SaaS数据保护提供商Druva推出了新的AI智能体,能够实时查询聚合备份数据,获取风险、异常和趋势的摘要,加速并简化备份数据管理。
该公司表示,传统上"备份智能仅限于静态仪表板和孤立报告"。在当今许多环境中,团队必须先将备份元数据提取、转换并加载到独立系统中才能进行分析,这既耗时又增加成本。通过使用图论映射备份元数据并让自然语言驱动的AI智能体搜索这些数据,可以消除这些限制。
Druva首席执行官兼联合创始人Jaspreet Singh表示:"备份一直是未开发的智能金矿,Druva通过不断扩展的AI智能体家族稳步释放这一潜力。借助Dru MetaGraph和新的DruAI智能体,我们正在迈出下一步,让每个团队都能查询和操作他们的元数据。这使备份智能的访问民主化,将其价值从IT和安全扩展到合规和法务等职能部门。"
Druva已经拥有一套数据、帮助和操作AI智能体,使客户能够通过一个命令恢复整个应用程序,编排完整的工作负载恢复,并消除手动拼接基础设施组件的需要。现在,该公司通过图映射其元数据并让两个新智能体访问这种图结构,提供实时备份管理智能和操作,更进一步。
Dru MetaGraph元数据基础将所有备份元数据(如文件属性、权限和身份信息)聚合到一个安全的元数据层中,结合图智能。它没有对元数据进行向量化,因为向量无法捕获备份元数据中事件和项目之间的关系。在图论中,实体(节点)及其关系(边)在图数据结构中表示。可以通过调查关系和互连的算法进行分析,以发现模式、预测结果和优化流程。
两个新的DruAI智能体使用此类算法查看MetaGraph并实时分析元数据关系和上下文。这可以"帮助组织精确定位风险、简化合规报告并提高运营效率——所有这些都无需移动或暴露数据"。
Dru Insights智能体具有实时智能功能,将复杂的元数据提炼为清晰、优先级明确的洞察——最重要风险、异常和趋势的摘要,以及处理它们的推荐步骤。
Dru Lifecycle智能体使管理员能够通过自然语言查询来识别过时或不合规的数据,在孤立账户成为风险载体之前发现它们,并大规模执行保留政策。客户可以询问诸如"显示不符合PCI(支付卡行业)保留合规性的数据"等问题。Lifecycle智能体将这些问题转换为对MetaGraph的查询并返回上下文答案,帮助团队找到需要行动的事项并实现行动。
DruAI可以为用户提供将结果显示为图表的选项,该图表可以固定到他们的仪表板上供将来使用。
Druva表示,管理团队可以按需提取完整的审计跟踪、日志和异常,以精确定位威胁、确认影响并立即触发正确的响应。他们可以实时检测异常模式、政策违规或可疑活动,然后立即采取行动遏制它们。团队还可以查看备份趋势,检查许可证使用情况,在几秒钟内验证政策覆盖范围,并当场进行更改。
Dru MetaGraph和所有DruAI智能体完全在Druva平台内运行,仅分析元数据,而非实际客户数据。每个客户在其租户中都有自己独立的MetaGraph,具有端到端加密并符合FedRAMP、SOC 2和GDPR等全球标准。客户数据永远不会离开其边界。Druva使用私有检索增强生成(RAG)和隔离的大语言模型来提供准确、上下文感知的答案,而不暴露信息或在租户间共享数据。
Insights智能体今天正式发布。Lifecycle智能体将很快推出。
Q&A
Q1:Dru MetaGraph是什么?它有什么作用?
A:Dru MetaGraph是Druva开发的元数据基础设施,它将所有备份元数据(如文件属性、权限和身份信息)聚合到一个安全的元数据层中,结合图智能技术。通过图论映射备份元数据,让AI智能体能够实时搜索和分析这些数据,发现模式、预测结果并优化流程。
Q2:DruAI智能体能帮助解决哪些实际问题?
A:DruAI智能体可以帮助组织精确定位风险、简化合规报告、提高运营效率。Insights智能体能提供风险、异常和趋势的摘要及处理建议;Lifecycle智能体能通过自然语言查询识别过时或不合规数据,发现孤立账户,大规模执行保留政策,实时检测威胁并立即响应。
Q3:使用DruAI智能体的数据安全性如何保障?
A:所有DruAI智能体完全在Druva平台内运行,仅分析元数据而非实际客户数据。每个客户在其租户中都有独立的MetaGraph,具有端到端加密并符合FedRAMP、SOC 2和GDPR等全球标准。客户数据永不离开边界,使用私有检索增强生成和隔离的大语言模型确保信息安全。
好文章,需要你的鼓励
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。