RDI 多数据源管道:把分散的数据汇入统一 Redis 数据层
现代应用很少只依赖一个数据库。数据可能分布在不同区域、业务部门和分片中,也可能来自完全不同的技术栈。如果每增加一个数据源,都要单独建设和维护一套集成部署,实时数据架构会越来越复杂。 Redis Data Integration(RDI)正在简化这一过程:已经推出的多数据源管道,可以把多个源数据库接入同一条同步管道;后续规划中的多管道支持,则进一步面向整个集成部署的整合。这两项能力解决的是不同层面的问题。
Search on Flex:用分层存储承载更大规模的 Redis 搜索索引
商品目录增加属性,风控查询扩展到完整历史,RAG 从部分文档扩展到整个知识库,都会推高搜索索引的规模。单项需求可能并不激进,但叠加之后,把整个索引放在 RAM 中的成本就可能超出预算。
新品|美创发布诺亚星盾终端数据安全
终端作为人员、应用、数据交汇的关键节点,已成为数据泄露风险高发地带。 在近日召开的浙江乌镇2026年世界互联网大会“互联网之光”博览会数智创新发布——“网络空间安全治理”发布会暨产业对接活动上,杭州美创科技股份有限公司(以下简称“美创科技”)正式发布“诺亚星盾终端数据安全”,聚焦终端数据的安全使用与流转。
2026 数据治理选型:七家功能清单差不多,差距在三年总账
选型会开到第三轮,功能对照表已经填满,然后卡在同一个地方:同样是数据治理平台,报价能差三倍,这差价到底买的是什么。真正决定这笔钱值不值的,不是那张功能表,是三年里会被反复收的四笔钱。而四笔钱里,只有第一笔写在报价单上。一、需求诊断:先分清你要治的是哪一类问题数据治理是个统称。四类完全不同的问题混在一个项目里立项,是后期扯皮的起点。第一类是找不到。知道库里有这张表,不知道在哪个系统、谁在维护、上游改
OpenAI 说 AI 越来越懂人类了,但“懂”的边界在哪里?
OpenAI 近期释放出一个信号——其 AI 在处理人类活动方面正变得越来越出色。这句话听起来像一句常规的产品进展通报,但放在当下的大模型竞争语境里,它其实指向一个更根本的转向:AI 的能力评价标准,正在从“能不能答题”迁移到“能不能办事”。本文尝试从媒体视角拆解这一表述背后的含义、它成立的前提,以及我们应当保持的审慎。 “处理人类活动”是个比“通过考试”更难的命题 过去两年,衡量大模型进步的公开标尺大多集中在知识问答、代码生成、数学推理这类“封闭题型”上。这类任务的特点是边界清晰、答案可验证,模型表现好坏一目了然。但“人类活动”是另一回事。 依据现有素材判断,OpenAI 所说的“处理人类活动”,指向的应是模型在真实、开放、多步骤场景中的表现——理解模糊指令、调用工具、在多轮交互中保持目标一致、对上下文中的隐
数据共享不该成为业务减速带:从“给不给”到“怎么给”的工具化思维
“客户向我们要数据,给还是不给?”这几乎是每一家进入数字化协作深水区的企业都会遇到的拷问。给,担心合规风险、数据泄露、商业机密外流;不给,担心客户关系受损、项目进度停滞、合作机会流失。多数团队的默认反应是“先评估一下”,于是法务、安全、业务、IT 四方会审,一封邮件来回两周,原本三天能推进的事拖成了一个月。 问题的根源往往不在“要不要共享”,而在于企业缺少一套按关系匹配工具的共享方法论。数据共享不是一道是非题,而是一道匹配题:关系越紧密、场景越明确、数据越敏感,对应的工具与机制就应该越精细。把这道匹配题做对,数据共享就能从业务减速带变成业务加速器。 传统数据共享的三重负担,正在悄悄拖慢进度 在讨论工具之前,先要看清“传统数据共享”到底重在哪里。依据行业普遍观察(依据现有素材判断,本文不引用具体调研数据),传统共
SphereEx 官网焕新上线|聚焦数据安全与 AI 数据访问
SphereEx 官网焕新上线,围绕数据安全、AI 数据访问、数据库访问增强与数据库替换,集中呈现四大产品及五类解决方案,为客户了解产品、评估方案和开展技术交流提供参考。
数据与 AI 资产共享:从“不敢共”到“安全共”的产业跃迁
