SaaS应用保护服务商Keepit正在运用AI技术扩大其可保护的SaaS应用数量。
该公司提供了不同于HYCU和Druva等其他SaaS应用保护服务商的解决方案,通过使用自有数据中心存储备份数据,而非依赖AWS、Azure或其他第三方公有云。在A3 Tech Live会议上,公司表示典型企业和组织使用超过100个SaaS应用,这些应用存储客户数据但缺乏保护措施。Keepit的目标是使用其领域特定语言(DSL)方案备份数百个SaaS应用。
这是一种连接器代码编写概念,一旦理解了SaaS应用的API访问路径,就使用DSL框架生成代码,将Keepit的快照模型备份软件功能与应用连接。当客户注册使用Keepit保护其应用账户内的数据时,Keepit的连接器会通过这些API访问应用并复制客户数据。
产品管理总监Mark Groves表示,目前Keepit保护13个SaaS应用,比4月份的7个有所增加,还有一个即将推出,目标是到2028年保护超过100个,甚至数百个应用。因此需要提升连接器生产速度。
会议展示了Keepit 2025年SaaS应用工作负载生产时间表:
7月 - Confluence、Jira
8月 - Okta
10月 - Docusign Power apps、Power Automate、Okta
11月 - Bamboo
12月 - Miro
2026年1月 - GitHub、Okta
2026年2月 - ProService Management
未来可能涵盖的应用还包括ChatGPT、GitLab、ServiceNow、QuickBooks、Trello、HubSpot、Auth0、Workday、Figma、Notion、Slack等。
Keepit客户可以通过其网站界面投票选择未来希望支持的SaaS应用。
连接器生产过程包含两个主要阶段:工作负载API发现和代码编写。SaaS应用内部可能存在多个工作负载或模块,如Jira和ServiceNow,连接器编写者必须理解这些并决定保护哪些模块。
Groves表示API发现是一个重大问题。人工发现特定SaaS应用的所有API功能和设施可能需要数天甚至数周时间。Keepit正在开发内部AI工具来协助这项工作。他说该工具可能运行一小时左右就能生成应用API环境的完整图景,然后将其输入DSL框架,在AI辅助下更快速地开发连接器。
Keepit还在其系统中添加MCP(模型上下文协议)接口,使客户能够通过ChatGPT等聊天机器人询问:"我的Okta备份状态如何?"
ChatGPT或其他大语言模型会查询Keepit系统,使用MCP连接其公共API,获取请求答案,并以自然语言形式呈现给客户。
Groves表示:"外部大语言模型可以与Keepit基础设施'对话'。"
这将提供更快速、更深入的备份统计分析,更便捷的审计日志数据汇总,对Keepit异常检测系统的快速分析。总体而言,将有更好的方式评估和分析SaaS应用数据保护的健康状况和状态。MCP功能将在一两周内以预览模式推出。
公司还在考虑备份数据的长期保存问题,如旧的SharePoint和Salesforce数据。这些数据对AI分析可能很有价值,但访问频率低,属于冷数据。离线磁带将是明显的目标设备技术,这可能是2026年的项目。
Q&A
Q1:Keepit是什么?它与其他SaaS保护服务有什么不同?
A:Keepit是一家SaaS应用保护服务商,其独特之处在于使用自有数据中心存储备份数据,而非依赖AWS、Azure等第三方公有云。它通过领域特定语言方案来备份SaaS应用,目标是保护数百个SaaS应用。
Q2:Keepit如何使用AI技术提升连接器开发效率?
A:Keepit开发了内部AI工具来加速API发现过程,该工具可在约一小时内生成应用API环境的完整图景,而人工发现可能需要数天甚至数周。然后AI辅助DSL框架快速开发连接器代码。
Q3:什么是MCP功能?它能为用户带来什么便利?
A:MCP是模型上下文协议接口,允许用户通过ChatGPT等聊天机器人询问备份状态。大语言模型会查询Keepit系统并以自然语言回答,提供更快速的备份统计分析、审计日志汇总和异常检测分析。
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。