去年,陶氏化学(Dow)在更好地利用数据方面,迈出了大胆的一步。为了消除孤立的数据孤岛,同时更好地利用商业智能并作为一项企业资产,陶氏公司成立了一个内部组织,将IT和公司全球业务部门无缝集成到一个部门下。
这个部门被命名为业务数据服务部(Business Data Services),它的作用有点类似于自行车车轮,以IT为中心,辐射到陶氏公司的业务部门、区域部门和职能部门。陶氏公司创建该组织的最初目标是为了加速数字业务流程工具和服务的交付,提高这些工具和服务的采用率,以实现更强大的业务成果。
陶氏公司首席数据官Chris Bruman解释说,这家有着125年历史的公司,仍然在不断进行变革以满足变化的市场需求,把人工智能和机器学习等赋能技术融入进来,这种集成的、协作式的方法,已经改变了IT部门关于哪些数字解决方案适合陶氏公司的IT决策方式。
关于保持专注:
当前,我们面临的外部干扰和各项挑战,可能比以往任何时候都更加强调了把数据作为基本优先事项的必要性。但我们必须严格地对特定领域进行优先级排序,而不要因为某个突发奇想过于分心——要缩小范围并保持专注,而不是好高骛远。
我更倾向于划定几个对业务有影响的重点领域,在这些领域做出重大改进,而不是一头扎进数百个领域却几乎没有什么进展。我们通过专注于与业务目标一致的若干领域,为公司、我们的客户和我们的员工赢得了胜利。我们凭借经过验证的能力,我们开始更多地了解什么会产生最大价值,如何才能更快速地采用以获得更高价值。因此可以说,保持精专就是我们眼下的一大主题。
关于创建数据枢纽:
2020年底,我们开始考虑在数据质量和数据治理方面采取新的方法。我们开展了很多方面的工作,包括报告、数据迁移、数据管理等等,希望将这些数据都整合在一起,为公司打造更强大的数据枢纽。因此,我们在2021年第二季度发布了Business Data Services。
陶氏公司的大多数数据并不归属于IT部门。其他几个业务职能都要对这些数据负责,如果管理不善,这些数据很快就会变得分散零碎。作为数据枢纽,我们致力于实现治理便利性、更好的流程、带来更易于使用的工具,但是在数据清理和长期数据维护方面,要依赖于业务部门、职能部门和区域组织。这种模式很重要,因为这样IT部门就可以为公司内的所有数据所有者提供有用的指导和最佳实践。
关于利用人工智能和机器学习:
今天,当我们把数据从一个位置移动到另一个位置,或者从一个工具转移到另一个工具的时候,会有很多数据清理相关的操作。这个时候,我们就要进行大量的手动检查,而机器学习可以对这些手动操作实施自动化来帮到我们。未来,我们只需要给出一份有关于需要验证哪些异常情况的报告,而不用让某个员工在周末的时候来检查数据。这样,通过自动验证数据来查看数据是否准确和干净,就能让员工只需花费30分钟而不是周六的6个小时。
陶氏公司和其他各行各业的公司一样,把ESG和可持续发展视为企业的当务之急。因此,我们将继续寻找机会,利用人工智能和机器学习来实现这个重要领域中某些数据管理任务的自动化。
好文章,需要你的鼓励
施耐德电气以“新质服务+产业向‘新’行”为主题,第六次参会,展示全新升级的“新质服务体系”,围绕创新驱动、生态协同和行业赋能三大核心领域,以全新升级的“新质服务体系”,助力中国产业向高端化、智能化、绿色化迈进。
香港中文大学联合上海AI实验室推出Dispider系统,首次实现AI视频"边看边聊"能力。通过创新的三分式架构设计,将感知、决策、反应功能独立分离,让AI能像人类一样在观看视频过程中进行实时交流,在StreamingBench测试中显著超越现有系统,为教育、娱乐、医疗、安防等领域的视频AI应用开启新可能。
甲骨文正在成为大规模基础设施供应商的可靠选择。该公司通过AI技术推动应用开发,构建GenAI模型并将智能代理集成到应用套件中。CEO萨弗拉·卡茨透露,公司剩余履约义务达4553亿美元,同比增长4.6倍,并预测OCI收入将从2026财年的180亿美元增长至2030财年的1440亿美元。甲骨文正积极布局AI推理市场,凭借其作为全球最大企业私有数据托管方的优势地位,有望在云计算领域实现重大突破。
Atla公司发布Selene Mini,这是一个仅有80亿参数的AI评估模型,却在11个基准测试中全面超越GPT-4o-mini。通过精心的数据筛选和创新训练策略,该模型不仅能准确评判文本质量,还能在医疗、金融等专业领域表现出色。研究团队将模型完全开源,为AI评估技术的普及和发展做出贡献。