至顶网CIO与应用频道 10月24日 北京消息:由数据分析领域的领导者SAS所委托开展的一项研究显示,近四分之三的企业组织(72%)表示数据分析能够帮助他们挖掘商业价值,60%的企业组织则表示数据分析为其带来更多创新。
约四成企业组织(39%)表示已将数据分析作为商业战略的核心。约三分之一的受访者(35%)表示还尚未将数据分析应用于战略性项目。尽管诸多企业组织都认同数据分析能够带来的巨大价值,且大多数企业(65%)可将价值实现量化,但是他们在数据分析上的投资还未实现最大收益。
在人工智能和物联网等新兴技术应用发展的推动下,企业正优先开展数据分析并从中快速获得商业洞见。
这项名为《此时此地:对数据分析平台的需求》的研究报告,分别针对世界范围内各行各业的数据分析专家、IT和重要业务部门专员进行了调查。调查发现数据分析正在改变企业的业务模式。除了改善企业的日常运营,数据分析也正在悄然推动企业创新——超过四分之一的受访者(27%)称数据分析帮助他们推出了新的商业模式。数据分析平台确实为企业带来了很多好处,主要体现在更少的数据准备时间(46%),更智能的决策(42%)以及更快地从数据中获得洞见(41%)。
“调查结果显示,商界人士强烈希望利用数据分析来提高商业洞察力和竞争力。”SAS全球技术实践总监Adrian Jones说:“大多数人,特别是针对正在开发人工智能的前沿技术人士,都已经认识到高效的数据分析可以使企业组织受益。但是,将数据分析应用于战略性项目的企业组织数量并不多。”
调查表明,企业领导力与数据分析技能的不匹配,致使企业无法最大限度的发挥数据分析的潜能。许多公司在同时管理多个数据分析工具和数据管理流程,这使得企业及相关从业人员倍感吃力。
“为了取得成功,企业组织必须将数据分析置于战略规划的核心,使用统一的数据分析平台,使数据分析资源能够真正实现驱动创新的作用,”Jones说道。
对于数据分析平台的作用,受访者中存在不同的观点:大多数人(61%)认为数据分析可以从数据中挖掘洞见和价值,但人们对于数据分析的其它优势存在分歧,例如更好的数据管理、预测性模型及开源技术。59%的人认为数据分析平台的另一个作用是构建高集成度的数据框架,而43%的人则认为它的另一个作用是为人工智能和机器学习提供模型和算法。
这些调查结果表明,公司都认可数据分析对其带来的帮助,但是否能通过统一数据分析平台实现企业收益最大化,企业间并未达成一致意见。这也为去年在阿姆斯特丹SAS全球分析领袖峰会上所发布的《企业人工智能应用愿景研究报告》的调查结果做出解答——为何只有少数企业组织建立了合适的数据分析平台。只有约四分之一的企业(24%)建立了适合人工智能应用的基础设施,而大多数企业(53%)则认为他们需要更新和调整目前的数据平台,甚至还没有专门的平台来应用人工智能。
尽管数据分析的应用场景庞杂,但受访者对数据分析的最终应用成果仍抱有信心。平均来看,70%的受访者相信他们可以通过数据分析获取商业价值。在数据科学人才方面投入更多的公司将获得更高的投资回报:聘请了专业分析人士的企业组织受访者中,有72%表示有信心取得成功;而只配备了标准IT团队的受访者中,只有65%表示有信心。
对于未来的看法也是如此。与标准IT团队(59%)相比,专业分析团队(66%)更有信心,认为更有能力满足未来的数据分析工作量。
“我们与那些在战略层面应用数据分析和人工智能的商业领袖交谈时,他们表示通常面临的挑战是需要建立企业级的数据分析平台,以及具备数据科学和分析专业技能的人才。”SAS执行副总裁兼首席营销官Randy Guard说道。
“人工智能现在已成为众多企业组织的技术发展重心,因此强大、高效的数据分析能力则显得尤为重要,”Guard说:“人工智能的效率建立在数据分析的基础上,随着数据分析工作量的不断递增,采用全面综合的平台战略才是确保规模化应用的最佳方式。”
这项名为《此时此地:对分析平台的需求》的研究报告包含了两个阶段的调研结果。第一阶段:与欧洲、中东和非洲地区132家企业和政府组织的专业人士进行深入访谈。这些专业人士包括分析业务倡导者、IT决策者,分析主管和数据科学家,访谈内容围绕15个议题开展。基于第一阶段的研究结果,第二阶段的调研对477位全球范围的合格参与者进行了在线问卷调查。
本新闻于在米兰举办的SAS全球分析领袖峰会(Analytics Experience 2018)现场发布。本次盛会由SAS主办,数千名现场和网络与会者汇聚一堂,分享对关键业务问题的见解。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。