数据要素与 AI 模型正在成为企业最核心的生产资料,但“共享即失控”的担忧长期压制着它们的流通价值。依据现有素材判断,行业尚未形成统一的技术与治理范式,但“可安全共享”已经从愿景走向可工程化的路径。本文尝试从媒体视角,拆解这一转变背后的逻辑、障碍与可行解法。 为什么“共享”成了 AI 时代最难也最值钱的事 过去几年,企业对数据和 AI 资产的态度可以用一句话概括:知道它有价值,但不敢让它离开自己的边界。 这种谨慎并非没有道理。数据一旦被复制、导出、二次分发,原始持有方几乎失去控制权;模型一旦以权重或 API 形式对外,训练数据中的敏感信息、商业机密乃至模型本身的竞争壁垒都可能被逆向或泄露。于是出现了一个悖论:越是高价值的数据和模型,越倾向于被锁在内部;而越是被锁住,其价值就越难被释放。 从媒体视角看,这一悖论正
开放共享,还是“开放”地共享?数据协作工具的路线之争
数据协作工具这几年被反复讨论,但讨论常常停留在功能清单的对比上——谁能连更多数据源、谁的权限更细、谁的看板更好看。真正决定一款工具长期价值的,其实是它对“开放共享”这件事的态度:是把开放当成一种接口能力,还是把它当成一种协作制度。这两种理解,正在把同类产品推向完全不同的方向。 “开放共享”被说滥了,但它其实有两个完全不同的含义 在数据协作领域,“开放共享”几乎是一个不需要论证的正确口号。厂商发布会讲它,采购标书里写它,团队内部的协作规范也把它列为原则。但正因为人人都在说,这个词的含义反而变得模糊。 依据现有素材判断,行业内对“开放共享”至少存在两种理解,而这两种理解对应着完全不同的产品设计逻辑。 第一种理解是接口层面的开放。工具提供 API、支持多种数据源接入、允许导出、兼容主流格式,数据能进能出,不被锁死。这
数据主权时代:安全、监管与经济主权的三重博弈
科技行业对数据的讨论长期集中在两个维度:一是技术维度,如何采集、存储、处理;二是商业维度,如何变现、如何驱动增长。但当数据成为国家竞争力的核心要素、成为跨境流动的战略资源、成为人工智能时代的“新石油”时,仅仅从技术和商业角度理解数据已经远远不够。数据还涉及安全、监管和经济主权问题——这三个维度正在重塑全球科技产业的底层逻辑,也在重新定义企业、市场与国家之间的关系。 依据现有素材判断,本文不引用具体立法条文、不列举特定国家的最新政策细节,而是从媒体观察的角度,梳理数据在安全、监管与经济主权三个层面上的结构性张力,并给出趋势判断。 安全维度:数据不再只是资产,而是风险载体 从“数据是资产”到“数据是攻击面” 企业过去习惯把数据当作资产来经营:用户数据越多,画像越精准,商业价值越高。但随着数据规模膨胀、数据链路拉长、
数据空间治理:跨组织数据流通的信任机制
导语 数据要素的价值,往往不在数据产生的组织内部被充分释放,而在跨组织、跨行业的流通与融合之中。然而,数据一旦离开原有边界,供给方就面临失控风险:数据被谁使用、用于什么目的、是否二次扩散、是否合规销毁,都难以确知。数据空间(Data Space)作为一种面向可信流通的技术与治理架构,正是为回应这一矛盾而提出。本文围绕跨组织数据流通中的信任问题,梳理数据空间治理的核心机制与关键挑战。 一、为什么跨组织数据流通需要“治理”而非仅“技术” 传统的数据交换方式——文件传输、API 对接、数据仓库汇聚——大多假设参与方之间存在较强的信任基础,或通过合同与事后审计来约束行为。但在数据要素市场化配置的语境下,参与方往往是彼此陌生的企业、机构甚至竞争对手,信任基础薄弱,而数据的可复制性又使得“交付即失控”成为常态。 由此产生三
医疗电子病历数据治理:隐私保护、标准化与科研利用
导语 电子病历(EMR)已经成为医院信息化的核心数据资产,但“有数据”不等于“能用数据”。在临床诊疗、医院管理和科研分析之间,电子病历数据往往面临三重张力:隐私合规要求越来越严,数据标准不统一导致跨系统难以互通,科研利用又需要高质量、可追溯的数据供给。本文围绕隐私保护、标准化与科研利用三个维度,梳理电子病历数据治理的关键问题与可行路径。 一、为什么电子病历数据治理难度高 电子病历数据具有几个天然特征,决定了治理不能靠单点工具解决: 多源异构 :门诊、住院、检验、影像、护理等系统各自产生数据,字段定义、编码体系、时间粒度不一致。 强隐私属性 :数据中包含身份信息、联系方式、就诊记录等敏感内容,直接用于分析存在合规风险。 质量参差 :自由文本、结构化字段、模板录入并存,存在缺失、重复、口径不一致等问题。 科研需求多
报表治理与报表下线:僵尸报表识别与资产清理
