至顶网CIO与CTO频道 10月28日 编译:数字化转型(因为缩写为DX)是目前非常热门的话题。我们大致可以将数字化转型定义为将新的数字技术用于改善业务,例如:用机器人和移动连接设备进行自动化工作流程等技术转型;利用分析做出更好的决策;用人工智能取代真人交互。DX几乎可以令任何业务流程获益,诸如招聘手法、客户和市场研究、规划和调度决策等等。
在工业制造领域,笔者看到DX提高核心业务方面最大的使用案是实用制造工艺。许多制造商都将DX计划集中放在在工厂生产指标上,如安全性、产品盈利能力、质量、设备可靠性和可持续性等等。鉴于这些公司的收入来自他们生产的东西,他们关注的焦点放在这些上面是有其道理的。
虽然DX的目的很简单,但也存在可能令组织无从着手的棘手问题。我从哪里开始做呢?我怎么知道我走在成功的路上?谁该负责做?下面是笔者见到的公司CTO为工业制造企业提供技术解决方案常用的两个方法。
由于我们说的网络数字技术,企业往往会要求企业的IT部门打头阵承担DX方案,有时也会要企业工程或研究与发展提供帮助。团队然后再寻找和测试广泛的适用解决方案和架构。大致的期望是利用所选择的技术功能可以得到真正的商业结果。
一众公司往往会追求诸如云技术、分析或其他数字基础架构标准化部署的广泛计划,而同时还要确保遵循整个公司的网络安全做法。在过去的几年里,许多“企业分析”或“企业物联网”软件平台好像也在提供这种目的的服务。领导者或许有个将要部署的应用程序的思路框架,但他们并一定总是知道下面在做的具体案例。这就是我所说的自上而下法。
而公司的“前线”是运营单位,即制造车间。真正的活动发生在这里,无论是在工厂、车间、作坊、油田还是矿山都是这样。这些设施通常是公司价值的来源,有自己的管理、预算和优先事项。为了达到目标,管数字化转型的营运负责人领导人通常会一个遵守单位的目标要求做出的投资和资源分配,如人员安全、设备健康、正常生产时间、生产效率和成本控制等等。根据笔者的经验,运营人员最了解新工作流程或生产变化是否可行以及实际业务的影响,没有人比他们更了解。他们也知道他们喜欢什么直接的问题需要解决,并开始自己的DX项目来解决这些问题。让我们把这个自下而上的方法。
混合的方法要DX
那么,哪些方法产生最好的效果?正如我敢肯定你已经猜到,我发现答案是两者的结合。
设施级的人就可以快速移动。因为他们知道对业务的影响,以及如何在具体设施的数字化系统,以配合他们可以轻松地量化在DX项目的投资回报率。他们也有专业领域知识应用到生产问题 - 他们知道详细的设备和工艺是如何工作 - 这是数据科学家和DX技术大师们不一定有。当你引进新的数字技术,它确保设施运营商愿意改变,并采用新的数字工具或工作实践的DX项目已到位是很重要的。您可以在您的指尖有所有的最好的技术,但会发生什么,除非该设施乡亲执行“新的数字化的方式。”
然而,在设施水平,队员们不太可能考虑如何重现成功厂内数字节目跨舰队或者找到企业级使用他们的数据 - 他们几乎可以肯定没有资金这样做。此外,他们往往不会有先进的技术,比如那些可以帮助他们拥有自己的工厂外将数据移动到云一样舒适。最大的风险在于,他们创造了一套与该组织的其余部分无法利用高支持成本设施的具体解决方案。
企业领导的方案通常注重的架构或解决方案的广泛应用和标准化。企业IT组织也普遍在治理,提升数据的广泛使用和可重用的非常好。但有时他们不知道他们需要一个独特的应用程序,它可以创建很难用“数据湖”的具体数据类型和连接。他们缺乏必要的专业领域知识,所以他们可能会错过重要的功能,或者提供不提供结果的应用。如果他们不努力争取设施乡亲的买入他们的项目,他们运行的这一切是徒劳的,如果没有人会执行或风险“封闭循环“。
根据我的经验,如果有驾驶针对具体的,可衡量问题的眼光和字段级工厂运营解决公司的数字团队之间的紧密连接的数字化改造才会起作用。一个做到这一点的最佳途径是建立以使公司层面与厂级IT负责一个团队DX,操作技术(OT),工程和商业领袖一起优先考虑他们想要解决,然后实施试点项目的问题。找到谁的设施将导致这些项目和分享他们的经验与其他设施的“冠军”这是非常重要的。诀窍是搞清楚如何扩展整个企业的解决方案,避免“试点炼狱”。如果你不这样做,这两个群体可能有进展幻想,而实际上,他们只是创造有限部署解决方案的更多的孤岛。这就是为什么你应该有中央IT的技术和支持的悟性和工程结合起来工厂工作人员的业务和运营知识来创建一个成功的团队,为数字化改造。
好文章,需要你的鼓励
微软CEO萨提亚·纳德拉希望推动AI接受度进入新阶段,重点关注AI工具如何赋能人类。在微软Copilot订阅和云AI服务收入能否抵消数据中心投资存疑的背景下,纳德拉有动机说服客户和投资者相信AI是明智的长期投资。他在新博客中提出2026年AI发展的三个关键点:将AI视为增强人类能力的工具、从单一模型转向多模型系统协作、以及在AI部署上做出明智的资源配置决策。
瑞士ETH苏黎世联邦理工学院等机构联合开发的WUSH技术,首次从数学理论层面推导出AI大模型量化压缩的最优解。该技术能根据数据特征自适应调整压缩策略,相比传统方法减少60-70%的压缩损失,实现接近零损失的模型压缩,为大模型在普通设备上的高效部署开辟了新路径。
法律行业正迅速采用生成式AI技术,用于案件研究、起草和审查等工作。调查显示,80%的法律专业人士认为AI将在五年内对其工作产生重大影响,约四分之三的律所已在使用AI进行文档审查和法律研究。律信数据公司推出的Lexis+ AI平台,整合了超过1380亿份文档记录和AI助手,帮助律师回答复杂问题、生成草案并提供诉讼洞察,成为该公司历史上增长最快的产品。
弗吉尼亚大学团队创建了Refer360数据集,这是首个大规模记录真实环境中人机多模态交互的数据库,涵盖室内外场景,包含1400万交互样本。同时开发的MuRes智能模块能让机器人像人类一样理解语言、手势和眼神的组合信息,显著提升了现有AI模型的理解准确度,为未来智能机器人的广泛应用奠定了重要基础。