毕马威与Aiimi合作推出工作场所AI平台 - 毕马威宣布与英国公司Aiimi合作，推出一个用于数据治理的工作场所AI平台，旨在管理敏感信息并从其数字资产中提取洞察，以支持公司大规模治理数据和鼓励采用AI的目标 [1] Aiimi公司及其平台技术 - Aiimi的平台利用AI帮助企业定位、治理和释放企业数据的价值，使公司能够安全地实施AI并应对复杂挑战 [2] - 该公司的技术和服务已被多家机构使用，包括英国金融行为监管局、普华永道英国、多家富时100指数公司以及英国政府 [2] 合作细节与实施计划 - 此次合作基于一项全面的试点计划，该计划测试了AI驱动的平台，并促成了一项为期三年的合同 [3] - 在下一阶段，Aiimi的专业顾问和工作场所AI平台将专注于整合、分类和优化毕马威的大量数据资产 [3] - 该方法旨在保护敏感数据，并为顾问提供所需的洞察，以提供符合不断变化的监管要求的服务 [3] 平台预期效益与高层评价 - 该平台预计将有助于建立强大的数据基础，这是未来安全部署新AI解决方案所必需的 [4] - 毕马威英国首席数据官Chris Allen表示，Aiimi平台提供了信任基础，帮助公司更好地了解其拥有的数据，对于价值有限且无监管要求保留的数据会予以删除 [4] - 对于需要保留的数据，Aiimi帮助公司智能分类、原位标记，并以尊重保留规则、访问控制以及对客户和被审计实体的合同义务的方式，使其可用于下游AI应用 [5]

数据治理认知的演变 - 数据治理在组织中传统上被视为非核心的“锦上添花”项目，因其在短期和中期内难以带来显著实际价值 [1] - 传统集中式数据治理项目由IT部门管理，存在缺乏业务自主权、难以扩展和缺乏持续支持等问题，导致其长期相关性和首要地位下降 [1] - 过去十年，由于低成本存储、云计算和人工智能的进步，企业重新聚焦数据治理，发展模式从集中式转向联合化和去中心化 [2] 数据网格架构的兴起 - 企业构建数据产品并开放数据给多种用例，促使去中心化的数据发布方式即数据网格架构迅速普及 [2] - 数据网格架构要求数据易于理解、编目、可追溯、准确完整且具有互操作性，其所有权归业务部门而非IT部门 [2] - 先进的数据治理工具（例如AWS LakeFormation）能自动推断数据沿袭、生成数据质量规则并确定数据分类，加速了向去中心化架构的转变 [2] 成功实施数据治理的新策略 - 技术项目经理需要调整策略，采用自右向左的方法，让业务发起人在推动数据治理中发挥核心作用 [2] - 新策略包括与发起人合作了解关键业务举措，将举措分解为用例，并将用例映射到已发布的数据产品或识别新用例 [2] - 数据治理的重点转移到确定业务举措的数据治理需求，使其与业务利益相关者推动的举措紧密结合，不再孤立 [3] 数据治理方法的有效性 - “大爆炸式”的数据治理方法行不通，数据治理需要与业务目标紧密结合才能奏效 [3] - 通过将治理与业务目标结合，企业能在短期内感受到数据带来的好处，治理目标是在短时间内频繁实现而非一次性实现 [3][8] - 以业务为导向的去中心化数据治理方法，随着时间的推移能改善治理，从而实现企业的整体数据战略 [4][6]

