利率上升、通胀和全球经济衰退令整个宏观经济环境风声鹤唳。经济放缓可能导致企业机构如预期般“勒紧裤腰带”。根据IDC 2022年12月的首席信息官调查,49%的受访者表示预计将减少IT “运行”部分的预算,以此来补贴2023年新的“搭建”行动/项目预算。这一支出上的转变反映了企业需要在效率和优化提升上加倍努力。而通过充分利用数据,企业可以做出更好的商业决策、加快学习速度并优化创新,从而增强这些领域。
为加速数据创新奠定基础
医疗、金融服务和公共部门等高度监管行业在使用数据时都面临着相似的挑战,比如数据的准确性、变现时间成本以及不兼容的平台和系统。
必须注意的是,企业的洞察力取决于其所使用的数据。过时和不准确的数据会阻碍企业预见未来,使其无法做出明智的商业决策。无论数据存储在何处或者位于何处,通过将不同的数据源与管理数据的能力相集成,企业都可以规避数据孤岛,防止数据访问受限和访问速度瓶颈。制定有效数据战略的企业能够促进创新与跨部门合作,并利用以数据为依据的洞察获得竞争优势。
如果企业能够在需要时实时提炼出更加精细化的洞察,就可以通过优化数据管理来提高监管合规性,这对于高度监管行业来说至关重要。借助数据、人工智能(AI)和机器学习(ML)的力量,企业可以更好地识别合规风险、减少报告过程中的错误并实现重复性任务的自动化,使员工把精力放在开展更有价值的工作上。
例如,上海浦东发展银行通过运用大数据、云计算、机器学习(ML)、人工智能(AI)等金融科技手段为银行的经营管理和商业模式的转变夯实技术基础。通过建立一个由肯睿支持的现代化数据平台,浦发银行提升了数据处理能力和效率。
若要以上述方式使用AI和ML,企业就需要能够对各个环境中的海量数据进行大规模的精细化控制,而这只有依托于现代化数据架构才能实现。无论数据驻留在何处,企业都必须有高效管理本地和云之间的元数据、数据工作负载和数据应用的能力,并能控制数据流。这样才能在整个企业内部形成统一、简单、安全、可扩展的数据访问与分析,减少数据孤岛。
在混合云和多云环境中管理数据、创建健全的数据策略、对数据进行分析以及确保合规性可以帮助企业在竞争中保持领先。而保证这些方面能够顺利运作的关键在于数据治理。
全球各个行业都将继续把目光聚焦在AI上,因此身处高度监管行业的企业必须保证推动这些创新的数据都治理得当并遵守隐私法规,这样才能保证用例不出现偏差,并且不出现任何安全和责任上的问题。IDC预测,到2026年,55%的亚太地区医疗机构将建立数据治理框架,以保证医疗行业对AI的使用符合道德规范。高度监管行业的企业机构可以通过部署内置安全和治理功能的混合数据平台来安全、合规、正确地使用数据,以此获得先机。
改进数据治理,抓住机遇实现资源利用最大化
若没有合适的数据治理实践,企业将需要花更多的时间验证、清理和处理不准确、不完整或损坏的数据。这不仅浪费了资源,而且企业无法扩大其数据工作来利用先进的实时分析,这将使他们不确定是否可以“信任”数据来进行决策。
为了落实有效的数据治理,企业机构必须消灭数据孤岛,向员工灌输正确使用数据的重要性。企业应该让高管层意识到良好数据治理所能带来的益处,这样他们才会持续致力于建立整个企业的数据治理。企业领导者必须在数据质量方面做好把关,而高度监管行业的企业领导者对此的要求则需要更加严格。
落实良好数据治理最有效、最经济的方法之一是部署一个内置安全和治理协议的平台。这种集中化的治理办法可以提高合规性并为所有用户提供自助式数据访问,同时在所有云环境和企业的数据驱动行动中建立统一的安全和治理层。
近年来,应监管部门对于开放架构的要求,同时为了满足利率化市场对于银行严控IT成本的需求,台州银行选择将数据迁移至Cloudera Data Platform (CDP)以优化其存储、计算、读取等日常数据处理需求。利用CDP的开源技术和安全强大的数据治理功能,台州银行在数据处理性能上有了显著提升:不仅将数据批处理时间由13小时缩短至8小时左右,同时显著提高报表应用运行效率,使95%以上的报表读取工作都能在1分钟内完成。这大大降低了员工的数据查询门槛,有效优化了数据采集、存储、分析与可视化管理,为台州银行大数据转型战略打下了坚实的技术基础。
数据治理赋能业务优化
强大的数据治理可以为企业提供及时的数据,以此来获得准确、有价值的洞察。通过这些洞察,企业能够快速判断市场走向,并据此来降低成本或优化业务流程。更重要的是,良好的数据治理可以降低监管风险,尤其是在业务中断后监管收紧的情况下,这将能满足高度监管行业企业对于监管方面的紧要需求。
除了能优化清理和处理数据上的时间和成本外,良好的数据治理还能在企业员工开发新业务用例时降低风险,并确保企业整体可靠性。最重要的是,即便在今天动荡的市场环境中,数据治理依然能够使企业拥有前瞻性并保持竞争优势,以此实现更优业务。
好文章,需要你的鼓励
本文探讨了AI发展的未来趋势,详细分析了六条有望实现通用人工智能(AGI)的技术路径。随着生成式AI和大语言模型面临发展瓶颈,业界开始将目光转向其他AI发展方向。这六条路径包括神经符号AI、神经形态AI、具身AI、多智能体AI、以人为中心的AI和量子AI。每种路径都有其独特优势和挑战,可能单独或组合推动AI进入下一个发展阶段,最终实现与人类智能相当的AGI系统。
约翰霍普金斯大学研究团队发现VAR模型的马尔可夫变体本质上是离散扩散模型,提出SRDD方法。通过应用扩散模型技术如分类器自由引导、令牌重采样等,SRDD相比VAR在图像质量上提升15-20%,同时具备更好的零样本性能。这项研究架起了自回归模型与扩散模型的理论桥梁,为视觉生成技术发展开启新方向。
培生公司第三季度销售增长加速,并预示年底表现更强劲,但其AI应用可能是更重要的发展。该公司虚拟学习部门销售额激增17%,学生注册人数攀升。培生运营的在线学校将AI工具嵌入课程材料中,公司表示有越来越多证据显示这些工具帮助学生取得更好成绩。公司推出了AI学习内容组合,包括AI素养模块和融合人工导师与AI学习工具的视频平台。
微软亚洲研究院推出CAD-Tokenizer技术,首次实现AI通过自然语言指令进行3D模型设计和编辑的统一处理。该技术通过专门的CAD分词器和原语级理解机制,让AI能像设计师一样理解设计逻辑,大幅提升了设计精度和效率,有望推动工业设计的民主化进程。