导语:报表越建越多,真正被使用的却越来越少。当 BI 平台上的报表数量从几十张膨胀到几千张,企业往往同时面对两个问题:一是“找不到想要的数”,二是“没人敢删旧报表”。报表治理与报表下线,正在成为数据资产运营中不可回避的一环。本文围绕僵尸报表的识别思路与资产清理的落地路径展开讨论。 一、为什么报表会“越治越多” 在多数企业里,报表的创建成本远低于它的维护成本。业务方提一个需求,开发一张报表,上线之后便很少有人回头审视它是否还有价值。久而久之,报表平台会积累大量低使用率、无明确负责人、口径重复甚至相互矛盾的报表。 报表治理的核心矛盾并不在于“技术手段不够”,而在于缺少一套持续运转的机制:谁来定义僵尸报表、谁来确认下线、下线后如何兜底。如果只做一次性清理,几个月后报表数量又会回到原点。 二、什么是“僵尸报表” “僵尸
图数据治理:节点、边、图谱版本与访问控制
导语:当图数据库从“技术验证”走向“生产核心”,治理问题会迅速浮出水面。节点和边不只是数据,更是业务语义的载体;图谱版本不只是快照,更是可追溯的契约;访问控制也不只是权限表,而是图结构上的细粒度边界。本文围绕这四条主线,梳理图数据治理的关键问题与落地思路。 一、为什么图数据需要“治理”而不是“管理” 传统数据治理关注的是表、字段、指标与血缘。图数据在此基础上多了一层结构性挑战: 语义存在于连接之中 。 一个节点类型(如“企业”)的含义,往往由它与“法人”“股东”“供应商”等节点的边共同定义; 一条边的方向、权重、时间属性,可能直接决定风控、推荐或反欺诈模型的结论; 图的“正确性”不仅取决于单点数据是否准确,还取决于拓扑关系是否完整、是否存在孤立节点、是否有环、是否有重复边。 因此,图数据治理至少需要回答四个问题
主数据平台建好了,数据质量还是差?AI 原生 MDM 走改造增量路线
不少企业已经上线主数据管理平台,打通系统、集中数据,却陷入一个普遍困境:平台在跑,但数据质量始终不理想。同一物料在 ERP、MES 中名称不一致,规格型号大量缺失、格式混乱,重复数据反复出现,业务人员使用前仍要人工核对。传统 MDM 核心解决数据汇聚与流转,很难实现数据质量的长效管控,它只是把数据集中起来,没办法自主持续纠错、保持数据可用。随着 AI 从工具变成系统内核,AI 原生 MDM 提供了
2026 数据治理平台选型:七家厂商分项评估,治理成果能不能被机器接手
数据治理平台的功能清单摊开,七家的模块名几乎都能对上,真正拉开差距的是治理做完之后留下的东西能不能被机器直接接手。这篇按「厂商概况 + 五项能力分项评估」逐家拆开,每家写清技术路线、强项落在哪几项能力、短板在哪、适合谁,不打分也不排座次。一、测评背景:选型困惑为什么反而变多了1.1 市场驱动因素2026 年国内数据治理的采购动机变了。过去买治理平台是为了应付监管报送和内部审计,现在多了一条更硬的驱
新品|美创AI数据安全一体化平台AIDSC正式发布
11月2日,2026年世界互联网大会“互联网之光”博览会在浙江乌镇开幕。博览会期间,杭州美创科技股份有限公司(以下简称“美创科技”)正式发布美创AI数据安全一体化平台(AIDSC)。平台面向大模型与智能体融入企业业务带来的数据安全挑战,将身份、权限、数据访问与审计处置相衔接,帮助企业在释放AI应用价值的同时,管好数据的访问与使用。
2026 终端安全选型必看:内行人只比这 6 个维度!
如果你是一家企业的老板或实际管 IT 的人,下面这个场景大概率不陌生:某天早上到公司,财务说电脑里的文件全变成了打不开的乱码,桌面多了一张勒索信;或者业务负责人告诉你,一个跟了半年的客户被同行截了,对方手里有完整的报价底价。
2026 数据治理平台六家横评:治理做完了 AI 还是用不上,问题出在治理成果的形态
数据治理项目验收那天,台账、标准、质量报告一样不缺,可业务部门把 AI 接上去一问,模型还是答不准。差别不在模块多少,在治理成果最后长成了什么形态:给人看的文档,机器读不懂;机器能直接调用的知识,才托得住智能体。这篇不打分,按「治理成果的形态」把六家平台逐家拆开,每家写清技术路线、强项落在哪几项能力、短板和适用场景。一、市场正站在一个分岔口:从「管住数据」到「喂饱模型」2026 年国内数据治理市场
主数据项目验收即停摆?传统 MDM 的病根,是规则永远写不完
在集团企业主数据治理项目里,一个很普遍的现象值得深思:预算顺利获批,MDM 平台如期上线,项目圆满验收。可热闹过后,客商、物料主数据的质量问题依旧反复冒头。业务人员觉得系统难用不愿使用,主数据标准跟不上业务迭代,跨系统口径不一致的老难题,一个都没有解决。平台还在正常运行,数据治理却慢慢停摆。很多项目复盘,习惯把锅归结为 “业务不配合” 或者 “历史数据底子太差”。但更深层的症结是:传统 MDM 采