平台更新核心内容 - 公司宣布重大平台更新，整合了Trino、Cloudera SDX和Cloudera Octopai数据追溯能力 [1] - 更新旨在为整个数据资产提供统一的数据访问、控制、治理及追溯能力 [1] - 平台以人工智能为核心，自动执行数据质量检查、分类和概况分析等关键数据架构操作 [2] 解决的关键行业问题 - 企业加速推进人工智能项目时，数据可访问性是关键障碍，仅9%的IT领导者表示其所有数据可供使用，仅38%称大部分数据可用于人工智能 [1] - 数据常被困于分散系统，治理与安全策略支离破碎，导致数据孤岛 [1] 技术功能与优势 - 借助Trino的联盟架构能力，企业可使用自然语言界面安全查询分布式数据，无需移动数据即可提升效率与可信度 [1] - 与SDX的集成统一了元数据与访问控制，简化管理并实现安全自助式数据访问，提供单一且安全的访问端点 [2] - Cloudera Octopai数据来源追踪功能可追踪数据的端到端流转过程，为所有数据转换提供透明度和可信度 [2] - 客户可在数据中心或公共云端部署Trino，并使用经过认证的连接器实现跨多系统的数据联盟 [2] 公司定位与行业影响 - 公司定位为唯一一家在任何地方都能将人工智能应用于数据的公司，助力大型企业为人工智能计划提供可信数据支持 [1][3] - 公司依托经过验证的开源基础架构，提供始终如一的云体验，融合公有云、本地数据中心和边缘环境 [3] - 此次更新被视为将人工智能驱动的自动化、治理和访问功能整合到一个平台的重要一步 [2]

行业活动概况 - 2025年金融与会计技术博览会于11月13日至14日在纽约贾维茨中心举行 [1][2] - 活动汇集了首席财务官、技术领导者、财务决策者和技术提供商 [1][2] - 主要讨论议题包括现代化、数据治理、人工智能应用和不断发展的金融技术栈 [1][2] 技术采购趋势 - 财务决策者正推动技术供应商提供更清晰、更具体的答案 [4] - 与会者关注数据提取、集成故障率、宕机历史、报告中断责任以及防止管理滥用的保护措施等问题 [4] - 行业趋势显示财务领导者在技术栈方面对透明度和尽职调查的要求正在提高 [4] 企业资源规划系统实施重点 - 行业讨论重点从争论何种ERP品牌过时转向团队如何构建其工作结构 [5] - 运营更稳定的组织通常紧密锚定单一记录系统并限制插件和附加系统 [5] - 当ERP与多个相邻工具争夺权威时往往会出现问题 [5] - 与会者和演示反复提到需要清晰、规范地执行ERP实施计划、流程和时间表 [5] 技术集成与遗留系统依赖 - 几乎每个产品讨论中都会出现“如何将其集成到NetSuite中”的问题 [6] - 供应商对此问题给出了范围广泛的答案 [6] - 许多与会者与各行业首席财务官一样在评估其财务职能采用新技术的能力时仍依赖传统供应商的灵活性 [6]

公司行动：特别股息分配 - VCI Global董事会批准以子公司V Gallant Limited 10%的股权作为特别股息，按比例分配给所有VCIG股东[1] - 此次股息分配旨在让股东更广泛地参与V Gallant，降低公司股权集中度，从而增强交易流动性并强化两个实体间的长期一致性[2] - 特别股息代表V Gallant 10%的股权权益，将在确定登记日期后分配给所有股东，分配将通过公司的过户代理处理，股东无需采取任何行动[4] - 公司预计在获得顾问和过户代理最终批准后的7至14天内确认官方登记日期[4] 战略目标：价值释放与分拆上市 - 此次分配是VCI Global价值释放战略的第一步，V Gallant正朝着计划中的纳斯达克分拆IPO迈进[2] - 管理层根据内部预测、审计准备和行业可比公司评估，预计V Gallant的估值可能达到九位数范围[2] - 分拆战略旨在为VCIG股东实现价值具体化，同时强化公司在网络安全和人工智能领域的领导地位[3] - V Gallant是公司增长最快的技术部门之一[3] - 战略分拆旨在展现内在价值、提高透明度并加速两个实体的增长[6] V Gallant业务进展与定位 - 作为分拆路线图的一部分，公司正在推进关键准备里程碑，包括完成V Gallant的审计和估值审查、任命IPO顾问和承销商以及组建专门的上市实体[5] - 公司已开始与机构和战略投资者进行早期接洽[5] - V Gallant是一家领先的网络安全和人工智能公司，为企业及政府组织提供安全、可扩展的创新技术解决方案[7] - 公司业务组合包括人工智能计算与咨询、安全数据分析即服务、ISO审计与咨询以及网络安全咨询[8] - 随着全球对网络安全、AI基础设施和数据治理需求的增长，V Gallant在迈向公开上市的过程中有望受益于强劲的市场顺风[6] 母公司VCI Global概况 - VCI Global Limited是一个跨行业平台构建者，专注于技术和金融架构前沿[9] - 公司战略核心是构建可扩展的平台，在多个高增长领域提供韧性、效率和长期价值[9]

