新的一年,新的IT挑战。在假期之前,SearchCIO咨询了IT领导人他们来年的决心——每个人都没有放慢自己的脚步。2017年的IT决议是和技术相关的,雄心勃勃的。改善客户服务——为IT内部客户,也为业务客户——是首要任务。
这些IT决心还来自另外两位CIO:Welch Food Inc.的Dave Jackson和Institute of Electrical and Electronics Engineers(IEEE)的Cherif Amirat。他们分享了2017年将关注的新兴技术。
房贷公司Thornburg Mortgage Inc.的CIO兼执行副总裁Caren Shiozaki:
“我想抽出更多的时间来关注技术发展。我特别感兴趣的是数据分析,以及安全性、隐私和道德三者之间的关系。许多新技术推动创新,并能真正提升一个公司。但并非所有的新技术都有所帮助。俗话说“有备无患”。我希望能够做出明智的、正确的决定。”
“我们经常沉浸在工作中...忽略了同事之间的友情。因此,我决定和我的一些系统和安全工程师一起参加Tough Mudder (耐力比赛)。”
Welch Food Inc.的CIO Dave Jackson:
“我们决心关注传感器技术。我们将探索传感器在葡萄园内是否有实用性应用,从而判断是否能够帮助我们的农民节省浇灌成本,或者传感器可以提供数据来帮助我们寻找提高葡萄质量的方法。我们还将在生产线上探索传感器应用,来帮助运营效率和生产线维护。”
医疗设备制造商NuVasive Inc .的CIO Johnson Lai:
“我们要继续进化。我们有一个规划未来几年大项目的IT路线图,,然后进行调整。但是,不管在任何方面,过去IT是非常中心化的或者只关注内部的,现在我们将关注点放在边界。我指的边界,是指企业的中心——不再是后台办公室,而是关注销售部门;实际上,我们已经开始将我们的许多工具跨过销售直接交到我们客户的手中。” “我们称之为走向边界,定位边界,并且我们将继续这样做。这在移动性功能——CRM-类型(客户关系管理)功能中——是一个很大的主题。对于我们现有的外科医生客户和C级医院高层提升业务具有积极意义。因此,我们将提供工具,让核心客户看到我们产品和服务的价值。”
Mars Inc.的CIO Vittorio Cretella:
“一切都是数据、数据和数据。因为与巧克力部门的合并,我们现在有很好的机会。我们在宠物护理领域也有机会,作为价值主张,我们正在创造越来越多的宠物服务。在我们所有的业务中,继续关注数据是关键,同时整理我们的数据架构——无论内部还是外部,都至关重要。”
专业机构IEEE的CIO Cherif Amirat:
“2017年,我的一个目标是提高IEEE的客户体验,包括所有的数字视图和接触平台。我们将寻求客户旅程分析功能的开发,这将使我们在多平台和各种设备中对客户数字体验更有洞察力和智慧。”
Seton Hall University的CIO Stephen Landry:
“在2017年,我决心花更多的时间与一线IT员工一起,进一步提高IT服务。我决心花更多的时间与我们的CISO一起,确保大学的数据保持安全性。我决心花更多的时间在IT员工培训和发展上,以确保我们有能力在2017年解决大学的业务问题。我决心让更多的业务领导参与进来,对IT预算分配负责,对支持业务的IT项目的成功负责。”
网络和移动应用开发公司Inobright的CEO Roman Trotsenko:
“毫无疑问,所有的数字经济趋势都将受到关注,而信息技术将继续推动业务转型。我们将看到物联网和智能自动化的扩张,进一步提高基于大数据解决方案的移动和云解决方案的比例,以及深度学习技术的广泛使用。将特别关注机器人。信息安全的价值会不断提高。”
“关于软件工程,除了纯粹的设计能力,市场会不断要求业务专业知识。此外,开发周期将会变得越来越短。明年,将真正成为关注客户的一年,公司会提供智能技术解决方案,以满足业务用户和消费者。”
应用管理服务供应商Bitium Inc .的创始人兼CTO Erik Gustavson:
“实现基于容器的生命周期开发的完全自动化,让代码和配置从开发到生产经过一个统一的流程,最小化人工干预。” “继续将所有剩余的单片系统分解成微服务,将所有剩余的基于虚拟机的部署迁移到容器中。”
“让我们的‘系统恢复’自动化环境部署流程在不到10分钟内完成。” “实施‘chaos monkey’类型的流程,来模拟基础设施故障,从而进一步提高整个系统的恢复能力。”
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。