至顶网CIO与应用频道 10月10日 北京消息:当今商业智能市场的日趋成熟,让企业逐渐改变了以往的运营模式,更多的组织和机构开始存储和处理各种形态、不同规模的数据。
长期以来,尽管各公司的IT部门都在尝试用更快、更新的分析工具和方法,却依然无法满足公司内部日益增长的商业智能分析需求,因此越来越多的企业都在探寻自助式的分析工具。《BARC 2017 商业智能趋势监测报告 》 显示,商业智能和数据管理的趋势正在推动商业智能市场从用户的角度出发。
Tableau致力于帮助人们查看并理解数据。通过可视化分析,不同量级、不同大小的企业都可以更好地理解客户的行为,了解公司的财务状况和自身的品牌认知度。总体来说,企业可以借助可视化分析做出决策来改善现有的业务情况。
Tableau通过降低数据分析的技术壁垒,持续帮助企业建立分析文化。Tableau 首席产品官 Francois Ajenstat 说: “组织有大量可用数据,他们希望用这些数据做更多事情。我们的客户寻求的不仅仅是简单的分析,他们想要通过简单高效的方法释放数据的潜能。借助智能建议,客户能够以前所未有的速度获得正确数据,无需花时间寻找正确的表和联接。而借助数据驱动型通知之类的功能,他们可以主动监视关键指标,进而即时采取行动并提高敏捷性。” 到2017年6月底,全球范围内已经有超过 61,000 家来自不同行业的客户通过使用 Tableau,随时随地快速地获得见解。
联想是Tableau的重要客户,在全球范围内联想与Tableau合作紧密。Tableau的自助式分析工具帮助联想加速了其决策进程。
在2007年到2010年,联想的分析和人工智能团队需要跟整个全球团队协作。团队每周一早晨的第一件事就是发送超过40 份基于Excel的统计表格,他们需要将每个国家、地区和分区制定的表格整理成相同格式,然后统一合并。这个繁琐的工作一般需要5-6名员工去做。在引进Tableau后,联想实现了后台大数据解决方案,完全自动化了以前的人力劳动。过去,数据每周刷新一次,而现在大家可以实时地看到数据更新。Tableau提高了联想内部的运作效率。
自联想2014年使用Tableau以来, 公司员工切实感受到了Tableau的普及及其所带来的改变,起初公司只有100人使用Tableau,现在Tableau已经在全公司范围内被各部门广泛使用。 联想内部上传了大量的仪表板,现在员工们可以通过在线的仪表板同时解决100个不同的问题。通过使用Tableau的服务器日志,用户可以创建不同的仪表板,并看到公司内谁正在使用这些仪表板。Tableau使得公司内部的员工可以持续获取和发布仪表板,每一季度对这些仪表板和统计数据进行重新验证,以提高内部的工作效率,促进公司内部的合作。
Tableau降低了联想内部对专业技术人员的依赖,让更多的员工可以直接分析数据,获得见解。在可视化分析的过程中,没有什么是一成不变的。数据、需求都在持续不断地变化,因此迅速地行动尤为重要。Tableau能帮助联想更快地应对需求。当联想最初开始由Excel转而使用Tableau的时候,也同时在尝试使用HTML来建立仪表板。事实证明,在仪表板中任何微小的变化都需要投入许多技术和精力,团队会需要技术方面的支持,不仅需要员工懂得Java,PHP或者HTML,还需要对数据有着深入的理解。任何数据上的细小变化都需要重新编码,在前端及用户界面做出改变,进而推出。在公司使用Tableau之后,以前需要超过2个月完成的仪表板,现在2天就可以完成。可视化分析的力量帮助联想更快地做出决策,更快地行动。
出于扩大运营规模的需要,联想一直以来在大数据技术上投入大量资金,希望能更快更好地管理和运用数据。日前,联想大数据在以“智领先机 数见未来”为主题的第二届中国大数据产业生态大会上,经网络投票以及专家多轮评选后脱颖而出,蝉联“中国大数据企业50强”。
在中国,Tableau 同样与联想紧密配合,联想包括运营、市场、销售、及人力资源等在内的多个职能部门在日常工作中使用Tableau,这提高了联想内部的工作效率。
除此以外,由于移动设备的广泛使用,许多商务人士在旅行的过程中会在手机上查看和使用数据。未来,Tableau将会让更多的联想员工在差旅途中也可以查看和使用数据,持续优化联想的决策过程,通过不断创新产品来满足客户的需求。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。