人工智能在财务领域的应用与挑战 - 人工智能正日益渗透到日常业务流程和使用场景中 对首席财务官进行情景规划、预测和制定长期战略至关重要 [1] - 首席财务官们对人工智能改善预测和缩短财务结算时间等多种潜在益处感到兴奋 [3] 数据作为核心资产的重要性 - 在人工智能时代 首席财务官应要求数据审计遵循与财务审计相同的纪律 [2] - 数据应被视为一种金融资产 而隐私和数据信任是保护并提升该资产价值的治理机制 [2] - 数据是首席财务官当前关注的关键领域 许多财务负责人的优先事项直接与该技术相关 [3] 数据成熟度与信任的挑战 - 首席财务官面临的主要障碍之一是热情超过了数据成熟度 [4] - 首席财务官必须信任财务报表 但对输入人工智能工具的数据却无法给予同等信任 这造成了信心上的脱节 [4] 不可靠数据的运营风险与数据质量要求 - 不可靠或不清晰的数据会导致一系列运营问题 例如夸大或扭曲预测 或使公司面临实质性和声誉风险 最终影响利润 [5] - 首席财务官高度重视确保数据清洁 其战略围绕准确性、可预测性和风险缓解构建 这三者都取决于数据是否经过同意、完整且可辩护 [5]

诉讼核心内容 - Reddit在美国纽约南区地方法院对Perplexity AI及三家数据爬取公司Oxylabs UAB、AWMProxy和SerpApi提起诉讼 [1][3] - 诉讼指控上述公司通过自动化工具未经授权收集并转售Reddit论坛的数据 [1][3] - 据诉状称Perplexity AI至少从一家爬取公司购买了Reddit数据 [3] 行业背景与公司立场 - Reddit首席法律官表示AI模型日益依赖高质量的人类生成文本此诉讼代表了行业面临的更广泛挑战 [4] - AI公司对优质人类内容的争夺催生了工业规模的数据清洗经济 [4] - Reddit的公开对话库已成为训练生成式AI模型的关键资源公司已与OpenAI和谷歌签署付费数据许可协议 [5] - Reddit声称未经授权利用其数据的行为破坏了公平竞争和创作者权利 [5] 相关法律案例与影响 - 此案案号为Reddit Inc v SerpApi LLC 25-cv-08736可能有助于界定美国法院对用于AI模型训练的网络爬取内容合法性的解释 [7] - 今年早些时候Reddit对Anthropic提起了类似诉讼指控该AI初创公司非法使用Reddit数据训练其大语言模型 [6] - 法律专家指出Reddit的诉讼是日益增多的争议的一部分这些争议正在塑造数据治理和合规格局例如纽约时报诉OpenAI案迫使公司重新评估内容所有权、同意和数据来源的管理方式 [7]

