Commvault大中华区技术总监蔡报永
很多公司未曾经历系统中断带来的资金损失,也没有受到最近爆发的大规模恶意软件的攻击。因此,许多企业高管认为其数据管理系统基本运行正常,对公司的数据管理系统相当满意,没有必要改变现状。
然而,系统除了能满足基本需求外,是否也应该更“好用”呢?
如果企业真正想将其数据全面应用到业务的各个领域,数据管理系统就不能只是执行组织、搜索和分类应用,而需要执行更多的操作。数据管理系统需要根据领导团队制定统一的策略对数据进行管理、保护和部署,并通过单一的综合性平台推动实现。如果没有这种战略而非战术性的框架,企业在利用数据资产并从中汲取最大价值方面将举步维艰。在这个数据复杂的时代,只是勉强满足基本需求还远远不够。
企业应该首先意识到为何其数据管理系统只能满足基本需求。
即使在最具前瞻性和创新性的金融机构中,其后台环境仍然依赖于陈旧系统。这些陈旧系统未考虑当今敏捷的工作环境,并且更新和维护成本高昂,难以与当今构建的新型且高度灵活的系统集成,无法满足未来的业务需求。此外,许多系统只是为了解决某些具体的问题。因此,要构建一个全面综合的解决方案,需要将许多由不同供应商提供的孤立解决方案结合在一起,而这样会使得原本已经复杂的环境变得更为复杂。
由于数据管理部门的负责人极力维持拼凑式解决方案,加上日益紧张的预算,导致了持续的资金拉锯战。系统缺乏灵活性也会导致数据访问和合规性问题,特别是在企业规模扩大和需求变化时更是如此。
为何会有如此之多的供应商?通常,这些过时而分散的系统往往也与企业的流程密切相关,想要摆脱这种现状似乎毫无可能。企业高管常常认为,要完全改变这种现状,过程将非常缓慢、复杂且费用高昂,同时新的系统也未必能保证会带来更好的实施效果。
这就是为何许多企业对那些仅仅可满足预期,而非超越其预期的数据管理系统感到满意,不愿改变现状的原因所在。
现有供应商的销售人员训练有素,让人深信只能沿着他们预先确定的路线共同前行。这些现有应用对企业至关重要,因此决策者们坚信供应商的说法。
如果有一种更好的方法——能够在单一的强大平台上执行管理、保护和监管数据的整体方法,通过大幅简化环境来获得巨大回报,使企业从其战略数据资产中获得最大价值,您是否愿意让陈旧的数据管理系统重获生机?
没有人比企业管理者更了解企业的未来发展方向。企业拥有自己专属的数据。灵活的模块化解决方案可让企业根据其自身需求,设计出自己独有的数据管理系统。企业无需将自己锁定在一成不变的陈旧解决方案中——这些陈旧的解决方案无法随着技术的更新进行升级或演进。企业也无需再忍受不够好用的系统。
想像一下使用重获生机的数据管理系统的状况:
您可以同时拥有多种模式,这些模式不仅仅是在设想的未来环境中真实存在的模式,还包括在设想的未来环境以后可能存在的各种模式。
为了应对未来挑战,您必须使数据安全工作,避免合规或安全问题;必须能够在适宜的时间访问适宜的数据,并综合各种数据来源,提供有关业务所需的洞见。简言之,您需要更多的灵活性。
无论现在还是未来,您都要掌控这些属于您的数据、信息以及策略。当前技术发展日新月异,您的企业需求也将不断变化,陈旧的数据管理系统更需要重获生机。
好文章,需要你的鼓励
本文探讨了AI发展的未来趋势,详细分析了六条有望实现通用人工智能(AGI)的技术路径。随着生成式AI和大语言模型面临发展瓶颈,业界开始将目光转向其他AI发展方向。这六条路径包括神经符号AI、神经形态AI、具身AI、多智能体AI、以人为中心的AI和量子AI。每种路径都有其独特优势和挑战,可能单独或组合推动AI进入下一个发展阶段,最终实现与人类智能相当的AGI系统。
约翰霍普金斯大学研究团队发现VAR模型的马尔可夫变体本质上是离散扩散模型,提出SRDD方法。通过应用扩散模型技术如分类器自由引导、令牌重采样等,SRDD相比VAR在图像质量上提升15-20%,同时具备更好的零样本性能。这项研究架起了自回归模型与扩散模型的理论桥梁,为视觉生成技术发展开启新方向。
培生公司第三季度销售增长加速,并预示年底表现更强劲,但其AI应用可能是更重要的发展。该公司虚拟学习部门销售额激增17%,学生注册人数攀升。培生运营的在线学校将AI工具嵌入课程材料中,公司表示有越来越多证据显示这些工具帮助学生取得更好成绩。公司推出了AI学习内容组合,包括AI素养模块和融合人工导师与AI学习工具的视频平台。
微软亚洲研究院推出CAD-Tokenizer技术,首次实现AI通过自然语言指令进行3D模型设计和编辑的统一处理。该技术通过专门的CAD分词器和原语级理解机制,让AI能像设计师一样理解设计逻辑,大幅提升了设计精度和效率,有望推动工业设计的民主化进程。