“失而复得”是人生三大幸事之一,但并非所有“丢失”都能获得一个圆满的结局。对于企业来说,丢失数据可能会带来巨大的损失。超过40%的企业在遭遇灾难性的数据丢失后再也没有重新开业。在如今这个考虑“什么时候会遭到攻击”而非“是否会遭到攻击”的时代,数据备份逐渐成为了企业的“必选项”。
但是,数据备份解决方案的选择并非“一次性”工作。如今,技术和业务需求变化飞快。三年后,甚至短短一年后,企业的数据保护需求就会变得与现在有所不同。对于已有备份解决方案的企业来说,续订还是不续订,这是一个问题。无论选择前者还是后者,面对如今这个瞬息万变的世界,企业都需要在这个重要的决策过程中仔细权衡,才能确保解决方案能够满足企业当前和未来的需求。
着眼“动态需求”
直接继续选择现有的备份解决方案提供商看起来是一个非常简单的选项。但事实并非如此。
我们处在一个瞬息万变的世界里。全球数据量正在迅速增长。IDC数据显示,2020年全球累计创造了59ZB的数据,而预计到2026年,全球结构化与非结构化数据总量将达到221.2ZB。除此之外,新兴数据技术层出不穷,企业的业务需求也在不断变化。想想过去三年企业采用的新工作负载和应用程序,或者思考下基础架构在实现超融合、引入容器或转移到云后发生了哪些变化,企业就会发现变化始终在发生。
面对这样的环境,企业现有的解决方案是否能够管理企业的所有数据?或许每个企业在考虑续订时都该问问自己这个问题。使用多个备份和恢复点产品来处理不同的数据集要消耗大量时间和资源。海量的数据和复杂多样的格式标准使得多点备份产品所带来的挑战被进一步放大。即使是查找所需数据这样的简单任务,也会因为必须在多个地方查找而变得更加困难,导致无法满足恢复SLA。
纳入“未来指标”
快速变化下,虽然我们很难预测企业环境在未来几年可能需要什么,但是企业可以在“满足现有需求”的基础上,将“适应未来需求的能力”也纳入是否续订备份解决方案的评估指标。
首先,备份解决方案应该能够支持企业当下的所有数据。它应该能在本地、多云、混合、虚拟、物理、非结构化、SaaS、应用、容器等多种数据环境中进行备份,并能够跨云、跨程序地将数据恢复到需要的地点。该解决方案应当能提供统一、直观的用户界面,从而支持企业轻松管理跨全球数据工作负载的数据保护和恢复操作。它也应当具备内置的保护方案,从而确保备份数据本身不受勒索软件和其他恶意软件的威胁。
在此之上,备份解决方案应该能够帮助企业随着业务目标和支持技术的变化,轻松迁移数据或采用新的基础设施。该解决方案应当能够兼容混合环境,并能够灵活应对各种存储选项、云、API、工作负载。备份产品还应当能够灵活扩展和安装升级,但这种灵活性不应以备份方案功能为代价。此外,在不断增长的海量数据面前,人力和时间是有限的,企业应当寻求内置自动化和智能化功能的“自我驱动”型备份解决方案,从而实现对本地、云端、云之间等多种数据的高效管理。
第三方机构的评价也是企业决策时可以参考的因素之一。Gartner等行业分析机构会定期发布数据备份与恢复相关的报告。
Commvault智能数据管理平台
Commvault建立了备受信赖的数据保护方法,其数据保护产品组合得到了来自Gartner、Forrester、GigaOm等行业分析机构的肯定。近期,Commvault宣布其2023版智能数据管理平台已经全面可用。新版本延续了Commvault独特的数据管理能力,并面向数据安全中颇受关注的领域进行了更新,从而满足企业在数字经济时代的需求。
Commvault平台2023版继续为广泛的数据保护生态系统提供支持,新增多项深度集成,使客户能够更加轻松地保护他们在微软Azure、AWS云、谷歌云平台和Oracle云基础设施上的数据。在Commvault强大的多层勒索软件检测、保护和恢复框架的基础上,Commvault平台2023版为安全生态系统带来数据保护新洞察。Commvault也继续为企业提供降低数据成本的选择,从而满足企业通过优化成本预算来弥补安全和关键领域增加支出的需求。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。