涉及的行业或公司 * 纪要涉及的公司是 NetApp (NasdaqGS:NTAP) [1] * 涉及的行业包括企业级数据存储、混合云基础设施、人工智能和数据管理 [8][9][10][11] 核心观点和论据 **AI 趋势与企业应用** * 当前所有企业都已成为技术或数字业务，核心趋势是利用数据和AI来赋能业务、提升效率和改善市场策略 [9][10][11] * AI的兴起得益于硬件能力的指数级增长，例如NVIDIA的进步，使得在该领域的创新能力大幅提升 [13][14] * 公司认为AI有实质内容而非纯炒作，其基础技术如机器学习、神经网络等已发展多年 [12][13] **虚拟化与本地部署的复苏** * 在VMware被Broadcom收购后，出现工作负载从云向本地数据中心"回流"的趋势 [17][18] * 此趋势由多种因素驱动：硬件核心数和密度的指数增长使得本地能处理更多任务；数据主权和法规要求；以及AI应用中企业对数据控制和边界安全的需求 [19][20][21] * 虚拟化正进入新阶段，包括VM容器化以及将AI等服务捆绑到传统虚拟化平台中 [22][23] **块存储的复苏** * 块存储（Block Storage）重新受到重视，特别是在一级工作负载和虚拟化环境中 [40] * 驱动因素包括协议（如NVMe over Fabrics, NVMe over TCP）、网络连接、速度和工具的重大改进，提供了更低的延迟和更强的保证 [41][42] * 与NAS协议相比，块存储在监管合规、网络弹性和工具集方面目前更具优势 [43] **数据爆炸与消费级技术驱动企业级需求** * 数据正经历巨大爆炸式增长，从消费级设备（如2TB iPhone）到企业级设备都在推动这一趋势 [46][47][48] * 消费级技术的增长（如设备存储、云备份、订阅服务）正在驱动企业级基础设施的需求增长 [48] * AI的加入进一步推动了对更多数据和元数据的收集与分析需求 [48] **NetApp的产品与战略愿景** * NetApp推出全新类别的数据基础设施系统NetApp AFX，采用可组合分解架构，将数据存储/检索与数据转换/处理/丰富功能统一于一个逻辑系统中，专为AI时代设计，具备EB级规模 [145][177][178] * 推出元数据引擎，与ONTAP OS集成，构建数据动态目录，支持主动元数据 [146][147] * 推出AI数据引擎，旨在简化AI数据管道，实现数据就地准备和服务，无需ETL，具备语义搜索、矢量化、安全护栏等功能 [184][185][186] * 愿景是构建统一数据平台，通过分布式数据处理和联合主动元数据结构，将原始数据高效、安全、简单地转换为AI就绪数据，避免复杂、低效且不安全的传统数据管道 [140][141][149] * 强调网络弹性，推出新的勒索软件恢复能力服务，具备数据泄露发现和隔离恢复环境等功能 [200][201][202][203] * 公司与行业领导者（如AWS、NVIDIA、Google Cloud、Microsoft）深度合作，共同创新 [125][154][191][218] 其他重要内容 **行业竞争与替代方案** * 在VMware被收购后，一些替代方案（如Proxmox）获得了关注，特别是在欧盟地区的中小企业和重新开始构建基础设施的客户中 [24][26] * 竞争被视为驱动创新的积极因素 [26] **平台整合与简化** * 行业趋势是使用正确的工具处理正确的工作负载（VM、容器、无服务器），并将它们统一打包，提供简化的用户体验 [27][29][30] * NetApp将其所有许可整合到ONTAP One中，包含备份、数据保护、网络弹性等功能，无需单独购买 [32] **网络弹性能力** * NetApp强调其基于AI的主动勒索软件检测能力，可在恶意软件攻击发生时触发快照，该功能在业界被认为是独特且具有前瞻性的 [34][35][36] **未来技术展望** * 预测未来五年内，每个操作系统（包括ONTAP、Windows、Linux、iOS）都将内置LLM，用户可通过类似ChatGPT的聊天机器人交互方式管理系统 [52][53][54][55] * 展望AI代理（Agentic AI）的未来，类似于钢铁侠的Jarvis，能够集成到应用中并学习用户习惯 [58][59][61]

