亚马逊云科技助力世界领先的快消品公司联合利华中国,建立起以数据、技术和洞察为核心的智能化运营云平台,进行数字化转型和创新。联合利华中国将分散的销售、营销、供应链、生产等核心业务系统迁移至亚马逊云平台,创建智能湖仓,应用机器学习开展供应链和销售预测的创新实践,实现了对数据的统一、灵活和安全的管理,系统敏捷性与运营效率大幅提升。
在今日揭晓的“IDC未来企业大奖”评选中,联合利华凭借其中国数字化转型项目在数千家参评企业中脱颖而出,荣膺“未来运营领军者”奖项,体现了行业权威机构对其数字化转型成就的认可,同时展现了亚马逊云科技赋能所带来的业务成功。此外,联合利华中国“基于云平台的数据湖项目”还入选中国ECR(高级消费者响应)委员会的“2020-2021年度中国ECR优秀案例创新项目“。
亚马逊云科技从2019年开始支持联合利华中国大规模上云,在整合分散的系统向云平台迁移时,亚马逊云科技Amazon Elastic Compute Cloud (Amazon EC2)弹性计算平台为联合利华中国带来安全和可伸缩的算力,Amazon EC2 Spot 实例以经济高效的方式运行和扩展其基础设施,为其带来业务敏捷性、成本节约和规模可扩展性。联合利华中国还将使用Amazon Graviton2自研处理器实例,这些实例相比基于x86处理器的同类实例,性价比提高了40%。
亚马逊云科技还为联合利华中国部署了智能湖仓架构,建立起了大数据分析平台,充分挖掘销售数据和供应链数据的价值,显著提升数据的业务洞察力。通过使用Amazon Redshift 数据仓库实时跟踪产品库存与订单交付信息,联合利华中国可统一自动生成多维度、自动化、高度可视化的报表,业务部门能更敏捷地响应迅速变化的需求。通过Amazon Glue无服务器数据集成服务, 简化数据发掘、准备和合并的流程,方便后续数据分析、机器学习和应用开发。
基于统一云平台和大数据平台,机器学习和人工智能也在联合利华中国获得了创新性的应用。联合利华中国在生产流程中引入Amazon SageMaker机器学习服务,用于需求预测,进一步指导生产计划和供应链规划。从过去基于专家的经验判断,转型为利用不断积累的业务数据并结合节假日、促销活动等关键因素训练出需求预测模型,在降低人工预测成本的同时,还提升了预测准确率,帮助减少了不必要的固定资本投入并提升了库存周转率。
基于智能湖仓架构,联合利华中国还成功拓展了DTC(Direct To Consumer)业务模式,并通过使用Amazon SageMaker,训练机器学习模型,更精准地了解消费者需求;在有效降低数据管理成本的同时,实现线上订单量的大幅增长。
联合利华北亚区IT总监侯楠表示:“联合利华“立足中国,服务中国”,制定了技术转型战略,积极推进公司的数字化转型。在中国统一IT运营云平台建设过程中,我们优先考虑的事项包括全球基础设施、技术领先性、灵活性以及成熟的生态系统。我们选择亚马逊云科技,综合利用云计算平台、大数据分析、人工智能和机器学习等技术,建设了智能湖仓,坚持以数据、技术和洞察为中心,在全球一致性和本地快速响应之间保持平衡,提升了敏捷度和运营效率,将更好地支持公司技术转型战略和数字化的变革。”
亚马逊云科技中国国际客户及合作伙伴生态系统事业部总经理沈涛表示:“我们很高兴亚马逊云科技广泛而深入的云服务能够支持联合利华中国实现数字化转型,将其供应链智能湖仓项目打造成中国快消行业的标杆项目,基于亚马逊云科技机器学习和人工智能助力他们实现供应链预测的创新突破,从而为消费者提供更好的购物体验。”
好文章,需要你的鼓励
ServiceNow宣布将以超过10亿美元收购身份安全平台Veza,这是该公司2025年一系列AI和数据重点收购的最新举措。此次收购正值企业加速部署AI代理之际,而如何管理这些非人类身份的访问权限和输出已成为普遍难题。该交易将为ServiceNow的AI控制塔提供关键的身份治理能力,帮助企业建立统一的控制平面来定义上下文相关的权限、监控代理行为并大规模执行最小权限访问策略。
达尔豪斯大学研究团队系统性批判了当前AI多智能体模拟的静态框架局限,提出以"动态场景演化、智能体-环境共同演化、生成式智能体架构"为核心的开放式模拟范式。该研究突破传统任务导向模式,强调AI智能体应具备自主探索、社会学习和环境重塑能力,为政策制定、教育创新和社会治理提供前所未有的模拟工具。
在生成式AI热潮中,只有英伟达和台积电真正赚到钱,其他AI产业链公司要么亏损要么利润被稀释。博通虽然在数据中心网络领域有不错的利润率,但为了不被AI浪潮抛弃,也选择进入AI业务。博通拥有730亿美元的AI积压订单,但被迫成为AI系统集成商,进一步稀释利润。第四季度博通收入180亿美元,同比增长28.2%,AI芯片收入达65亿美元。
HSE大学研究团队开发出革命性的AI图像生成加速技术——广义对抗求解器(GAS),能将传统需要几十个计算步骤的图像生成过程压缩至4-6步,速度提升十倍而质量几乎不变。该技术通过重新设计求解器架构和引入对抗性训练,在多个数据集上验证了显著的性能提升,为AI图像生成技术的普及应用奠定了重要基础。