至顶网CIO与应用频道 05月25日 人物访谈(文/王聪彬):5年前,Teradata天睿公司首席运营官Oliver Ratzesberger刚刚加入Teradata时就在关注如何通过技术、方法、产品获得成功。2年前,他在迪斯尼世界分析师大会上给1500多位数据科学家、高级分析人员介绍未来企业的发展方向。
正是这次分享成为一个契机,一些高管纷纷建议Oliver应该写本数据分析相关的书,来帮助不同行业的企业通过数据取得成功。
Teradata天睿公司首席运营官Oliver Ratzesberger
所以在2017年Teradata Partners全球用户大会上,Oliver就带来了与美国西北大学凯洛格商学院Mohan Sawhney教授合著的《感知型企业:数据驱动的商业决策演进》(The Sentient Enterprise: The Evolution of Business Decision Making),现在中文版也正式出版并来到中国。
感知型企业是一个循序渐进的过程
Teradata所提出的感知型企业,是让企业可以像人一样可以感知环境的变化并进行反馈,企业则可以在激烈竞争的商业环境中获得成功。
《感知型企业》一书则为根据数据增长速度做出快速决策的企业提供了路线图,并概述了感知型企业的五大基础特质:
主动性:能够感知下一个机会的信号或预警下一次危机的小趋势;
无障碍:企业作为单一的组织存在,而不会受到数据孤岛的阻碍或瓶颈影响;
自动化:能够聆听数据,并进行实时决策,无须太多人工干预;
可扩展性:适合任何规模的企业,帮助它们利用任意数据做出业务决策;
可演进性:通过原生的、自然的智能实现决策的演进。
当然感知型企业并不是一蹴而就,应是一个循序渐进的过程。感知型企业的演进分为五个阶段,即五个平台的建设:敏捷数据平台、行为数据平台、协同思维平台、分析应用平台和自主决策平台。因为在每个阶段中,企业追求和关注的重点不同,数据分析带来的价值也不同。
根据需求的不同,每一个企业都有着不同的感知方向,Teradata会通过咨询帮助企业找到洞察所需要的数据分析,之后利用Teradata技术建立可扩展的平台。Oliver举例到,中国一家企业不希望数据只是存在静态的数据湖里,而是获得动态7*24小时的实时分析能力。一家全球智能手机厂商希望跟踪每一个供应链中销售的手机,通过数据保证质量以及开发新产品。
而且感知型企业一定要保证结果是可复制的,所以敏捷性和合作性是非常重要的。Teradata Everywhere、四维分析等服务都可以使数据分析尽可能的简化,通过平台的建立让数据科学家和其他员工专注于提升最终的业务结果,而不是纠结在细节数据上。
按需构建自己的感知能力
在Teradata看来,金融、零售、通信等行业在感知型企业都在构建自己的感知能力。
像迪斯尼在感知上就走在了前沿,几年前其就推出了“魔力腕带”,游客通过腕带不仅可以进行消费、订酒店等,还可以获得优惠。这种定制化的体验,让不同年龄段的游客都可以得到最优质的服务体验。
腕带中的传感器还可以让迪斯尼了解到客户的行为数据,比如在哪里消费、参与了哪些娱乐项目。通过这些信息进行优化,迪斯尼可以将进园数提升4倍,各个项目等待时间可以节省80%。
但相比金融、零售、通信行业在数据的使用上,制造业却相对滞后。中国是制造业大国,Teradata则看到制造业的前景可期,因为制造业未来的传感器数据将无数不在。
Oliver特别提到四维分析(4D Analytics)在未来制造领域的应用,四维分析可将三维空间位置数据与作为第四维度的时间相结合,特别是在边缘计算应用中可发挥重要作用,轻松管理时间与位置常变变量,并轻松结合运营及客户数据,达到之前无法实现的大规模数据分析。
总体看来,感知型企业在技术角度要做到可扩展性和运营简便性两方面,当然文章开头也提到成为感知型企业不仅仅需要技术,在企业内IT部门和业务部门应该打破孤岛式的沟通,建立有效的协作方式。
好文章,需要你的鼓励
Fractal AI Research实验室开发了Fathom-DeepResearch智能搜索系统,该系统由两个4B参数模型组成,能够进行20多轮深度网络搜索并生成结构化报告。研究团队创新了DUETQA数据集、RAPO训练方法和认知行为奖励机制,解决了AI搜索中的浅层化、重复性和缺乏综合能力等问题,在多项基准测试中显著超越现有开源系统,为AI助手向专业研究工具转变奠定了基础。
AI正在革命性地改变心脏疾病治疗领域。从设计微创心脏瓣膜手术到预防原理定位,机器学习和神经网络的洞察力推动了巨大进步,甚至可以构建新型移植解剖结构。数字孪生技术为个性化心血管护理提供持续预测管理。哈佛干细胞研究所的研究人员利用纳米材料和类似棉花糖机的设备,能在10分钟内制造心脏瓣膜,相比传统3周制造时间大幅缩短。这些突破性技术为每年4万名先天性心脏畸形儿童带来新希望。
快手科技与清华大学合作发现当前AI语言模型训练中存在严重的权重分配不平衡问题,提出了非对称重要性采样策略优化(ASPO)方法。该方法通过翻转正面样本的重要性权重,让模型把更多注意力放在需要改进的部分而非已经表现良好的部分,显著提升了数学推理和编程任务的性能,并改善了训练稳定性。