核心观点 - Cloudera平台通过集成Iceberg REST Catalog和Lakehouse Optimizer实现零拷贝数据共享与自动化优化 强化开放式数据湖仓能力 提升跨平台互操作性并显著降低成本 [1][2][4] 技术功能升级 - Iceberg REST Catalog支持第三方引擎（Snowflake/Databricks/AWS Athena等）直接访问Cloudera管理数据 无需复制或移动数据即可实现ACID合规与统一策略执行 [2][3] - Lakehouse Optimizer提供自动化Iceberg表维护与智能优化功能 包括重写清单文件和位置删除文件 支持跨公有云部署并可通过专属UI定义策略 [4] - 两项功能均整合至Cloudera统一治理框架SDX 扩展精细化访问控制、数据血统追溯及审计能力至第三方工具 [2][3] 性能与成本效益 - 客户反馈显示数据存储成本最高削减79% 同时提升跨业务线可视性 全球卫星巨头客户已实现成本节约与AI管道强化 [3] - 内部基准测试表明Lakehouse Optimizer可提升查询性能高达13倍 并降低36%存储成本 [4] - 开放元数据访问机制加速AI开发与商业智能进程 摆脱专有目录束缚 [3] 行业定位与差异化 - Cloudera是唯一在全生命周期数据平台集成Iceberg REST Catalog的供应商 支持任意云环境及数据中心的统一安全治理 [2] - 平台依托成熟开源技术 融合公有云、数据中心与边缘环境 为大型企业提供实时预测性见解 [7]

生成式AI在银行业的应用与价值 - 银行日益重视为生成式AI模型提供准确、相关且来源可信的数据[1] - 生成式AI与数据紧密耦合，其成功部署依赖于可信的数据[2] - M&T银行有22,000名员工，其中16,000名使用Microsoft Copilot生成AI模型来撰写邮件和报告的初稿，并总结呼叫中心对话[7] - 生成式AI能够提升人类效率，使工作更好、更快、更强，例如总结通话内容可为每次通话节省约6分钟[9] - 在大多数用例中，生成式AI可完成60%的工作，再由人工审查并完成剩余的40%[8] - 员工对该工具依赖度高，在试点项目暂停时收到强烈反对，认为其具有变革性[9] 数据溯源的重要性与风险 - 数据溯源是指维护数据生命周期的详细记录，展示其从源头到最终目的地的完整旅程[1] - 缺乏适当的数据溯源和治理会导致生成式AI出错，例如加拿大航空聊天机器人提供错误折扣信息的事件[3][4] - 对于银行而言，数据溯源失败或疏忽会带来合规、运营和声誉风险，最坏情况可能导致诉讼、品牌声誉受损以及对公司财务的负面影响[4][5] - 数据溯源是银行的一项核心能力，旨在确保了解数据的来源、用途以及如何使其达到可被分析的水平[12] M&T银行的AI与数据战略实施 - M&T银行的首席数据官职责包括定义和执行银行的AI战略与数据战略[2] - 银行最初因安全考虑阻止员工使用大型语言模型，后选择Microsoft Copilot作为稳定、强大的合作伙伴[6][7] - 银行建立了名为Edison的存储库，包含所有银行政策的权威文件和数据[13] - 银行部署了来自Solidatus和Monte Carlo的数据溯源软件，以加速数据溯源生产并创建单一数据存储库[14] - 该银行通过检索增强生成技术将生成式AI模型的训练数据限制在内部受治理的数据范围内[18] - 银行希望数据溯源软件能与Microsoft集成，使从业务部门开始的数据溯源能持续通过Copilot体现[18] 数据治理与技术整合 - 数据溯源软件Solidatus可与数据库、应用程序以及Microsoft Power BI和Tableau等商业智能工具集成[14][15] - 该软件最具挑战性的整合对象是大型机应用程序，需要通过集成来解读COBOL等语言以捕获真实的数据流[16] - 数据治理是数据溯源的关键，明确数据的所有权、管理责任以及来源和消耗的问责制至关重要[21] - 加强数据溯源的技术方法包括自动化元数据捕获以及追踪进出生成式AI模型的数据的可追溯性[21] - 清晰的政策和强化这些政策的培训非常重要[21]