的“新基建”,是每个企业都必须审视的体系。上文中的调研数据,暴露的正是企业在数字化合规方面的潜在漏洞,一旦企业失去了对数据的管控力,数字化转型也将难以为继。那么,企业究竟该怎么做才能跨过数字化转型中无法回避的这道坎呢?
数据洞察:企业数字化转型的先导工作
如果把企业数字化转型中的诸多难题比作需要疏通的穴位,那么数据洞察能力就是第一道穴位,只有找准了这第一道,接下来的工作才会有的放矢,事半功倍。
如今很多企业都清楚数据保护的重要性,却忽视了数据洞察其实是数据保护的绝对优先的先导工作。首先,企业要盘点清楚有多少数据是合规的、有价值的,而且这是贯穿整个数据服务生命周期,包括服务前、服务中和服务后的工作,否则,我们谈论的数据保护和高可用性将失去意义。
由此,针对业务数据,企业需要建立一个“端到端”的解决方案:从数据捕获,到数据归档,再到数据监督,建立起一站式的数据洞察服务,比如帮助企业发现暗数据、识别风险并对信息进行分类,并通过自动化工作流程帮助企业调整策略,使其可以根据事实追踪数据,最终快速响应法务和监管的请求;而针对运维数据,企业则需要深度分析以优化存储,提升效率并控制成本。
想要做到这一切就必须用平台的视角审视企业的整体数据,这也是Veritas一直倡导的理念。在Veritas, 我们着眼于技术的整体能力,从平台的视角对企业的整体数据,包括备份数据、云端数据和边缘数据做洞察分析。
在产品层面,我们凭借Veritas Enterprise Vault的自动数据保存和电子邮件归档功能,在数字化合规方面具有悠久的历史;通过收购Globanet,我们还整合了其技术至Veritas的产品组合中,大大提升了社交媒体、即时短消息、语音通信等数字通讯渠道的数据捕获能力,覆盖数据源包括微信和钉钉等本土应用。
总之,面对后疫情时代下的数字化浪潮,企业需要重新审视自身的数据管理策略,将未来重点放在提升“数据洞察力”上,才能在数字化转型中稳占先机。
好文章,需要你的鼓励
谷歌CEO皮查伊在AI竞赛低谷期坚持"信号降噪"原则,顶住压力加倍投入,最终带领谷歌凭借Gemini系列重夺领先。他坚信AI将超越火与电的革命性影响,通过递归自我改进极大降低创意实现门槛,这场"创造力民主化"浪潮或将解锁80亿人的认知潜能。
上海交大研究团队开发的VideoREPA是一种突破性的视频生成框架,通过令牌关系蒸馏技术将视频理解模型中的物理知识转移到文本到视频(T2V)扩散模型中。与传统方法不同,VideoREPA关注空间和时间关系的对齐,使生成的视频更符合物理常识。实验表明,这种方法在VideoPhy基准测试中将物理常识分数提高了24.1%,明显优于现有技术。该研究为创建更真实的AI生成视频提供了新思路,展示了理解能力与生成质量间的密切关联。
李飞飞的World Labs以"空间智能"重新定义AI,专注3D物理世界理解,4个月估值飙至10亿美元,获科技巨头集体押注。她揭示语言无法编码物理世界,而DNA双螺旋等突破性发现都源于三维空间的深度认知。
浙江大学和莫纳什大学研究团队开发了PM-Loss,一种用于改进前馈式3D高斯分布渲染的新型正则化损失函数。研究针对深度图在物体边界处的不连续性问题,通过预训练Transformer模型预测的点图提供几何先验知识,实现了更平滑、准确的3D场景重建。实验表明,PM-Loss在多个数据集上显著提升了渲染质量,PSNR提高至少2dB,特别改善了物体边界处的细节表现。该方法易于集成到现有模型中,无需修改架构,为3D视觉和图形学领域提供了新的研究思路。