至顶网CIO与应用频道 01月27日 编译:企业组织正在采用自助式分析和商业智能(BI),并将这些能力带给各级业务用户。这一趋势非常明显,根据Gartner的预测,到2019年,具有自助服务能力的商业用户的分析产出甚至将超过专业数据科学家。
Gartner研究总监Carlie J. Idoine表示:“数字化趋势正在推动所有领域的现代企业和政府对分析的需求。人工智能、物联网和SaaS(云)分析以及商业智能平台的快速发展,使得非专业人士也能够更轻松、更经济有效地进行分析,更好地为决策提供信息。”
Gartner最近对3000多名首席信息官进行的调查显示,首席信息官把分析和商务智能作为企业组织最重要的、体现差异化的技术。这些技术吸引了最新的投资,也被顶尖的CIO视为最具战略意义的技术领域。
因此,数据和分析领导者们正在越来越多地实施自助服务功能,在整个企业组织中创建以数据为导向的文化。这意味着业务用户可以更轻松地学习如何使用有效的分析和BI工具,并从中获益,从而在此过程中推动产生有利的业务成果。
Idoine表示:“如果数据和分析领导者们只是简单地提供数据和工具的访问权限,那么自助服务计划往往效果不佳。这是因为企业用户的经验和技能在个别组织中差异很大,因此需要培训、支持和熟悉的过程,来帮助大多数自助服务用户产生有意义的输出。”
实施自助服务分析和商务智能的任务规模可能会让企业组织倍感意外,特别是如果他们成功的话。在大型企业组织中,流行的自助服务项目可以迅速扩展到覆盖数百或数千用户。为了避免陷入混乱,在启动计划前要确定组织和流程变化是正确的,这一点至关重要。
Gartner建议先要解决四个方面的问题,为自助式分析和商务智能打下坚实的基础:
让自助服务举措与企业组织目标保持一致,收集关于可量化的成功用例的细节
Idoine说:“通过传达其影响并直接将成功与组织的良好结果联系起来,确认分析和BI的自助服务方法的价值非常重要。这会增强大家对这种方法的信心,并证明了对这种方法的持续支持,同时也鼓励更多的商业用户参与其中,并将最佳实践应用到他们自己的领域中。”
让商业用户参与设计、开发和支持自助服务的过程中
Idoine说:“创建和执行一个成功的自助服务计划,意味着在IT团队和业务用户之间建立和维护对彼此的信任。没有建立信任的技术解决方案,但从自助服务开始的正式协作过程,将大大帮助IT和业务用户了解彼此需要以实现自助服务的成功。”
采取灵活轻松的数据治理方法
Idoine表示:“自助服务计划的成功,将取决于数据和分析治理模式是否足够灵活,以支持自助服务用户对自由式分析的探索。”严格的、僵化的框架会让临时用户望而却步。另一方面,缺乏适当的治理将会让用户面对大量无关数据,或者造成严重的违规风险。她补充说:“IT领导者必须找到适当的治理平衡,以实现自助服务的成功和可扩展性。”
通过制定熟悉上手的计划,让业务用户成功使用自助式分析服务
Idoine说:“数据和分析领导者们必须为热情的业务自助服务用户提供正确的指导,告诉他们如何快速启动和运行,如何将新工具应用到他们的具体业务问题上。正式的熟悉上手计划将有助于实现这一流程的自动化和标准化,让自助服务在整个企业组织范围内传播的可扩展性更高。”
好文章,需要你的鼓励
这项研究探索了语言神经元视角下多语言对齐如何增强大语言模型(LLMs)的多语言能力。研究团队提出了一种更精细的神经元识别算法,将激活神经元分为语言特定、语言相关和语言无关三类,克服了现有方法的局限性。基于这种分类,研究将LLMs多语言处理过程划分为四个阶段:多语言理解、共享语义空间推理、多语言输出空间转换和词汇空间输出。通过分析对齐前后不同类型神经元的变化,发现多语言对齐促进了更多语言相关神经元的共享使用,减少了对语言特定神经元的依赖,这也解释了"自发多语言对齐"现象。
这项由弗吉尼亚大学与Adobe研究院合作的研究突破了传统图像到视频生成的空间限制,提出了"Frame In-N-Out"技术,使物体可以自然地离开画面或新物体能够进入画面。研究团队创建了专门的数据集和评估方法,并设计了一种融合运动控制、身份参考和无边界画布的扩散变换器架构。实验结果表明,该方法在生成质量和控制精度上显著优于现有技术,为电影制作和创意内容创作提供了新可能。
浙江大学研究团队开发了首个评估视觉语言模型多视角空间定位能力的综合基准ViewSpatial-Bench,并揭示了现有模型在视角转换理解上的严重缺陷。通过自动化3D标注流水线构建的大规模数据集,他们训练出的多视角空间模型(MVSM)实现了46.24%的性能提升,为人机空间交互提供了新的解决方案,使AI系统能更好地理解人类视角下的空间关系,促进更直观的人机交流。
ByteDance团队提出的DetailFlow是一种创新的图像生成方法,通过"下一细节预测"策略实现从粗到细的自回归生成。它将图像编码为仅需128个令牌的1D序列,比传统方法少5倍,却实现了更高质量(2.96 gFID)和更快速度(提速约8倍)。该方法巧妙地模拟人类创作过程:先勾勒整体结构,再逐步添加细节,并通过自我纠错机制解决并行推理中的错误累积问题,为高分辨率图像生成提供了高效解决方案。