在数智化浪潮中,传统的运营模式已无法满足现代市场的多变需求,企业需要变得更加敏捷、灵活和智能化。数智化正是实现这一目标的关键。通过数智化转型,企业可以更好地掌握市场需求、优化产品和服务、提高生产效率、降低成本。
要想实现数智化转型,核心在于科学、高效和精准的决策——这一决策越来越依赖于数据的自主驱动。规范、有序、准确、实时的数据是关键,它能够自主驱动不断优化资源的配置效率,实现更好的质量、更低的成本、更快的交付、更高的满意度。因此,在数智化转型的过程中,数据作为生产要素的重要性不言而喻。
数据服务四大痛点制约企业数智化转型进程
当前许多企业在数据服务方面存在诸多问题,制约了企业数智化转型的进程。
痛点一:数据质量难以满足业务预期。
由于数据来源复杂、数据清洗和处理不足,导致数据质量参差不齐,无法为业务决策提供准确依据。
痛点二:数据管理与业务发展存在割裂。
企业往往将数据管理视为技术问题,而忽略了其与业务发展的紧密联系。这种割裂导致数据无法有效地支持业务决策,限制了企业的创新和发展。
痛点三:数据管理内驱力不足。
企业缺乏对数据管理的重视和投入,导致数据管理流程不规范、技术手段落后,无法满足企业日益增长的数据需求。
痛点四:数据资产无法持续运营。
由于缺乏有效的数据运营机制,企业无法充分发挥数据资产的价值,无法为企业创造持续的商业价值。
究其原因,产生这些问题的根源在于数据服务解耦不足,从基础数据、主数据、业务数据到指标数据的层次不清、关联关系过于紧密。这些问题导致了底层数据不规范、数据不一致、数据不准确、数据不完整、数据不唯一等一系列数据痛点问题。
为了解决这些问题,企业需要加强数据治理、提高数据质量、强化数据管理内驱力、建立有效的数据运营机制,以推动数智化转型的顺利进行。
数据服务化解耦解决方案,激活数据价值
用友iuap数据中台以全域数据应用为目标,提供数据治理、数据采集、数据建模、计算加工、资产的构建和共享、数据分析挖掘等能力,支撑企业在指标管理、分析展现、决策支持、知识发现、人工智能等数据驱动的各种场景应用。
用友iuap数据中台提供五大核心能力:数据资产的规划与治理、数据资产的采集、获取和存储、数据资产的共享和协作、数据业务价值的探索和分析、数据服务的构建和治理、数据服务的度量和运营。通过这些能力保证数据质量,加速从数据到价值的服务生产过程,打造高响应力且更加智慧的业务,从而实现数据驱动的业务创新。
数据服务化解耦就是依靠用友iuap数据中台构建一个强大的数智化底座,将数据管理和业务服务之间进行解耦。用友能够提供一切资源数据化、资源数据标准化、标准数据结构化、结构数据模型化、模型数据服务化等数据治理、数据建模和数据自主流动的能力,贯穿于设计、生产、管理、服务等制造活动的各个环节,具有自感知、自学习、自决策、自执行、自适应等功能的新型生产方式。
能力一:一切资源数据化
结合用友iuap数据中台的数仓建模工具,现实世界中几乎所有资源都可以划分为实体(Entity)对象和关系(Relationship)对象,其中实体对象还可以细分为“人”和“物”。数据世界中的对象可以和现实世界中的事物相映射,“人”“物”“关系”是对现实世界所有事物的数据抽象。
能力二:资源数据标准化
数据标准制定维度多种多样,依靠用友数据中台的数据标准体系管理,可以按照企业所属行业或管理经验进行标准制定。比如,按业务数据类型分为:客户数据标准、产品数据标准、协议数据标准、渠道数据标准、交易数据标准、财务数据标准、公共代码数据标准、地域和位置数据标准等。再比如按照管理特性还可以分为元数据标准、数据质量标准、数据安全标准、数据指标标准、数据存储标准和数据集成标准等。当然,我们也可以按照数据定义规则、数据存储目录和数据所属责任主体等来制定数据标准。
能力三:标准数据结构化
