IT 帮助台常被视为大多数 IT 组织中的"地牢"部门:那些在 IT 领域无法在其他更有意义的岗位上脱颖而出的人被留在这里,或者刚踏入 IT 行业的新人必须在这里证明自己的能力,才能开启他们"真正"的 IT 职业生涯。帮助台也可能成为一种 IT "炼狱",如果没有 IT 内部的人脉帮助你转移到被认为对组织更重要的职能部门,很难逃离这里。
IT 的态度不应该是这样的。IT 帮助台不仅是开启令人满意的 IT 职业生涯的绝佳起点,而且还是 IT 和终端用户之间日常主要的"接触点"——因此,它是 IT 部门评估其部署的应用程序和系统业务成功与否的宝贵且可能是唯一可靠的方式。
以下是 CIO (以及 IT 部门的其他人) 可以从帮助台学到的战略情报,以及 CIO 如何利用帮助台创造更大的业务价值——前提是他们首先要将帮助台视为战略资产。
1. 从帮助台挖掘业务痛点
CIO 需要既懂业务又精通技术。IT 员工也正被那些对 IT 感到沮丧而开始开发自己的公民 IT 的用户所绕过。
这时帮助台就派上用场了,因为没有人比帮助台人员更了解业务痛点在哪里。帮助台每天都会收到投诉。不幸的是,一旦这些投诉被记录并希望得到解决,它们通常就被归档了,每个人都忘记了它们。
CIO 可以通过将帮助台的"投诉情报"转化为战略输入来改变这种运作模式。帮助台活动报告应该每月总结并向高层 IT 管理人员汇报。通过这种方式,CIO 和 IT 经理可以了解主要的业务痛点和客户沮丧的领域,从而主动制定解决这些问题的工作策略。
2. 在未来的应用程序设计中纳入帮助台的意见
每当提出新的 IT 应用程序时,资深帮助台人员都应该在战略讨论中占有一席之地。帮助台人员对用户的喜好有深入的了解。他们可以为有效的应用程序设计提供见解。这可以避免开发出用户觉得繁琐的过于复杂的用户界面,或者不符合业务运营流程的应用程序工作流。
3. 从前线开始推动 IT 文化变革
CIO 被要求使 IT 更加面向服务,但对于那些更喜欢编写代码或解决系统问题而不是与终端用户打交道的员工来说,实现文化变革并不总是容易的。
CIO 可以通过为那些希望在帮助台发展事业的人提供晋升阶梯来提高帮助台的地位,从而促进向服务的转变。让开发人员和业务分析师轮岗进行为期六周的帮助台"轮班"也可能是有益的,这样他们可以提高对用户的同理心,并从与业务的一线经验中了解主要的业务和系统痛点。
4. 将帮助台视为人才孵化器
由于 IT 人才短缺的问题依然存在,几乎每家公司都有 IT 职位的空缺。因此,CIO 不得不想出新的方法来"培养"人才,比如从外部雇佣原始和缺乏经验的个人。
社区学院和大学教学生如何编码和使用 IT 系统,但他们无法教学生你自己 IT 环境的细节。一个很好的培养新人才的地方就是让他们从帮助台开始。他们将获得对用户、IT 员工和公司系统的实际了解。再加上强有力的技能提升计划,IT 帮助台可以转变为满足业务需求的战略人才管道。
5. 从这里开始 IT 的自助服务战略
用户希望能够自主安排 IT 服务,并通过用户友好的在线门户获取相关信息,使他们能够立即解决许多自己的问题。这就是为什么一个有效的用户自助服务门户应该是每个 CIO 列表上的帮助台计划。帮助台应该成为这个项目的战略领导,因为它是 IT 为终端用户提供服务的主要点。
6. 实施 AI 诊断隐藏的问题区域
随着 AI 的部署,一个可以有益使用的 IT 领域是应用程序一致性。这是帮助台专业人员可以提供帮助的领域。
AI 可以做的是使用 IT 定义的业务规则,主要是由帮助台定义的规则,帮助台应该发挥主导作用。任务将是识别经常遇到故障和错误的系统中不一致的区域。然后可以使用 AI 来识别任何其他容易受到问题影响的下游系统和功能。从战略上讲,最终目标是开发全面的 IT 解决方案,在改善所有系统方面具有深远的影响。这可以减少用户的挫折感,减少 IT 维护积压,并提高系统性能。
改变对 IT"地牢"的看法
从历史上看,帮助台一直是一个被低估和未被充分利用的 IT 资源——然而在 IT 即服务的时代,没有哪个 IT 功能比帮助台更贴近日常的终端用户。
现在是 CIO 和整个 IT 部门"耳贴地面"倾听帮助台所说的话,并将帮助台视为富有战略意义的洞察力和机会领域的时候了,这对当今 IT 的"更重要"工作至关重要。
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。