Verizon公司的报告强调了大数据复杂性和数据科学人才短缺是物联网实施的障碍,但人们还必须记住将业务目标作为任何分析计划的一部分才是关键的最佳实践。
现在,IT专业人员在某个地方正在将温度传感器,安全摄像机,或者车辆连接到互联网,以便他们的公司可以从该远程设备收集数据,投入物联网计划。
最有可能的是,这只是一个计划。而连接几个设备到几英里外的服务器上的监控应用程序是一个独立的努力,虽然它可以提供价值,这不是一个战略。与此同时,一些负责监督计划的中层经理却在宣称,“我们正在实施物联网。”
人们一次又一次地看到有关组织在做零碎并且不相关的物联网实施活动。这是哈佛商业评论最近对Verizon公司发布的报告的一个主题焦,专家认为这样的企业缺乏物联网转型的大数据战略。
该报告称,44%的公司希望通过使用物联网来改变他们的业务模式。
而处于一线的IT专业人员,他们是远程设备的使用者,也是对此过于乐观的中层管理者,那些“实施物联网”的大多数人(78%)都是关注在数量有限的物联网数据上,或者他们不使用数据,根据报告。在Verizon和HBR调查的306名企业领导中,42%表示他们的组织缺乏大数据技能和能力,51%的人表示他们正在努力应对大数据的多样性和复杂性。
知道想要完成什么
所有这些都证明,太多的组织只是有“计划”而不是真正实施物联网的“战略”。很容易想象,相当多的企业跟进了物联网技术工作的问题,那就是“现在做什么?”
虽然Verizon公司专注于大数据挑战,但这些在真正的战略的一个阶段,只是问题的一部分。如果组织通过物联网,大数据或任何其他技术概念想转变其业务,首先需要定义一个目标,了解自己想要的是什么。这是一个长期的IT最佳实践,但也是一个常常被忽视的做法。也许组织想保持相同的业务线和相同的客户群,也许是想更好地为这些客户服务,或在生产/交付过程中提高效率。也许组织想更新陈旧的产品线,或利用传感器和其他设备在面向客户的场景中抓住可能出现的新业务机会或趋势。
即使有这样的目标,组织可能会在物联网/大数据计划中发现一些惊喜,例如使用数据的新方法,但如果企业没有目标,那么就像没有诱饵在汪洋大海中钓鱼一样一无所获。
物联网不仅仅是一个很酷的时髦词,还承诺了大量的实际和可实现的好处。常见的例子是操作人员如何优化性能,并提高工厂生产线设备的正常运行时间。而具有讽刺意味的是,多年来,许多机器已经将数据馈送到维护应用程序多年,是通过硬连线连接而不是网络进行馈送的。
物联网中的“I”确实提供了将数据收集扩展到许多新型设备的能力,具有新的灵活性,包括无线连接。将分析能力放在网络边缘附近,允许餐厅连锁店管理其易腐物品库存或获得价格变化成功的实时视图。它可以优化传送车辆的路径,并且可以在忠诚客户进入商店时提醒零售商。
但是,在定义物联网目标时,组织还需要知道,任何收集的数据将如何结构化,谁将有权访问它,如何提供关键变化交付,以及谁来采取行动。
虽然Verizon公司强调大数据的复杂性和大数据人才的短缺,但处理这些只是大数据和物联网战略的一部分。这就是为什么人们必须三思而后行的完美例子。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。