如果你的办公室已经拥有了大量的存储空间。它可能成为存储区域网络(SAN),网络附加存储(NAS),和服务器相当的混合。最近,员工已经开始使用智能电话和Chromebook,而不是个人计算机工作。云将让您的移动员工更加容易的共享您的文件。
那么,我们需要一个很好的替代品来充分利用您现有的存储基础架构,同时提供云友好,带给自己动手设备(BYOD)的做法是新ownCloud7企业版。
最近,ownCloud7企业版面世,其体系结构基于开源基础架构即服务(IaaS),可以访问,控制和管理整个企业的数据孤岛的文件。你和你的系统管理员去选择哪个服务器,你就可以拥有你的私人ownCloud。有了它,你可以控制你的用户在整个现场存储设备和私有/混合云存储服务访问文件。例如,您的IT管理员可以快速集成ownCloud与现有的Active Directory(AD)和/或轻量目录访问协议(LDAP)。
与此同时,用户可以轻松地从智能手机,平板电脑和PC访问您的数据存储,就好像这些是一个统一的存储设备。与此同时,随着ownCloud的服务器到服务器共享功能,在一个ownCloud安装用户可以无缝地共享上的不同ownCloud的安装文件,用户无需使用共享链接。因此,你可以保留自己的私人ownCloud的隐私和控制,同时获得使用公共云文件共享的灵活性和易用性。
“每个组织都有一个问题,数据的蔓延,以及流动性只是让情况变得更糟,”企业战略集团高级分析师Terri麦克卢尔说。 OwnCloud的“特殊酱汁是从一个点让员工访问所有的数据,无论他们使用什么设备,以避免更多的冗余,仍然保持它在控制。”
OwnCloud这是否与新的通用文件访问。这提供了一个共同的文件访问层整个组织,数据是否驻留在内部服务器上的对象存储,在这样的SharePoint或扎,其他ownClouds,甚至是外部云系统,如Dropbox的,谷歌,亚马逊和应用。在公共云的情况下,文件同步到桌面或移动应用程序,使它们可脱机使用。
此外,这个最新版本中,用户现在可以访问和同步所有的SharePoint2007年,2010年,和2013年的内容通过ownCloud。系统管理员也可以单独根据需要,为用户提供随时随地添加SharePoint文档库,随时随地访问,同时尊重现有的访问控制列表(ACL)来控制文件。
Windows网络驱动器的集成也得到了提高。该公司声称,它比以往更容易“管理员安装Windows网络驱动器的用户,一组或整个ownCloud实例。如果一个组织有一个或多个网络驱动器,这些都可以由管理员添加和应用到实例。然后,用户可以访问所有的网络驱动器在一个单一的文件夹结构,所有的本地的ACL得到尊重。“
最后,对象存储 - 如雨燕,在OpenStack对象存储和亚马逊S3 - 现在可以用来作为主存储。管理员可以混合和匹配所有这些不同形式存储到最适合自己的用户的需求。
“组织已经花费数年时间构建复杂,异构的IT环境,以支持其业务流程,”马库斯·雷克斯,ownCloud在一份新闻稿中说,公司首席执行官。 “而现在,通过引入公共云和消费级的文件同步和共享应用程序,它只是变得更加复杂 - 一个真正的非结构化数据的混乱增加复杂性和成本,以及严重的安全性和私密性灾害的潜在OwnCloud优惠。 IT的能力给员工快捷方便地访问他们的文件 - 他们居住在哪里,不管 - 并提供了一个数据管理层,允许IT维护完整的基于策略的控制,并与他们现有的工具和流程整合“
好文章,需要你的鼓励
谷歌发布数据共享模型上下文协议服务器,使开发者和AI智能体能够通过自然语言访问真实世界统计数据。该服务整合了政府调查、行政数据和联合国等全球机构的公共数据集。新服务旨在解决AI系统训练中常见的数据噪声和幻觉问题,为AI提供可验证的结构化信息。谷歌还与ONE Campaign合作推出数据智能体工具,该开源服务器兼容任何大语言模型。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
微软宣布从周三开始将Anthropic的AI模型集成到其Copilot助手中,此前该助手主要依赖OpenAI技术。企业用户可在OpenAI的深度推理模型和Anthropic的Claude Opus 4.1、Claude Sonnet 4之间选择,用于复杂研究和构建定制AI工具等任务。此举标志着微软与OpenAI这对曾经独家合作伙伴关系的进一步松动。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。