所谓数据的结构化,就是数据的维度化,关系表数据是标准的结构化数据,xml、json、日志等是半结构化数据,但半结构化数据要复杂分析,同样要将半结构变成完全结构,非结构化数据如图像、音频、视频,分析视频首先是将视频分解成连续的图像,音频也是变成图像,连续的图像,然后统一使用图像分解的技术,纹理、轮廓、色阶等维度分解,最后转成高纬度的矩阵(类似表)来计算。所以,无论是什么数据,没有结构就无法分析,无论什么数据,我们最终的目标都是依靠数据开发工具将数据结构化,结构化后数据才是可计算,可认知。
能力四:结构数据模型化
传统数据结构相对来说比较抽象,分别为集合结构、线性结构、树形结构、图状结构或是网状结构。实际企业管理过程中,数据资源是分域分层管理,数据内部以及数据彼此之间存在线性和非线性等错综复杂的联接关系,如图所示:
但是,数据结构化联接还属于静态数据联接,仅仅依靠静态的数据结构化联接还难以构建数据自驱动的复杂流程。因此还需要用友数据中台更高级的关系模型自联接功能,比如依靠属性特征的资源关系自联接、依靠能力匹配的作业活动自联接、依靠属性匹配的资源配置自联接、依靠算法模型调度的自动联接执行等功能,如下图所示:
能力五:模型数据服务化
数据服务作为数据驱动连接桥梁,用友数据中台的数据资产服务可以将数据计算层的结果通过数据API的形式对外共享给数据应用层。API服务可推动数字化转型、数据驱动、简化业务流程,为自动化创造更多机会,并加强IT生态系统的灵活性。如图所示:
从数据服务化解耦到企业数智化运营,是企业顺应时代发展、提升核心竞争力的必然趋势。随着人工智能、大数据等技术的不断发展,数据服务将更加智能化、个性化,能够更好地满足企业的需求。与此同时,用友将不断优化完善数据服务化解耦解决方案,帮助企业加强数据服务能力建设,实现更高效、更智能的运营和商业模式创新。
好文章,需要你的鼓励
ETH Zürich等机构研究人员提出TrustVLM框架,解决视觉-语言模型预测可信度问题。该方法利用模型中存在的"模态差距",创新性地结合图像到文本和图像到图像的相似度,实现无需重新训练即可大幅提升误分类检测性能。在17个数据集的严格测试中,TrustVLM相比现有方法在关键指标上提升显著,同时改善了零样本分类准确率。此成果为AI系统在自动驾驶、医疗等安全关键领域的可靠部署提供了重要保障。
这项研究提出了个性化安全概念,解决大语言模型对不同用户采用统一安全标准的问题。研究团队创建了PENGUIN基准测试集评估模型在处理高风险场景时的个性化安全能力,并开发了RAISE框架高效获取关键用户信息。实验表明,提供用户背景可使安全分数提高43.2%,而RAISE框架通过平均仅2.7次交互即可提高安全分数31.6%。这一创新方法将AI安全从"一刀切"转向"个性定制",为高风险领域的AI应用提供了新思路。
明尼苏达大学研究团队提出了一种创新方法,通过回合级信誉分配显著提升大语言模型(LLM)智能体的多回合推理能力。传统方法只对整个过程进行评价,而他们的MT-GRPO算法能够精确评估每个决策步骤的价值,就像为每一步提供具体反馈。在维基百科搜索工具使用场景中,该方法实现了100%的工具执行成功率和50%的答案精确匹配率,远超传统方法。这一突破不仅提高了AI在多步骤任务中的表现,也为开发更复杂的AI系统提供了重要思路。
这篇研究介绍了PISCES——一种能精确从大语言模型参数中移除特定概念知识的创新技术。与现有方法不同,PISCES通过解缠器模型识别概念相关特征,直接编辑模型参数,实现了更精准的知识移除。在Gemma和Llama模型上的测试表明,该方法不仅有效降低了目标概念的准确率(低至7.7%),还保持了模型在无关领域的高性能,并显著提高了对"重新学习"的抵抗力。这一突破为AI系统的安全部署和合规使用提供了新的可能性。