数据虚拟化领域的企业 Denodo 今日宣布,随着合作伙伴生态系统的不断壮大,其在大中华区的业务发展蒸蒸日上。鉴于数据虚拟化技术日渐成为企业数字化转型、高级分析以及混合云/多云解决方案的关键组成要素,合作伙伴的兴趣也随之激增。Denodo 大中华区总经理吴韶益负责领导Denodo的大中华团队,他拥有超过 25 年的业内经验,之前曾在 Informatica、Oracle 和微软等大型企业软件供应商中担任领导岗位。
Denodo大中华区总经理吴韶益表示:“Denodo 是数据虚拟化领域当仁不让的领导者,我非常高兴能够带领公司的大中华区销售团队,推动我们在亚太地区取得下一阶段的增长。我将着力提升 Denodo 品牌及产品的知名度,打造我们在制造业、零售业、制药业和汽车业等重要行业的影响力。”
现如今,各行各业的公司使用云或本地部署来集成企业数据,创建物理数据仓库或数据湖。随着企业开启数字化转型之旅,几乎每一家公司都从实时生成数据驱动的洞察来进行预测分析或高级分析中看到了巨大价值,而旧有的物理数据仓库却在掣肘他们。数据虚拟化技术不仅有助于实时生成洞察,还能在物理数据存储上创建一个抽象层。借助此抽象层,IT 团队可以在不影响业务连续性的情况下迁移至云端,实现企业架构的现代化。去年,Denodo 与伊登软件、弘一资讯(Retailsys)、资拓宏宇(IISI)和自动系统集团有限公司(ASL HK )等大型区域软件集成商合作伙伴,以及 AWS、Azure 和 Google Cloud Platform等著名技术合作伙伴建立了合作伙伴关系,彰显出企业对数字虚拟化的高昂热情。
伊登软件副总裁孙军远表示:“伊登很荣幸加入 Denodo 合作伙伴计划,成为 Denodo 中国最大的合作伙伴,帮助我们的客户开展高质量的大数据分析项目,并创造具有影响力的业务成果,令我们深感自豪。事实证明,对于许多大型企业而言,Denodo 的数据虚拟化技术和逻辑数据结构层可谓是他们成功开展实时大数据分析项目的关键,我们期待与 Denodo 建立长期、成功的合作伙伴关系,从而为我们的客户提供更有力的帮助。”
最近,Denodo 将其产品再度升级,发布了 Denodo 平台版本 8,旨在帮助组织顺利创建企业逻辑数据结构(Data Fabric)。通过基于机器学习的推荐、智能查询加速以及适用于 PaaS 支持的自动化基础架构管理,Denodo 进一步增强了其数据集成和数据管理功能,确立了其在 Gartner 数据集成工具魔力象限和 Forrester 企业数据结构 Wave 报告中的领导者地位。
吴韶益总结道:“Denodo的愿景是,成为行业领先的数据虚拟化和逻辑数据结构供应商,通过创建逻辑数据层,帮助企业集中管理分散的数据,提升敏捷性,降低系统维护的复杂程度。借助此方法,用户可以从高性能的单一访问点获取任何信息,并使其灵活地选择自己喜欢的应用程序来使用信息。同时,数据虚拟化还消除了移动或复制数据的必要性,在带来技术优势的同时,还能节省 50% 至 60% 的数据集成成本。”
除此之外,AWS、Azure 和 Google Cloud Platform等主流云应用商店均提供 Denodo 产品和服务。Denodo 的许多客户,包括东盟地区的一些巨头,比如丰田阿斯特拉汽车公司,也使用 Denodo 产品和服务来集成云端数据源,或者迁移至云端。
Denodo 创始人兼首席执行官 Angel Viña 表示:“我们的目标一直是,通过实时统一数据资产,转变企业的创新和业务运营方式。2019 年,我们在亚太地区取得了辉煌的增长,许多新客户纷纷利用 Denodo 满足不断变化的数据环境的需求,这让我们更清晰地意识到,我们需要在大中华区建立业务运营部门,帮助该地区的公司更快、更好地开展创新工作。2020 年对全世界来说都可谓是异常艰难的一年,但这也意味着,在 2021 年,几乎所有公司都会着眼于利用数据虚拟化等技术,在后新冠时代无缝推进其业务发展。”
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。