Datadobi正在为其StorageMAP产品增加更多自动化功能,以帮助存储管理员更快速地完成更多工作。
该公司表示,面对日益复杂的数据环境,客户需要帮助来保持控制,同时避免承担更多的运营开销。StorageMAP 7.3减少了管理员在日常任务上花费的时间,帮助他们在不影响合规性或性能的情况下迁移关键数据。
Datadobi首席技术官Carl D'Halluin表示:"组织现在可以大规模定义和执行基于策略的操作,消除现有手动流程固有的瓶颈,使其文件和对象存储环境对运营需求的响应更加迅速。"
Datadobi的StorageMAP现在具备策略驱动工作流功能,作为其在文件和对象存储中编排和自动化数据管理任务能力的一部分。该公司表示,客户可以更精确地处理数据,并在S3兼容平台之间迁移的同时保持合规性。
潜在的使用场景包括定期自动化归档、创建数据管道为生成式AI应用提供数据、识别和重新定位非业务相关数据到隔离区域等。
其工作流引擎可以响应时间调度等触发器执行任务。一旦策略发布,StorageMAP就会按计划运行工作流,无需人工监督。"试运行"功能有助于在完整执行前检查策略的范围。
StorageMAP 7.3还增加了对以下功能的支持:
粒度文件级删除——这有助于从包含有效和无效文件混合的目录中删除文件。管理员可以识别符合特定条件的文件,并将其保存为定向删除作业的输入,StorageMAP将执行该作业。每个删除作业都会生成详细说明其参数和结果的报告。
S3兼容存储系统间的锁定对象迁移。这允许将WORM(一次写入多次读取)格式的数据在不同供应商平台间重新定位,同时保留其保留日期和法律保留。
对象迁移或复制过程中的S3存储类别选择,以支持成本和性能目标。
在中短期内,我们认为AI副驾驶型技术将被用于使非结构化数据资产几乎能够通过使用策略来优化成本、合规性、性能和弹性,从而实现自我管理。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。