Norma Group是一家工程连接技术制造商,拥有300台服务器、700TB数据和全球范围内的8000名员工,因此必须把所有这些整合到一起,就需要开放的倾听心态和敏锐的头脑。
你可能不熟悉Norma Group这个名字,但是该公司的产品用于连接管道和输送液体的方方面面,包括从车辆、火车和飞机的供水和灌溉系统一直到农业机械和建筑物。Norma Group公司拥有近200名IT员工,集团首席信息官Thomas Reitz把自己视为创新和转型的推动者,以及他所谓的真正数字化的推动者。
Norma Group首席信息官Thomas Reitz
一切都始于一种存在感,无论是远程还是本地。Reitz建立了一个全球服务模式,在三个时区设有枢纽,按照“随太阳而动”的方式运营,这意味着来自所有IT的本地专家都可以全天候为用户提供支持。IT专家还是创新圈的核心,在现场支持数字化项目。
要想让这种变革性的工作在世界各地取得成功,态度尤为重要。他说:“要保持开放和勇敢的心态,积极倾听,了解不同的行业和文化。”Reitz认为,也必须始终把技术对人的影响放在首位,“要质疑现状,向最出色的人学习,同时批判性地对待AI等炒作话题,以便做出明智的决定。”
与这种思维方式相一致的,是推动数字化转型的三个指导原则:云优先,基于与微软的战略合作伙伴关系,使用Microsoft 365和Dynamics 365等。其次是标准化优先,以协调全球业务流程并创建更精简的IT格局。过去两年中,这方面的核心是NEMo365计划,Norma Group在该计划下实施了全球有效的流程模板和ERP系统,自2022年以来,42个地点中的33个已经完成转换。最后是安全优先,围绕自动化概念和专用SOC。
BPM成为IT取得成功的驱动力
Norma Group的BPM团队于2020年成立,这个团队的经理支持所有业务领域,以改善和协调对应用、流程以及数据质量的理解,对Norma Group的数字化转型做出了重大贡献。
“我们通过与专业部门的密切合作,取得了IT和数字化的巨大成功,”Reitz说。BPM团队将1600个遗留系统减少到340个,而IT团队创建了技术标准,例如将300台服务器(存储超过700TB的数据)迁移到微软Azure。位于美国佐治亚州Lithia Springs的生产基地已经转换为无服务器环境,从而降低了成本并改善了公司的碳足迹。
此外,从Cloud First资产负债表来看,引入BIC Process Designer和Adobe Commerce等云软件的举措也在全球范围内优化了流程。
Norma Group的IT安全工作和转型项目正在取得成效,因为公司十年来没有任何破坏性安全事件的记录。据Reitz称,这主要归功于SOC团队,该团队在AI和自动化的帮助下,每月分析10TB的安全数据。通过将所有相关应用切换到单点登录(SSO)模式,IT安全性得到了提高,此外仪表板和零信任策略也有助于控制安全状况。
Reitz表示,从经济角度来看,这就是实现IT基础设施和IT安全稳定性的方法。
人情味
除了关注数字化和转型,Reitz同样还重视社交技能,例如开放、诚实、尊重和信任。他认为,作为一名经理,他的工作就是专业地培养团队,激励他们,并带领他们承担责任。
他还强调,在全球文化多元化的团队中要保持人性和积极性的挑战,并依靠平等的互动。他自然而然地对现状和新兴趋势持批评态度,与作为陪练伙伴和导师形成鲜明对比,这代表了他的领导风格。他说,这种方法的成功体现在对公司的忠诚度上,因为十年来员工流动率一直很低。
他说:“通过实施基于云的、全球有效的流程和应用模型,我们可持续地改变了Norma Group集团,使其更具盈利能力,并为现代技术做好了准备。但我希望看到高级分析、机器学习和AI之间有更多的区别,以便更好地使用和理解功能、应用领域和潜力。”
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。