澳大利亚最大的建筑材料供应商Fletcher Building公司首席执行官Joe Locandro说:“你永远不能开车时看后视镜。作为CIO,你必须不断向前看,乐于支持自己。这就是CIO和IT经理之间的区别——一个负责完成工作,另一个负责愿景并有所作为。”
Fletcher Building是一家规模80亿新西兰元的企业,旗下包括了30多家公司,涉及制造、矿业、道路建设等领域,当需要进行数字化转型并更好地支持数据驱动和平台业务时,Locandro的前瞻性理念是公司取得成功不可或缺的一部分。
打造适合的平台
Locandro担任CIO的那一年,他对于围绕如此复杂业务的IT组织迅速采取措施进行简化和精简。他说:“回想上个世纪,企业都是点对点建立的,你最终你看到的就像一棵由并购构建起来的意大利面条树,成本变得十分高昂。大多数企业会引入针对不同国家的SAP版本,然后对其进行定制。我们正在做一个全球实例,从17个国家转移到1个国家。此外,我们正忙于从750个Edge系统迁移到350个。”
Fletcher Building富有远见地采用了尖端的ERP平台,有望彻底变革其数字基础设施,并成为整个集团创新的启动平台。Digital@Fletchers项目整合了这17个独有的ERP实例和大约350个接口卫星系统,整合到一个统一的ERP核心中,这种协调一致的方法中,通用配置占到80%,本地配置达到20%,简化了升级过程,同时显着降低了成本。
这种统一的ERP方法所带来的变革力量,让Fletcher Group的业务部门建立在坚实的基础上,推动协同效应并促进创新。新的ERP环境简化了流程并消除了近一半的卫星系统,让Fletcher Building公司能够专注于开发新颖的解决方案,利用新的ERP核心系统加速增长。
“谈到基于平台的业务时,你可以实现即插即用并获得协同效应,这样整个集团就可以利用你定制的电子商务平台、数据和分析平台、以及安全平台,这就是我们涉足平台业务的原因,当我们进行新的并购时,将其纳入这个系统中。我们会运行一个联合模型,我们作为集团IT,会确定什么是核心,什么是标准,然后我们允许业务在这之上自由创新。我们实现了规模化的协同效应,以及创新的灵活性和敏捷性。”
实现改变
Fletcher Building本质上是一家垂直整合的建筑公司,面临特定的技术挑战,尤其是Locandro认为,有抱负的CIO面临的最大问题,就是缺乏与业务的凝聚力,只有无法与战略看齐以实现业务成果的技术人员。他说,必须有能力处理分歧并规划出一条路径,以便在技术成熟时实现目标。在这种规模的组织中,挑战和威胁每天都会出现。
然而,从广义上讲,三大支柱推动Fletcher Building公司向前发展。一是提高运营效率,降低服务、数字化和自动化低效流程的成本。第二是增加客户亲密度,为此,Fletcher Building正在开发CRM系统和其他更多面向客户的应用。他说:“我们想要更加接近客户,使用分析和搜索引擎来建立我们的角色和形象。新的ERP系统将使我们能够看到与我们进行端到端交易的客户,而不是让客户处于不同的孤岛中。我们专注于将数字应用与其他应用一起使用,以帮助提高我们的净推荐值。”
第三,简单来说,就是以突破性创新为中心。Fletcher Building的规模和范围说明了技术创新如何带来业务运营方式上的范式转变,从使用无人机调查材料库存和路面完整性,到使用AI查看混凝土和水泥混合物以减少二氧化碳排放,还有运用于安全系统以预测那些可预防的伤害。Fletcher Building公司在高效运营的呼叫中心以及最先进的谷歌中心和分析方面也有创新,制定智能决策以反馈到ERP系统。他说:“我们还在工厂中使用了物联网传感器,在机器发生故障之前进行健康检查和预测性维护,借助5G技术,我们可以将其纳入实时馈送中。”
Locandro相信,他可以利用他的全球经验将这些雄心勃勃的目标变为现实。他说:“无论我在哪里工作,都是关于转型和IT遗产,准备好迎难而上进行新的变革,工业和制造企业向来在数字化方面有所落后,但我们正在扭转这一局面。”
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。