至顶网CIO与应用频道 05月05日 北京消息:全球领先的信息技术研究和咨询公司Gartner对全球首席信息官的调查表明,私有和公共部门中卓越绩效企业机构在数字化动议方面的IT预算占比(33%)通常会比政府组织(21%)更高。展望2018年,卓越绩效企业机构预计会将43%的IT预算用于数字化建设,而政府部门首席信息官表示这一比例仅为28%。
Gartner实施的2017年首席信息官日程调查项目涵盖了93个国家中2598名首席信息官(其中包括38个国家中377名政府首席信息官)的观点,涉及9.4万亿美元的收入或公共部门预算以及2920亿美元的IT支出。政府受访者分为国家或联邦级、州级或省级(地区级)和地方级,以便确定每个层级特定的趋势。鉴于本次调查目的,受访者还按数字化建设的卓越者、普通者和低绩效者进行分类。
2016是一个转折年,无论是选民还是市井民众,均对政府的现状表示失望,同时对公共机构的信心和信任度也降至低点。
直面这些问题才是解决之道。2017年,政府首席信息官的任务迫在眉睫,那就是跳出自身组织,对照私有部门和其它服务部门中表现卓越的同行进行优化。他们必须采取行动,以迅速推进民众认可和欣赏的可量化改进。
卓越绩效者须确保预算增长
政府首席信息官预计IT预算的平均增速将为1.4%,低于各行业2.2%的平均增速。地方政府首席信息官做得更好一些,平均增速为3.5%,不过仍然比表现卓越组织中整体的IT预算增幅(4.6%)低1%以上。
以上数据与Gartner的基准分析大体一致,后者显示,2016年国家和地方政府的平均IT支出占营运支出的4%,高于2015年的3.6%。在全国性和国际政府组织中,2016年平均IT支出占营运支出的9.4%,而2015年这一比例为8.6%。
无论财务前景如何,想挤入卓越绩效者之列的政府首席信息官们都必须明确地关联各种投资、降低政府业务成本并优化政府项目绩效,以促进IT预算的合理增长。
政府部门中技术投资优先领域
在调查中,Gartner还让受访者列出未来五年中最有潜力改变各自组织的技术。
高级分析在各级政府部门中居于首位(79%)。数字安全(57%)在各级政府中仍然是关键投资领域,尤其是国防和情报领域更为明显(74%)。
物联网将显著推动地方政府的变革(68%),而业务算法在国家政府中受到的关注度最高(41%)。与绩效卓越者相比,各级政府目前从机器学习或区块链中获得的机会较少。在自动驾驶汽车(9%)和智能机器人(6%)方面,地方政府比其它级别的政府和绩效卓越者稍显乐观。
政府首席信息官面临的最大障碍
政府首席信息官称,他们为实现目标而必须克服的三大障碍,包括技术或资源(26%)、资金或预算(19%)以及组织文化或结构(12%)。
在劳动力技术缺乏的领域,政府部门在数据分析方面显得比较薄弱(30%),其中包括信息、分析、数据科学和商业智能。安全和风险在政府部门中排名第二(23%)。
拓展机构外部的专家网络可以缩小技术差距。与其它行业的首席信息官相比,政府首席信息官不太愿意与初创企业和中型公司合作,错过了获取新想法和新技术的机会。
抓住数字生态系统的机遇
数字生态系统的概念对于政府首席信息官而言并不新鲜。Gartner称,政府组织比其他行业中的组织加入数字生态系统的速度更快,但这样做只是出于需要,并没有全面的规划。整体而言,58%的政府首席信息官表示他们已加入了数字生态系统,而其它行业这一比例仅为49%。
数字生态系统是指企业、人和物构成的相互依存且可拓展的网络。随着各行业中数字化应用的加速,政府加入数字生态系统的必要性也日益凸显。在公共服务交付领域,数字生态系统已成为能使政府部门变得更加高效的工具和手段。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。