ZD至顶网CIO与应用频道 11月04日 评论消息: 对于企业来说,物联网不仅蕴含着无限商机,还能够孵化出创新性的客户体验以及帮助企业实现内部的高效数字化运维。尽管许多物联网技术的发展都已经趋于成熟,但在现实中的成功部署实践仍然是屈指可数。那么对于企业的基础设施和运维(Infrastructure&Operation,I&O)专业人士来说,究竟应该采取哪些具体步骤才能够帮助企业顺利将物联网技术融入企业原有架构,从而支持业务和技术发展呢?
万物互联环境下的全新客户体验
为了帮助企业在技术采用上保持先进性,企业I&O需要不断投入资源用来发掘、测试和部署各类技术手段,帮助企业顺利完成数字化业务转型。I&O引进的新技术要不仅能够帮助企业打造全新的客户体验,还要能够帮助企业提高数字化运维效率。例如,皇家加勒比游轮海洋量子号(QuantumofTheSea)是同时实现这两个使命的典型案例。于2014年11月完成处女航的海洋量子号由皇家加勒比一手打造,建造过程融合了无数包括物联网(IoT)和可穿戴设备在内的先进技术措施,也因此被员工戏称为“智能轮船”。通过这艘轮船
皇家加勒比要为客户提供世界顶级且独一无二的体验:既要优化登船手续过程,为顾客带去更大程度的便捷,也要保证客户的体验是差别化的且令人愉悦的。
不是所有企业都是皇家加勒比
尽管皇家加勒比游轮海洋量子号的技术部署过程所展现出了令人称赞的创新性,但是它的实践过程对于其他企业来说并不具备普遍适用性,甚至其实施过程中的技术复杂性会让很多企业望而却步。这是因为:
1.大多数企业都不具备独立的技术环境;
2.大多数企业都缺少多个技术平台之间的整合能力;
3.为了部署新技术,大多数企业都必须大规模翻新现有设施;
4.大多数企业现有的网络环境都无法支持物联网的需求。
成功的IoT和可穿戴设备的部署需要长远的战略规划,确保与整个企业的商业科技(BusinessTechnology,BT)发展议程相一致。同时,尽管IoT和可穿戴所蕴含着巨大品牌和业务创新潜力,但技术自身并不能够自动为企业带来价值。Forrester推荐企业采用以
下步骤开展IoT和物联网相关的技术部署规划,简称“I&O操作条例”(I&OPACT)。对于企业I&O人员来说,I&O操作条例能够更好的帮助企业在进行技术规划的时候实现与业务目标之间的协调。
●I-Identify,识别出受影响的关键流程。企业发展IoT的首要步骤是确定出现有工作程序中能够经由IoT方案或者可穿戴设备能够得到改善的步骤和环节。
●O-Orchestrate,实现多部门协同。在IoT和可穿戴设备的发展部署过程中,企业I&O人员需要协同各个受影响的业务部门,包括销售主管、店铺运营管理、仓库管理和客户体验管理等。
●P-Pilot,广泛进行新技术试点。只有通过在实际部署之前的试点工作,企业I&O才有可能预先探查出新技术方案潜在的问题。试点的关键作用在于证实该物联网解决方案的可行性,从而进一步帮助企业决定是否开展全方位部署工作。
●A-Augment,强化现有流程。IoT和可穿戴解决方案都旨在影响企业与客户实际的互动过程。虽然这些技术解决方案都专注在对于客户的影响,但实际上它们对于企业后台的B2B流程也会产生重要影响。
●C-Connect,连接企业关键系统。想要通过IoT和可穿戴对客户体验进行流程再造,企业需要实现新技术与后台库存管理系统和数据分析系统的整合。
●T-Train,持续开展员工培训。对员工开展培训,明确传达有关IoT和可穿戴设备对其日常工作的影响至关重要,培训的效果将直接影响企业整体对于新技术方案的采用效果。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。