CNET科技资讯网 12月2日 北京消息(文/齐丰润): 对于现代职场人士来说,每天的工作中都会产生大量的数据和文件,而且对于其中的一部分还会做许多备份,比如电脑、U盘、移动设备,甚至在云盘中都会备份一份出来。但其实在大多数情况下,这些数据和文件在用过之后,就会很少再被触及和使用,那么随之而来的财务、安全和数据管理风险也就随之而来了。
对此,Veritas Technologies发布了《数据囤积报告》,该报告是继数据及因项目之后,Veritas发起的另一项数据行为研究,旨在分析全球办公人员和IT决策者的数据存储习惯。
此次研究共对全球10,022名办公人员和IT决策者展开调研,深入了解企业员工的数据管理方式。结果显示,企业中的数据囤积现象严重,86%的中国IT决策者承认他们是数据和数字文件囤积者。88%的受访者表示,他们所存储的数据可能会对企业造成不利影响。这些数据包括:未加密的个人记录、申请其他公司职位的求职申请、未加密的企业机密信息以及令人尴尬的员工通信。
数据显示,中国的办公人群对于数据囤积者的不信任程度尤为明显,66%的中国办公人员承认,他们对数据囤积者能够及时提交项目,持有怀疑态度。这一结果远远超过49%的全球平均比例。受访者宁愿扔掉衣服或周末加班,也不愿删除他们所存储的文件。
虽然数据囤积带来了种种问题,但对于绝大多数的IT决策者来说,囤积数据的规模和数量已经远远超出了他们的承受能力。而造成这一问题的原因就是,大多数的办公人员由于旧文件的规模过大,而选择了放弃管理和删除这些文件,而这一比例在中国的办公人群中高达77%。
除了对工作和效率造成的影响,数据的囤积对于企业信息的安全也有着不小的威胁。93%的IT决策者表示,企业存储的数据量会增加企业响应数据泄露的时间。此外,所保留的数据本身也可能存在对企业造成潜在危害的风险。92%的IT决策者和83%的中国办公人员承认,自身所保留的内容可能会对企业及自身的事业前途造成不利影响。而且在所保存的“垃圾”数据中,个人文件占据了相当高的比例,99%的IT决策者承认在企业中保存了不必要的个人文件。
Veritas公司大中华区总裁萧建生表示:“在当今数字时代下,企业数据分布在不同平台,并呈现爆炸性增长。越来越多的企业正在面临数据激增所造成的复杂挑战。如果对这些数据置之不理,将对业务造成无法预估的不利影响。Veritas的调查表明,由于无法找到存储在企业系统中的文件,54%的中国中国办公人员承认曾经错过工作交期。95%的中国IT决策者认为企业计算机中存有对企业造成‘有害’影响的内容。随着企业纷纷开始数字化转型,企业对数据的有效管理和对信息的洞察能力,将有助于减少时间成本,提高企业的竞争优势。”
对于企业面临的如此严峻的问题,Veritas意识到,是时候该去帮助用户发现并解决数据囤积问题了。对此,Veritas推出了全新产品和解决方案战略,即为企业客户打造“企业数据管理平台”。
Veritas公司大中华区技术销售与服务总监郑欣蕾介绍说:“首先,企业数据管理平台能够为企业提供一个全新数据可见性、控制和访问的平台;第二,能够为企业控制数据;第三,企业能够设置访问权限;第四,该平台能够提供很好的数据保护。Veritas已经从传统提供数据保护、高可用技术产品的公司转型为提供企业数据管理平台的公司。”
“《数据囤积报告》体现了中国人习惯囤积数据的事实,以及囤积数据的习惯对企业、对个人所造成的影响。Veritas企业数据管理平台的概念,主要针对所谓企业数据管理的理念和想法,而跨平台整合是最重要的。所以,这些就是Veritas对数据的理念。”萧建生总结道。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了SPIRAL框架,通过让AI与自己对弈零和游戏来提升推理能力。实验显示,仅训练AI玩简单扑克游戏就能让其数学推理能力提升8.6%,通用推理提升8.4%,且无需任何数学题目作为训练材料。研究发现游戏中的三种推理模式能成功转移到数学解题中,为AI训练提供了新思路。
同济大学团队开发的GIGA-ToF技术通过融合多帧图像的"图结构"信息,创新性地解决了3D相机噪声问题。该技术利用图像间的不变几何关系,结合深度学习和数学优化方法,在合成数据集上实现37.9%的精度提升,并在真实设备上展现出色泛化能力,为机器人、AR和自动驾驶等领域提供更可靠的3D视觉解决方案。
伊利诺伊大学研究团队通过对比实验发现,经过强化学习训练的视觉语言模型虽然表现出"顿悟时刻"现象,但这些自我纠错行为并不能实际提升推理准确率。研究揭示了AI模型存在"生成-验证差距",即生成答案的能力强于验证答案质量的能力,且模型在自我验证时无法有效利用视觉信息,为AI多模态推理发展提供了重要启示。
MIT等顶尖机构联合提出SparseLoRA技术,通过动态稀疏性实现大语言模型训练加速1.6倍,计算成本降低2.2倍。该方法使用SVD稀疏性估计器智能选择重要计算部分,在保持模型性能的同时显著提升训练效率,已在多个任务上验证有效性。