意大利医疗机构 ASL CN1 Cuneo 已开始使用 Cubbit 的 DS3 地理分布式存储作为其 S3 备份方案,表示这一选择有助于解决合规问题并降低成本。
DS3 Composer 软件使 MSP 和其他组织能够构建主权分散式 S3 对象存储节点网络。Cubbit 是一家意大利创业公司,提供 DS3 地理分布式、部分去中心化存储 (Web3) 服务,可以利用现有数据中心的闲置存储容量。中心化的协调器组件负责管理元数据、S3 网关以及存储节点集群或 Swarm。客户可以使用 DS3 Composer 软件构建符合当地法规的分散式存储能力。
在本案例中,ASL CN1 Cuneo (简称 Cuneo) 管理着意大利北部 173 个市镇的医疗服务,拥有超过 3,500 名员工。其中约 80% 的数据与医疗相关,被意大利国家网络安全局 (ACN) 列为"关键"数据。这意味着 Cuneo 必须遵守 GDPR 和 NIS2 数据主权要求、安全指南以及意大利公共部门 ACN 认证。通过将存储节点部署在意大利境内,DS3 实现了这些合规要求。
Cuneo 的创新与信息安全负责人 Andrea Saglietti 表示:"找到一个既能满足我们严格合规需求,又能提升安全性达到 NIS2 标准,同时还能降低成本的存储解决方案并非易事。我们长期使用美国的云存储服务提供商,但他们无法提供 Cubbit 所能实现的数据主权、弹性和经济优势。"
Cuneo 使用 Veeam 保护数据,采用 3-2-1-1-0 备份策略,需要异地和不可变的数据副本,在本例中涉及 110 TB 的备份数据。此前他们将数据存储在 AWS S3 对象存储中,这带来了数据出口成本和 API 调用费用,从而增加了开支。他们考虑过使用自己的数据中心,这样可以实现控制和合规,但不愿承担高额的前期成本、额外的 IT 资源和持续维护。
相比 S3,DS3 提供了更好的经济性、云端灵活性、主权数据控制和合规性。
Saglietti 称,使用 Cubbit "使我们在相同配置下节省了 50% 的原有成本。部署速度快且易于使用,使 Cubbit 的 DS3 比复杂的本地系统更易管理,同时保持主权并让我们完全控制数据。如今,我们更加安心,因为知道我们的数据存储是安全、合规且具有成本效益的。"
Cubbit 联合 CEO 兼联合创始人 Alessandro Cillario 表示:"欧洲的医疗机构必须在应对激增的数据量和复杂的网络威胁的同时,遵循严格的监管要求框架。通过 Cubbit,ASL CN1 Cuneo 可以确保其关键医疗数据得到安全保护、合规且具有成本效益 – 无需担心隐藏费用的不可预测性或本地基础设施的负担。"
Cubbit 的技术已被包括 Leonardo 在内的 400 多家欧洲公司和合作伙伴采用,并得到 Exclusive Networks 的支持。Cubbit 还得到了 HPE 和 Equinix 等国际科技合作伙伴的支持。
好文章,需要你的鼓励
来自耶路撒冷希伯来大学的研究团队开发了WHISTRESS,一种创新的无需对齐的句子重音检测方法,能够识别说话者在语音中强调的关键词语。研究者基于Whisper模型增加了重音检测组件,并创建了TINYSTRESS-15K合成数据集用于训练。实验表明,WHISTRESS在多个基准测试中表现优异,甚至展示了强大的零样本泛化能力。这项技术使语音识别系统不仅能理解"说了什么",还能捕捉"如何说"的细微差别,为人机交互带来更自然的体验。
这项研究提出了"力量提示"方法,使视频生成模型能够响应物理力控制信号。研究团队来自布朗大学和谷歌DeepMind,他们通过设计两种力提示——局部点力和全局风力,让模型生成符合物理规律的视频。惊人的是,尽管仅使用约15,000个合成训练样本,模型展现出卓越的泛化能力,能够处理不同材质、几何形状和环境下的力学交互。研究还发现模型具有初步的质量理解能力,相同力量对不同质量物体产生不同影响。这一突破为交互式视频生成和直观世界模型提供了新方向。
北京交通大学与西蒙弗雷泽大学联合研发的混合神经-MPM方法实现了实时交互式流体模拟。该方法巧妙结合神经物理学与传统数值求解器,在低时空分辨率下运行神经网络并设置保障机制自动切换到MPM,显著降低计算延迟同时保持高保真度。团队还设计了基于扩散模型的控制器,支持用户通过简单草图直观控制流体行为,为游戏、VR和设计领域提供了实用解决方案。
这项研究介绍了EgoZero,一种创新的机器人学习系统,能够仅通过Project Aria智能眼镜捕获的人类示范数据,训练出零样本迁移的机器人操作策略。研究团队提出了一种形态无关的状态-动作表示方法,使用点集来统一人类和机器人数据,并开发了从原始视觉输入中提取准确3D表示的技术。在没有任何机器人训练数据的情况下,EgoZero在7种真实世界操作任务上实现了70%的成功率,展示了强大的泛化能力,为解决机器人学习中的数据瓶颈问题提供了新思路。