航空和国防企业劳斯莱斯公司运营的一些沙盒系统可以为员工提供开发和测试应用程序环境,以满足个人、团队、部门或整个企业的需求。这些沙盒为公民开发者提供了创建可扩展的低代码应用程序和数字工具的能力,可以改进生产力、推动快速原型设计、研究和开发、测试、员工参与和福利等等。
劳斯莱斯员工利用从数据集提取的情报,能够开发出支持业务的应用程序。Power BI支持的分析仪表板可以帮助劳斯莱斯公司捕捉数据及对数据进行可视化,使劳斯莱斯公司能够持续推动改进。
从小处做起
劳斯莱斯公司自助服务技术主管Phil Kaufman表示,劳斯莱斯公司从小处着手,就是要捕捉数字化带来商机及想法。劳斯莱斯知道有一小群人愿意学习如何使用Power Apps并宣传成为公民开发者的益处,并展示Power Apps平台在企业中使用。
劳斯莱斯利用Power Apps打造的第一个应用程序是一个支持制造业的检查表应用程序,该应用程序可以取代Excel电子表格。Kaufman在谈到这个应用程序时表示,“该程序切实可用,并且显示出我们的员工可以打造一些应用程序,这些程序然后就成了员工自己的东西。”
其他Power Apps的开发程序包括劳斯莱斯公司研发部门的二十四小时待命系统及帮助员工互相点赞的奖励应用程序。据劳斯莱斯公司称,员工互相点赞程序使得员工参与度提高了25%。
他表示,“传统上,表扬员工都是基于一张纸,是写在卡片上,我们会把卡片贴在墙上的某个地方。”但在Covid-19之后,他补充表示,“世界已经不同了,现在我们在家里工作,面对面的交流较少。”因此,劳斯莱斯公司希望用数字化的东西取代卡片。
Kaufman 表示,员工互相点赞应用程序是为劳斯莱斯公司土木工程的数字团队开发的,员工用它可以为同事提供正面反馈。他表示,“这是一种非常好的方式,可以覆盖很多很多的用户。我们已经将这个应用程序推广到整个民用航空航天领域,这不并是我们最初的意图。”
避免重复
IT团队往往想知道一个应用程序是否在试图实现业务中已经存在的东西。Kaufman表示,“我们想确保不要有人再去重建SAP,别去重建一个源系统。这真的很重要。”
劳斯莱斯公司为公民开发者建立了具有管理和护栏的平台,目的就是避免有人去试图建立一些重复其他商业应用的功能的核心企业系统。
Kaufman提到,大家经常利用Excel组织数据。他表示,“我们可以利用图形用户界面应用程序将我们的一个Excel电子表格制成新的原型并进行测试。Power平台就是允许我们做这一类的事情。”
他表示,公民开发者可以利用快速原型迅速地从一个想法出发,将一些视觉元素拖到一个表格上建立一个Power App,然后可以在一群用户中进行测试。
IT团队考虑的问题包括,一个应用程序是否与业务吻合以及团队是否具有支持该应用程序的能力。他表示,“我们会针对每一个应用程序提出一系列的问题。每一个应用程序或报告的建立都涉及到一些重要性、复杂度、对业务的影响等元素。”
这些问题决定了所涉及的应用程序是否是企业核心IT的一部分、是需要开发和维护的源系统,或者是个Power App。即使某个应用程序是个诸如检查表应用程序的源系统,Kaufman 表示,在微软环境中通过Power App管理应用程序拥有的数据比用Excel电子表格管理也更好一些。
劳斯莱斯公司现在的内部企业应用商店类似于苹果公司应用商店,可用于Power App开发应用。Kaufman表示,员工可以去应用商店看看有些什么程序以及开发者是谁,应用商店提供了与应用开发者对话的机会。他表示,“这种面对面的机会真的非常重要。我们从中得到大量的反馈。”这样建立的社区可以将大家聚集在一起,然后可以相互支持。
好文章,需要你的鼓励
在迪拜Gitex 2025大会上,阿联酋成为全球AI领导者的雄心备受关注。微软正帮助该地区组织从AI实验阶段转向实际应用,通过三重方法提供AI助手、协同AI代理和AI战略顾问。微软已在阿联酋大举投资数据中心,去年培训了10万名政府员工,计划到2027年培训100万学习者。阿联酋任命了全球首位AI部长,各部门都配备了首席AI官。微软与政府机构和企业合作,在公民服务和金融流程等领域实现AI的实际应用,构建全面的AI生态系统。
查尔斯大学和意大利布鲁诺·凯斯勒基金会的研究团队首次系统性解决了同声传译AI系统延迟评估的准确性问题。他们发现现有评估方法存在严重偏差,常给出相互矛盾的结果,并提出了YAAL新指标和SOFTSEGMENTER对齐工具。YAAL准确性达96%,比传统方法提升20多个百分点。研究还开发了专门的长音频评估工具LongYAAL,为AI翻译技术发展提供了可靠的测量标准。
苹果与俄亥俄州立大学研究人员发布名为FS-DFM的新模型,采用少步离散流匹配技术,仅需8轮快速优化即可生成完整长文本,效果媲美需要上千步骤的扩散模型。该模型通过三步训练法:处理不同优化预算、使用教师模型指导、调整迭代机制来实现突破。测试显示,参数量仅1.7亿至17亿的FS-DFM变体在困惑度和熵值指标上均优于70-80亿参数的大型扩散模型。
印度理工学院团队构建了史上最大规模印度文化AI测试基准DRISHTIKON,包含64288道多语言多模态题目,覆盖15种语言和36个地区。研究评估了13个主流AI模型的文化理解能力,发现即使最先进的AI也存在显著文化盲区,特别是在低资源语言和复杂推理任务上表现不佳,为构建文化感知AI提供了重要指导。