自疫情爆发以来,全球供应链都在苦苦挣扎,但对于大多数企业来说,供应链运营一直以来是产业关注的焦点,对其进行分析也逐渐成为应对供需重大波动的一项关键性缓解举措。
食品和饮料公司百事可乐在疫情初期就看到了供应链发生异常的信号,随着全球范围实施人口流动封锁,消费者们开始囤积各种食物。
百事可乐公司电商工程负责人Jason Fertel表示,在疫情初期,例如燕麦片等生活必需品很快售空下架。
为了缓解这一问题,百事可乐公司采用数据分析和机器学习来预测缺货并提醒零售商重新订购,并且利用这些洞察来帮助百事可乐公司优化市场营销活动。
Fertel表示,百事可乐通过使用智能技术和开发的一些产品,就可以在商品产品缺货的时候,快速响应并自动关闭营销广告。
平台帮助百事可乐公司预测商品缺货
百事可乐公司的产品组合包括Frito-Lay、Gatorade、百事可乐、Quaker、Tropicana和SodaStream。在疫情之前的几年,Fertel和他在百事可乐公司电商工程团队就已经开始致力于为管理搜索营销操作提供工作流自动化。如今,他们开发了一款名为Sales Intelligence Platform的销售智能平台,可以为百事可乐公司的销售人员提供洞察力,更有效地销售公司的商品。该平台将零售商数据与百事可乐的供应链数据相结合,用于预测商品何时会缺货,并提示用户进行购买以补充商品。
“这个平台让我们的现场团队能够直接采取行动,从而有助于增加销售额,缺货情况也有显着减少,”Fertel说。
百事可乐公司的Sales Intelligence Platform平台是一个跨渠道、跨职能的洞察、工作流和自动化应用,旨在简化数字销售和运营。该平台建立在Elixir编程语言之上,该语言可构建可扩展的、可维护的Web应用。数据工程团队在Snowflake Data Cloud中收集来自零售商共享的数据和内部供应链数据,根据数据特征处理成PostgreSQL或Apache Druid数据库,然后构建在Phoenix Web框架上的应用可通过第三方API提供这些数据。
该应用的初始版本于2020年秋季发布,主要用于营销自动化,专为百事可乐公司内部电子商务销售团队设计,仅此一项就帮助团队实现流程自动化并增加了采购订单。
Fertel的团队随后在2021年开始向门店的现场团队提供实时的缺货信息,这也让人们看到了将数据分析与现场销售和供应链运营相结合的可能性。
虽然目前与现场销售团队的合作仍处于相对早期的阶段,但Fertel表示,已经看到了很积极的成果,“在现场销售方面,我们开始看到运营方式发生了巨大变化,我们和门店经理一起推动那些以前从未尝试过的东西。”
早期采用者和关注价值是成功的关键
Fertel 认为,找到那些非常愿意测试平台功能的早期采用者项目取得成功的关键。此外,他表示百事可乐公司的成功来自于始终专注于特定的业务问题。
“我们想做很多事情,但我们很早就专注于解决缺货问题。我们的业务覆盖到大量不同的垂直行业和销售情报,但我们最初高度关注缺货问题,这帮助我们的团队取得了成功。”
Fertel表示,专注并与最终用户密切互动,使得他的团队可以很好地了解现场销售团队及他们的需求、什么可行、什么不可行,然后交付实际的价值。
Fertel还指出,刚开始要牢记最小可行产品(MVP)这一概念是至关重要的,至少在开始的时候就关注价值,而不是完全的自动化。
“你必须接受没有功能完整的版本出来,早期我们在机器学习方面所做的一些工具就是这样,我们先上传一个包含了各种模型的文本文件,然后再不断修改,对吗?这就是起步,如果奏效了,就对它进行迭代,不断进行优化。没有什么必须是完美的。我认为这一点很重要:你最好是能够提供出价值,即使只是有人每天上传一个文件,而不是等到你拥有了完全自动化的东西再推出。”Fertel 说道。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。