丰田是世界上最大的汽车制造商之一,它已开始实施一个项目,以改变其数字化员工体验(DEX)。
在美国,丰田公司雄心勃勃,要在今年取消传统的 IT 服务台,如果无法实现这一目标,也至少要将IT服务台呼叫减少80%。实现这一目标的部分策略是使用自动化、预测分析和虚拟助理。丰田公司人工智能和自动化经理Zakir Mohammed表示:“传统的服务台总是被动反应。”
回顾员工在传统 IT 服务台的经历,他说,支持人员可能需要几天甚至几周的时间才能联系到某人解决IT问题。例如,如果有人需要一个新软件,他们就需要提交一个服务台票据。根据 Mohammed的经验,两三天后,IT支持人员会联系提交单子的人,然后安排30分钟或一小时的时间来安装应用程序。
他表示:“这其中有很多反应。”“到了后来,我们的员工放弃了提交票据,开始默默忍受。我们认为传统的服务台运行方式难以为继。我们需要一种积极主动的方法。”
该公司是Gartner的客户,Gartner的数字员工体验市场研究推荐使用符合行业标准的工具。Gartner将DEX(数字员工体验)管理工具定义为能够测量并持续改善员工对公司提供技术的情感表现的软件。
Gartner表示,这些工具往往能对来自终端、应用、员工情绪的汇总数据进行近乎实时的处理,并提供可操作的洞察力,因而帮助实现自修复自动化,还可以增强员工与自助服务门户和聊天机器人的互动。Gartner表示,DEX工具还有助于IT支持、资产管理、采购和其他依赖可靠信息工作的团队。Mohammed表示:“我们评估的一些工具和技术看起来很不错。”“但我们目前使用的工具是Nexthink,它符合我们的要求。”
现在,丰田的10万名员工不再需要等待人工分流IT问题,而是受益于IT部门使用Nexthink DEX技术,主动检测、诊断和修复各终端的IT问题。
开始使用DEX
丰田最初对100名用户进行了小规模Nexthink使用试点。Mohammed表示,通过收集指标,IT 团队了解了试点用户遇到的问题。
在Mohammed看来,丰田面临的挑战之一是,虽然它已经部署了先进的可观察性工具来监控业务应用程序和存储等IT基础设施,但公司缺乏监控用户、用户设备的性能、用户IT使用体验以及用户整体情绪所需的工具。
鉴于员工被视为企业最重要的资产,Mohammed认为,了解他们对工作所需IT的体验非常重要。
在对100名员工进行抽样评估后,他表示:“我们看到的情况让人大开眼界。问题太多了。”
随后,丰田将概念验证扩大到30000名用户。这一步涉及使用自动化。Mohammed表示:“我们部署了3万名用户。”“我们不仅收集信息,还开始自动化。”
在谈到推广的好处时,他说丰田现在可以看到用户的设备,这有助于公司提供无缝的数字体验,并实现某些服务台任务的自动化。
Nexthink还被用于预测性维护,例如在笔记本电池坏掉之前进行更换。Mohammed表示:“如果某类电池的性能在未来六个月内从80%下降到60%,那么这些电池就可能需要更换。”“对于 IT 交付团队来说,这是一个很好的信息。这意味着他们不仅可以提前购买电池,还可以在旧电池坏掉之前主动更换电池。”
Nexthink 的另一种应用方式是软件回收。他表示:“笔记本电脑上有大量的软件,我们要为它们支付软件许可证费用。”“Nexthink能够检查这些软件在过去90天内是否被使用过。然后,可以利用这些信息自动发送信息,询问是否仍然需要该应用程序。我点击一下,IT 软件库就会自动回收。”
丰田公司DEX故事的最后一部分是虚拟助理的使用。Mohammed表示:“我们想把它做成丰田的 ChatGPT,这样员工可以提交请求,它就可以在幕后完成工作。”
实际上,虚拟助理是用来解析用户输入的自由文本,并将这些请求转化为可以发送到Nexthink 的操作。
虚拟助手的另一个用途是让用户能够直接申请软件。他表示:“如果你需要PowerBI,它就会在幕后与Nexthink连接,获取软件并进行安装。”“你不需要做任何事情。一旦安装完成,你就会收到软件已就绪的通知。”
如果丰田公司的目标是减少 IT 服务台呼叫,那么用户通过虚拟助理主动解决 IT 问题的能力,或者使用虚拟助理申请新软件的能力,就显示了数字化员工体验的发展方向。
好文章,需要你的鼓励
这项由复旦、港科大等多校联合完成的研究首次系统性地解决了大型AI模型在识别场景文字时产生"语义幻觉"的问题。研究团队发现AI模型常将视觉上模糊的文字"脑补"成有意义但错误的词汇,并开发了包含ZoomText定位策略和接地层修正机制的训练无关解决方案,在多个基准测试中实现显著性能提升,为提高AI视觉系统可靠性提供了重要突破。
IBM研究院发布AssetOpsBench,全球首个工业资产AI代理评估平台。该研究建立了多代理协作框架,涵盖IoT数据采集、时序分析、故障诊断等专业模块,通过141个真实场景和六维评估标准测试AI在复杂工业运维中的表现。测试显示当前AI技术仍有改进空间,为工业4.0时代的智能运维发展提供重要基准。
韩国科学技术院研究团队开发出Simba方法,通过层次化稀疏化技术对状态空间模型进行"瘦身",在保持性能的同时显著提升计算效率。该方法采用类似高速公路的架构设计,让AI模型的上层只处理最重要的信息,实现了最高80%的速度提升和更好的长序列处理能力。这项即插即用的技术为AI模型优化提供了新思路。
这项研究展示了一个基于ModernBERT架构的prompt injection检测模型,通过精心构建的多样化数据集训练,在内部测试中达到98.7%准确率和98.0% F1分数,在公开基准测试中平均F1分数达93.8%,显著超越现有最强基线系统。该模型推理速度仅0.02秒,具备实时检测能力,为AI系统安全防护提供了新的解决方案。