Jeff Lipniskis在PPG公司负责的是IT业务线。作为该公司全球IT、建筑涂料和拉丁美洲的总监,他直接汇报给公司首席信息官,并负责公司建筑涂料业务的全球IT工作,领导该公司有关防护和船舶涂料业务的IT公司,以及监管研发部门的IT工作。
作为在PPG工作了21年的老员工,Lipniskis经历了公司一系列重大投资组合转型和全球化进程。在过去的20年中,PPG进行了60多次收购,销售额增长了大约一倍。如今,PPG是全球最大的油漆和涂料制造商,业务遍及全球65个国家。
近日,Lipniskis在IDC数据和分析峰会上,和IDC分析师Derek Hulitzky探讨了他在PPG公司是如何利用数据为业务战略赋能的。
标准化和灵活性之间的平衡
Jeff Lipniskis:在通过收购进行转型的过程中,你会看到基础设施出现了多样化,有不同的ERP平台,越来越复杂的应用组合。而且更重要的是,当你将这些不同的组合整合在一起的时候,业务流程会发生很多变化。而且,数据正是在业务流程的层面上发生了交汇,数据在这些流程中生成、受到管理。因此,从整个组织的层面来说,我们要花费大量时间在实施标准化上。
如果收购之旅持续进行下去的话,当更多不同组织融合进来,我们将如何优化供应基础?我们如何优化制造和实验室、对其进行巩固并使其具有恰当的规模?我们如何打造一种客户体验,让你觉得你只是在与PPG开展业务,而不是一家收购了60多家不同公司的企业打交道。数据是其中一个关键的部分,对实现这种客户体验起到的推动作用。
但是归根结底,我们需要在IT方面保持灵活,以确保我们达成了这些业务成果的目标。
良好的监管
我们的核心是围绕全球治理和监管开始的,拥有良好的主数据管理,数据丰富的项目和流程标准化,并实现持续发展。
然后我们开始审视这一战略的下一个重要支柱,也就是围绕数据架构进行开发,对数据和定义的统一视图,拥有跨不同系统的资源。那么你如何将其联系在一起,并横跨多个业务线?
选择恰当的工具
作为Azure云上采用微软的客户,我们在报告和分析等方面使用了微软工具集。但是在AI/ML方面,你会看到一些变化,越来越多的是因地制宜,而不是一刀切,也就是说,你要看哪些是最适合你的模型,或者有哪些最现成的工具。这样你就可能有很多个不同的供应商,有时候你需要连接到多个不同的云,利用多套解决方案来构建这个模型或者具备某种能力。
投资数据架构
老实说,我们在这方面的成熟度是非常低的,我们是通过引入外部专业知识才帮助我们达到了当前的架构水平。我们的架构还在不断演进。如今,我们正在构建内部人才和内部能力,从而继续保持该架构的状态并不断演化。如果时光可以倒流的话,在架构上进行的前期投资从长远来看对我们将是有益的。
数据准备
我们的确很专注于所有新系统的实施,以确保我们生成越来越多的数据和遗产都是尚未为人工智能做好准备的。你需要创建数据质量指标,需要进行审计,从第一天开始就进行验证,即使你还没有将数据放入模型中,总有一天它会让你达到你的目的,也许是一年,两年,或者三年,总而言之,朝着这个方向走下去不会有太糟糕的结果。
PPG数据战略的下一步是什么,对我们来说,这将是我们提高现有基础成熟度的举措之一,我认为我们已经打下了一个很好的基础,在这个基础上我们通过学习和适应并继续保持灵活性来不断实现演进。如果展望未来,我相信我们肯定会更加关注人工智能和机器学习所带来的影响,我们将看到人工智能和机器学习技术加快发展,我甚至认为当我们的数据做好了准备,这将是“指数级”的增长。因此,我认为,未来的重中之重将是AI/ML。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。