数据治理与安全几乎是每家企业的首要关注点,而组织内几乎各个方面的数据都呈现出指数级增长,这也让数据治理和安全变得愈发重要。随着数据量不断增长,监管要求也越来越晋升,因此组织必须采取全面且用户友好的治理解决方案。
为了满足这些需求,微软发布一系列强大的Fabric平台更新方案,大大增强了其数据治理与安全功能。具体更新包括与Microsoft Purview的深入集成,同时提供新的AI驱动工具以更好地管理、保护并统筹庞大的数据资产。
此番更新涵盖新的细粒度数据管理工具,为用户提供新的高级标记与域控制选项,以及扩展的安全功能,特别是将增强的数据丢失预防与敏感度标签引入Fabric和Microsoft 365环境当中。
细粒度数据管理:更强大的标记和域控制选项
Purview最重要的更新之一,就是引入了细粒度数据管理功能,包括新的项目标记与增强域控制选项。现在用户能够将元数据标签应用于Microsoft Fabric上的数据资产,从而实现更好的组织、可搜索性和可及性;标记还能提供数据上下文,这一点对于管理庞大且往往难以处理的数据资产至关重要。
微软还推出了新的增强型域管理工具,将更精细的控制权交到企业主手中。默认敏感度标签和域级共享设置等功能,则让大规模数据治理策略的实施成为可能。
统一的治理解决方案
几乎每家企业都拥有跨越多种云、本地部署及SaaS环境的数据资产。微软宣布Purview将与Fabric实现更加深入的集成,将所有这些边界之上的合规与治理体系整合为一体。
新的统一体验将超越Purview与Fabric,一路延伸至Microsoft 365。Microsoft 265与Fabric之间的全面集成,意味着Microsoft 365也能够运用Purview提供的全新信息保护功能。
例如,Purview允许企业将Microsoft 365敏感度标签应用于Fabric项目,其效果等同于指向Microsoft 365中的文档或电子邮件。如此一来,安全管理员就能根据敏感度来定义谁有权访问特定数据,从而确保机密信息受到保护且只有授权人员能够访问。
Purview还将Microsoft 365 DLP策略扩展至Fabric,允许管理员检测并防止敏感数据(例如个人身份信息)被不当共享或者上传。如果用户尝试将敏感数据上传至Fabric数据湖仓,DLP策略将会触发警报及审核,并为用户提供指导以帮助他们亲自解决问题。
这种高水平集成确保整个组织拥有统一的数据资产治理与安全保障方法,全面涵盖Fabric中的运营数据以及Microsoft 365中的用户生成内容。这是一套强大的功能,也将成为微软又一项强大的竞争优势。
分析师观点:对于企业客户的重要意义
对于数据治理及合规能力的需求增长,主要受到以下两大核心要素的推动:AI转型与AI监管。微软通过Fabric和Purview的组合有效解决了这两个问题。
其中AI转型由数据驱动,其成功程度与应用程序所使用的数据质量成正比。对于面对严格监管的行业(例如金融、医疗保健和制造业),相关企业必须在运营体系中充分引入完善的治理和安全功能。
在发布之前,我们专门采访了负责Purview开发的微软Azure Data副总裁Arun Ulag。Ulag解释称,微软将治理和保护视为“端到端工作”。其中的挑战在于,数据开始越来越多地分布在应用程序和云边界之间。
除微软之外,市场上的其他科技巨头也纷纷拿出自己的解决方案。亚马逊云科技拥有Glue Data Catalog和Macie解决方案等工具,Google Cloud则为客户带来了Google Data Catalog以及Google Cloud DLP解决方案。此外Collibra、Informatica和OneTrust等厂商也有同类竞争性产品。微软的特别之处在于,他们通过一套深度集成的解决方案(涵盖Microsoft 365)来解决这个问题,确保数据无论处于何处都能得到妥善保护。
无论企业是否投资Microsoft Purview,都有必要投资建立起一定水平的治理能力。IT部门的职责就是保护现有数据,同时为应对监管收紧和在AI工作流中使用敏感数据所引发的前瞻性挑战,做好充分的准备。Purview等工具正是为此而生。
微软通过Purview提供了一个引人注目的选择。其先进的标记、域管理、强大的安全功能以及与Microsoft 365/Fabric的全面集成,为整体数据资产的管理工作提供了全面、可扩展的解决方案——这也切实贴合了企业客户改善治理、增强安全能力的迫切愿望。
好文章,需要你的鼓励
这项由索非亚大学INSAIT和苏黎世联邦理工学院共同完成的研究,揭示了大语言模型在数学定理证明中普遍存在的"迎合性"问题。研究团队构建了BrokenMath基准测试集,包含504道精心设计的错误数学命题,用于评估主流AI模型能否识别并纠正错误陈述。
约翰斯·霍普金斯大学研究团队提出了创新的隐私保护AI文本生成方法,通过"控制代码"系统指导AI生成虚假敏感信息来替代真实数据。该方法采用"藏身于众"策略,在医疗法律等敏感领域测试中实现了接近零的隐私泄露率,同时保持了高质量的文本生成效果,为高风险领域的AI应用提供了实用的隐私保护解决方案。
实验室和真实使用测试显示,iPhone Air电池续航能够满足一整天的典型使用需求。在CNET进行的三小时视频流媒体压力测试中,iPhone Air仅消耗15%电量,表现与iPhone 15相当。在45分钟高强度使用测试中表现稍逊,但在实际日常使用场景下,用户反馈iPhone Air能够稳定支撑全天使用,有线充电速度也比较理想。
这项由Reactive AI提出的稀疏查询注意力机制通过减少查询头数量而非键值头数量,直接降低了注意力层的计算复杂度,实现了2-3倍的训练和编码加速。该方法在长序列处理中表现出色,在20万词汇序列上达到3.5倍加速,且模型质量损失微乎其微,为计算密集型AI应用提供了新的优化路径。