至顶网CIO与应用频道 01月08日 评论分析:凯文–凯利在《失控》中有一个假设,如果在变色龙的周围放上镜子,它会变成什么颜色?实验的结果显示它会回到自己的保护色,也是能量消耗最低的颜色。企业也如同变色龙一样,需要有能力去感知周围的变化,同时改变自己。
Teradata天睿公司很早就提出“感知型企业”的概念,即在激烈竞争的商业环境中,企业能够感知周围的环境并进行反馈。
人拥有各种感觉器官去感知环境的变化,而企业该如何去感知外界环境?当今我们正身处一个数据充斥的时代,数据则成为感知和理解市场的手段,企业通过收集数据进行分析,并最终将洞察力转化为业务行动。
Teradata认为,感知型企业要具备五大核心能力,其中需要打造敏捷弹性的IT平台,而通过统一数据架构、云计算平台,甚至在数据分析系统中整合人工智能技术,将为当前的企业带来新的想象力。
丹斯克银行:数据让欺诈无所遁形
人工智能在银行中的应用是感知型企业的一个重要特征,丹斯克银行是丹麦最大的银行,其利用人工智能和深度学习在多个领域来侦测和预防复杂的欺诈。
丹斯克银行于2016年开始与Teradata咨询团队合作打造人工智能欺诈监测平台。Teradata在银行现有基础设施内搭建框架,并创建高级机器学习模型,监测每年数百万次交易中的欺诈行为,高峰时段每分钟可监测多达数十万次交易。为确保监测过程透明性,并增强信任,监测引擎在机器学习模型上加入解释层,提供监测阻止活动的释义与解释。
原来丹斯克银行每天有1200起误报,调查人员需要逐一进行核实。Teradata使用了机器学习和深度学习技术,将开源和商业技术结合提升数据分析管理能力,现在误判率已经减少了60%,节省了银行调查人员大量的时间,同时侦测正确率已增加到50%。
汉莎集团:数据创造以客户为中心的体验
汉莎集团是全球航空业领导者和成功的航空集团,拥有六个战略服务领域,包括客运、地勤、飞机维修、航空餐食、旅游和IT服务。2016年汉莎集团使用数据分析汉莎集团保证了收入最大化、成本最小化、客户满意度三大关键指标。
汉莎航空拥有多家航空公司,为了评估关键业绩指标其创建了通用数据语言,将内外部的数据源进行整合,包括收入、预订、营销信息、航班时刻表和市场份额。
汉莎航空公司通过Teradata统一数据架构整合打破了数据孤岛,通过数据分析衡量“票价份额”,使用定价、航线、机型,甚至使用客户细分数据确定旅行代理商提供的份额。
数据的整合还为客户提供了更多的优惠和更好的服务,在多个品牌和业务单位之间建立整体分析,并且帮助:
1.更好地在汉莎航空集团内控制销售和销售业绩;
2.获取客户绩效的全貌并且奖励忠诚度;
3.在优化激励下,创建顾客销售战略和商业目标;
赛诺菲:数据让医药研发更快速
生物制药行业通过药品的更快上市可以加速改善病人病况和救治结果。法国跨国生物制药集团赛诺菲正是利用数据分析加速上市时间。
赛诺菲在全球100个国家开展业务,向170多个国家提供医疗保健解决方法,生产治疗肿瘤学、糖尿病、心血管、中枢神经系统和疫苗的关键药物产品。
针对产品创新和风险控制的业务成果,赛诺菲研发MAESTRO整合数据仓库以解决临床试验的挑战。挑战来自于获取异构数据,像病人数据、检查数据、流程数据等。赛诺菲研发能够同时管理几十个研究(70-75),并具有扩展到200个研究规模的能力。
Teradata企业数据咨询团队帮助赛诺菲把数据从Oracle整合和迁移到Teradata,并且在部署JSON、用户自定义函数和时序分析等重要功能的部署中提供指导。通过MAESTRO项目,产品创新和研发机构有可能创造新的更安全、更高效的产品,满足医生和患者的市场需求;风险识别能够为任何机构(内部或外部)的研究提供溯源。
特玛捷票务:数据带来的消费洞察
特玛捷票务成立于1976年,主要业务是销售音乐会、体育赛事等门票,每年售票数量达上亿张。
票务业务有一个明显特点就是销售会呈现波峰和波谷,在2017年考虑到灵活性、性能、运营成本等因素,特玛捷票务将业务迁移到云端。
现在特玛捷票务正从这些票务数据中发现价值,这就需要更加灵敏、快速的平台。Teradata同特玛捷票务合作的6年来保证了零事故,并帮助其利用数据进行推广,例如针对销售情况较差的门票,通过定制个性化邀请函提高上座率。同时数据还可以帮助球迷来增强观看体验,在数据中观察观众的互动,了解观众需求。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。