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
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。