全球物流公司DB Schenker的印度次大陆首席信息官Shantanu Roy需要在创新与业务连续性之间找到平衡,包括通过无人机运送重型货物、实现重复性流程的自动化等等。他在与记者的自由讨论中介绍了他的公司对数字技术的有效利用以及物流业的新兴趋势。
记者:综合物流的要求极高。DB Schenker是一家拥有150年历史的公司,DB Schenker在调整技术满足客户不断变化的需求方面怎么做的?
Roy:我们意识到技术可以创造强大的差异化。考虑到这一点,我们大约一个月前在全球范围内启动了一项企业级数字化转型计划。其目的是重新审视整个业务和技术状况,令公司可以为未来做好准备。计划的一部分是升级所有的仓库、解决好客户流程和问题以及更新整个技术栈。
DB Schenker的足迹十分庞大,DB Schenker在全球1850个地点开展了业务,其中包括725个仓库、数百个办事处、机场站点和海关办事点。我不确定该项目何时结束,但项目结束时,我们公司将拥有完全不同的流程,可满足现在和未来的市场需求。
记者:就国家层面的数字化举措而言,DB Schenker在印度的流程的70%至80%都是靠机器人运行的。机器人流程自动化如何重新定义了DB Schenker的业务流程呢?
Roy:为了最大化RPA(机器人流程自动化),我们对整个IT架构进行了彻底地反思。我们决定利用第三方RPA平台在内部建立定制的机器人,导致了几个流程的自动化。
例如,其中一个操作流程涉及到比较运输指令和装载单。我们作为一家物流公司必须确保提供给承运者的运输指令有一个镜像。用人工匹配该信息要花费我们大约四个小时。我们将这一过程自动化,现在几秒钟就能完成。
机器人帮助我们处理各种业务,包括由CFAs(注册舞弊审计师)做清算和转运代理以及海关收到的大量发票。仅海关处理一项,我们每个月要处理7000到8000张发票。RPA机器人读取发票并将所有发票存入我们的ERP(企业资源计划)解决方案里。RPA还可以在对账过程中帮助我们,可以检查发票是否已经存入银行账户。
总的来说,自动化减少了约30%至35%的人工工作。
记者:但目前的机器人以流程为中心的程度很高,而且是交易性的。你们有什么计划使自动化成为战略性的举措?
Roy:我们目前正在利用机器人来实现流程自动化,但在未来两到三年里人工智能和机器学习将得到快速采用,以达到影响业务决策的目的。机器人收集的数据将与多个数据集合并,为组织创造一个视角点。能够采取明智的决策可以帮助我们提高客户体验和整体增长。
记者:你说得对;客户体验对持续增长至关重要。但在过去几年中,客户的期望值急剧上升。你们是如何帮助客户节省时间和金钱的呢?
Roy:我们已经制定了一项创新战略,名为“点击-发货-完成”,该创新战略的关键在于技术。战略的核心是数字平台Connect 4.0,Connect 4.0可以帮助客户实时预订和跟踪货物。鉴于市场上日益增长的供应需求,这一点在今天至关重要。
客户以前是打电话给我们或发送电子邮件预订货物。这个过程很烦人,也很费时。过去,从客户的邮件转换成货物需要大约两个小时。
在新的平台上,货物的流动现在是通过Connect 4.0。因此,可以做到即时响应,客户不再需要等待。点击-发货-完成的方式为客户提供了完全的可视性。他们现在可以节省时间,可以在线预订货物,实时比较价格和时间,还可以跟踪货物的陆运、空运或海运状态。
记者:这个平台用了哪些技术?是你们自己开发的吗?
Roy:我们已经拥有这个平台的基本组件。我们利用商业智能的数据湖、定价引擎和一些API整合在一起,在公司内部建立了这个平台。
记者:无人机和电动车大有颠覆物流业之势。DB Schenker准备如何迎接它们呢?
Roy:利用无人机为客户提供最后一英里的送货服务,这一趋势正在全球范围内兴起。目前,大多数无人机运送的货物重量为50克至2公斤。DB Schenker正在测试无人机运送250公斤的概念。如果成功的话,能够运输这么重的货物肯定可以开辟一个完全不同领域。
至于电动车方面,我们已经制定了具体的电动车战略,我们现在不仅拥有陆地上的电动车,我们还拥有空中和海上的电动车。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。