至顶网CIO与应用频道 03月09日 北京消息:Gartner数据显示,到2020年,人工智能(AI)将成为30%以上首席信息官(CIO)的首要任务。尽管人工智能有望改变世界,但只有在企业机构有效应用人工智能的情况下,这种梦想才能成真。
如果您是一位正在尽力挖掘人工智能的全部潜力的首席数据官(CDO),那么现在就是您扩大战略、评估人工智能对商业模式和客户体验的影响、为其它战略性挑战做好准备的最佳时机。
当前的关注热潮源于高级分析(advanced analytics)和机器学习(machine learning)所带来的效益。这种转变一部分得益于新出现的低成本、大规模和随时可用的计算能力,以及可用于训练机器、构建模式和产生洞察的海量数据。
不过,要注意的是,许多企业机构刚刚步入人工智能领域,它们正在积累知识和制定应用战略。如果您与许多数据和分析领导者想法没有分别,那么制定人工智能战略及确定其用途将成为真正的挑战。
越来越多的企业机构发现,人工智能并非直接从根本上完善现有业务活动,而是以前所未有的方式为数据驱动型业务的战略创造潜力。这种潜力将使数据和分析成为战略的主要推动力,相应地,这也要求企业机构对人工智能潜力进行更广泛的研究。
在评估人工智能的潜力时,采用我们通常将评估数据和分析策略作为其它战略工作副产物的方式显然不够。我们必须了解人工智能的相关新兴用途,还应熟悉新的战略发展实践,考虑业务变化的潜力。
挖掘人工智能的全部潜力
首席数据官应该关注以下三个方面:
1) 明确商业价值
首先,从商业价值和管理角度评估人工智能的相关性,以及与具体业务运营和IT挑战的关系。
商业价值是人工智能计划获得关注的必要条件。许多企业机构都迷恋人工智能的能力,但在这个过程中,它们并未确定最具战略价值的决定因素。商业价值应阐明如何利用诸如数据科学家这样的关键资源;新的解决方案如何从人工智能中受益;以及如何坚定地发展实现长期业务成果所需的各种能力。
利用框架来扩展战略库可以帮助您确定人工智能对业务模型组成部分的适用性及其相互关系。业务模型评估框架(business model assessment frameworks)为描述您所在企业机构的现有业务模型制定了一种通用语言。它还有助于评估各个组成部分的变化并提出变革意见,由此改善成本结构、实现数据驱动的收入流、或确定数据和分析在新的关键协同中发挥哪些重要作用。它还有助于确定相关部分应发生哪些变化才能支持潜在的广泛业务模型变革。
2) 利用客户体验中的颠覆性潜力
人工智能为洞察力的获取、个性化的实现和客户体验的增强提供了大量机会,而这也是应用人工智能和机器学习的最佳机会之一。评估人工智能的颠覆性潜力让您能够以全新的方式来吸引客户、深入了解客户行为以及以数字化业务的方式来塑造未来的客户体验。
改善客户的人工智能体验可谓机会良多,其中包括开发客户洞察力和规划定制式客户旅程(developing customer insights and customising their journey),聊天机器人和虚拟助理(chatbots and virtual agents),以及市场营销预测分析(predictive analytics for marketing)。您应利用诸如旅程体验筹划(journey mapping)和结果驱动型创新(outcome-driven innovation)等方法来找到未满足的客户需求和应用机会。
3) 消除组织、管理和技术影响
您必须为由人工智能所带来的组织、管理和技术挑战做好准备。缺乏必要技能通常会成为应用人工智能的主要障碍,因此发展基本技能将关乎成败。伴随数据科学技能发展和首席数据官机制重构产生的显著影响将促进智能的创造和应用。
人工智能的许多优势都来自机器学习提供的预测。但可惜的是,各企业机构往往并没有为使用这些数据做好相应准备,而只是凭直觉贸然行事,更别说在决策过程中对分析结果进行评估和概率评定。这表明数据驱动型文化的培养与从商业角度来“说数据语言”的能力同样重要。
利用人工智能深入了解人类无法企及的领域能够推动预测分析(predictive analytics)、自然语言处理(natural-language processing)、计算机视觉(computer vision)、图像识别(image recognition)和许多其它相似智能向前发展。许多业务领域必将受益于人工智能生成的洞察和能力,但管理它们可能是一项挑战,因为这些方法如何实现预测结果的过程并不透明,而且确保优质结果和适当使用的流程也不健全。例如:经过相同分析的相同数据可能会根据用途受到不同管理——一种方法可能符合道德标准,而另一种则反之。安全性、隐私性、合规性和保留性也是如此。
总而言之,要应对这些挑战,您必须培养数据驱动型文化;谨慎应对管理和道德考虑因素;避免轻信危险的谣言。除此之外,还应为发展人工智能能力建立一个学习实验室。
好文章,需要你的鼓励
这项研究介绍了Ankh3,一种创新的蛋白质语言模型,通过多任务预训练策略显著提升了模型性能。研究者采用两种互补任务:多掩码概率的掩码语言建模和蛋白质序列补全,使模型仅从蛋白质序列就能学到更丰富的表示。实验表明,Ankh3在二级结构预测、荧光预测等下游任务中表现优异,尤其在模型未曾训练过的任务上展现出强大泛化能力,为蛋白质设计和分析开辟了新路径。
法国波尔多大学研究团队开发了一个突破性框架,用于神经退行性痴呆症的差异化诊断。该框架将3D脑部MRI转换为文本报告,并利用强化学习优化的大语言模型进行详细诊断推理。不同于传统"黑箱"方法,这一系统能生成透明、有因果关系的解释,同时保持高诊断准确率。研究显示,通过群组相对策略优化(GRPO)训练的轻量级模型能展现复杂推理行为,包括假设检验和非线性思考,提供与临床决策流程一致的排序诊断结果。
这项研究提出了CLUE框架,首次能够生成自然语言解释来揭示AI事实核查系统不确定性的来源。与现有方法不同,CLUE能识别文本片段间的冲突与一致关系,并解释它们如何影响模型的预测不确定性。实验表明,CLUE生成的解释在三种语言模型和两个事实核查数据集上都更忠实于模型不确定性,用户评价其更有帮助、信息更丰富、冗余更少且逻辑更一致。CLUE不需要微调或架构更改,适用于任何白盒语言模型,为事实核查提供了实用支持。
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。