组织可能已经成功在业务中采用商业智能或分析实践。但获得大数据的成功需要不同的方法。
如果组织想投资大数据功能,那么可能会问自己,谁应该在大数据团队,以及这个团队首先工作的项目应该是什么?如何具有将团队组合在一起的能力来解决大问题?
组织可能会发现自己遇到了这些类型的问题,无论他们是从大数据开始,还是已经有项目正在进行中。行业专家Tamara Dull和Anne Buff建议组织在想要成功获取大数据的同时,需要围绕对组织的大数据能力和人员配置进行思考。
他们应该知道自己一直在思考如何在多年的大数据项目中取得成功。
Anne Buff是商业智能、数据挖掘与统计分析的领先软件提供商SAS公司最佳实践的业务解决方案经理和思想领袖。Tamara Dull是SAS公司最佳实践新兴技术总监。Buff和Dull介绍了组织如何解决在组合大数据业务时出现的诸多困难,同时他们还将在Interop ITX的会议中分享解决这个问题的办法,旨在帮助任何人正在开始或在大数据项目中间的组织。
“大数据不是新事物,”Dull说,“数十年来,我们已经有了很多数据,而且已经在处理这些技术了。所有这些技术都在开发中,其中很多都是开源的,它们能够实现能力混合和匹配我们所有的数据,组织可以获取社交媒体数据,并将其与您其CRM数据进行混合,或与其与销售记录进行混合。
Dull说,“这不是人工智能2.0,这并不一样。”Buff表示,这些努力不会取代组织的人工智能和分析程序。
组织在大数据开始时遇到的一些问题是导致这些项目取得成功的因素,而这与帮助人们通过商业智能取得成功的因素不同。商业智能和分析实践经常被安置在卓越中心。但组织也许并不想要或需要一个伟大的数据中心,也许只是需要一辆公共汽车。
组织的想法是,需要在每个项目的大数据公共汽车上使用不同的人员。使用这些公共汽车,组织可以在需要他们的项目时加载这些人员。他们只需要乘坐,只要你需要他们的项目。在项目结束后,小组下车,公共汽车现在准备好迎接下一个项目和下一个团队成员。
组织建立的成功大数据团队真的是为每个项目创建的特别小组。并非所有成员都在整个项目中。此外,会员也可能会从一个项目转向另一个项目。
当然,组织需要一定的角色。例如,组织总是需要一个利益相关者或执行发起人。但一个项目的利益相关者或执行发起人可能是首席营销官,而下一个项目可能要求是首席技术官或首席信息官成为利益相关者或执行发起人。这一切都取决于项目是什么。这是公共汽车的另一个重要方面。
在决定谁来加入任何给定项目的公共汽车之前,组织必须询问自己其正在追求业务项目的目标,然后如何实现该计划。只有这样,才应该问公车上需要什么成员。
“根据当前项目的范围,正在运行大数据团队将要转移的项目是什么,”Dull说,“这不是一次完成的事情,组织建立其大数据团队,每次在为组织追求不同的机会时,其公共汽车上的人员都会改变。”
Dull说,这个方法比较敏捷,它要求组织的团队根据项目改变。反过来,这也意味着团队也将是员工,自由职业者,承包商和外部服务人员的组合。
一些功能甚至整个项目可能会外包,这取决于项目。“大数据项目的本质就是有些会消亡,而其他人将会走得更远。”Buff说。这就是为什么创建一个架构,使大数据实践更加灵活的至关重要的原因。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。