数据管理软件公司Cohesity今天表示,将与AWS合作创建一种新的基于云的数据管理即服务(DMaaS)产品。
这款新产品将面向那些希望通过更简单的方法来备份、保护、管理和分析数据的大中型企业。Cohesity表示,将通过Helios平台管理这款DMaaS产品,并将其托管在AWS上。
Cohesity称,双方用了18个月打磨这款新产品。亚马逊还对Cohesity进行了未公开的投资。今年4月Cohesity获得2.5亿美元融资之后,最新估值为25亿美元。
Cohesity把赌注压在了客户更愿意以基于消费的定价模式管理数据,而不必担心基础设施的管理。而客户使用Cohesity的传统数据管理软件产品,就必须自己管理基础设施。
Cohesity创始人兼首席执行官Mohit Aron向《华尔街日报》表示:“一个典型的[企业]客户在数据中心和云中有各种各样不同的供应商。他们希望能够简化一些。”
Aron说,企业数据管理操作通常非常复杂,涉及提供分析、备份、灾难恢复和存储的多家厂商,还需要大量的人员。
这项新服务让企业能够订购可解决多种场景的各种数据管理产品,从而帮助他们整合供应商和数据孤岛,此外还提供对本地和云环境的管理、策略管理、通过机器学习提供的安全性和勒索软件检测,以及基于消费情况的定价模式。
他说,该服务中首款推出的产品是Cohesity DataProtect备份即服务产品,目前已经进入早期可访问使用的阶段。
此外,客户还可以访问使用一系列AWS服务,例如使用机器学习保护敏感数据的Amazon Macie,使开发人员和数据科学家更轻松构建、训练和部署人工智能模型的Amazon SageMaker。
AWS Americas业务部门负责 ISV关系的总经理Sabina Joseph表示,AWS最终计划围绕分析和数据仓库为Cohesity DBaaS新产品上管理的数据提供更多服务。
Constellation Research分析师Holger Mueller认为,在疫情期间企业汲取的最大经验,就是他们要转移资本支出,通过技术和商业弹性将IT和成本与业务成功挂钩。
Mueller说:“这就需要Cohesity这样的关键基础设施供应商。这对AWS将是一个重大的胜利。但另一方面,那些选择其他云平台的客户可能并不会积极地将数据迁移到AWS来利用这一优势。”
Cohesity表示,将从本月开始为客户提供早期访问通道,并在AWS美国东部和西部地区提供免费试用,预计12月左右在亚马逊举办年度re:Invent大会期间全面上市。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。