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
牛津大学提出PHYSIFORMER,一种扩散变换器模型,通过三维网格顶点轨迹直接在世界坐标空间预测刚性与弹性物体的物理运动,一次性生成全序列轨迹,超越自回归基线。
随着医疗数据数字化与互操作性的进步,跨机构纵向患者数据的研究应用成为可能。本研究通过对20位领域专家的访谈,识别出8种数据收集方法,涵盖智能手机应用、结构化数据导出、区域/全国研究查询及聚合数据源等。研究发现,各方法均有其优缺点,无单一最优方案。参与者中介交换方式可绕过复杂治理安排,但存在数据缺口;全国性网络尚不支持研究查询。公共政策的持续推进将对该领域发展起关键作用。
研究发现主流奖励模型对同等质量答案给出差异悬殊的分数,并提出"奖励聚类"算法通过蒙特卡洛随机失活将连续分数离散化,在不重训模型的前提下有效减少AI训练中的奖励作弊现象。