Hertz 作为全球最大的出行公司之一,通过旗下的 Hertz、Dollar 和 Thrifty 三个品牌,每年创造近 90 亿美元的收入。公司业务遍及 160 个国家,拥有超过 56 万辆车队和 2.6 万名员工,是一家以物流、客户体验和运营效率为核心的重资产公司。在过去三年半时间里,首席信息官 Tim Langley-Hawthorne 一直在领导一场旨在从内而外实现公司现代化的技术和组织转型。
"我们是全球最知名的租车品牌," Langley-Hawthorne 自豪地表示。"但我们需要重启我们的技术方向,以更好地服务我们的客户和员工。"
领导双轨产品转型
Langley-Hawthorne 与首席产品开发官 Ned Ryan 密切合作,在消费者和车队两个核心领域植入产品思维。消费者产品涵盖了客户旅程的每个阶段,从预订和取车到租后支持。车队产品则专注于 Hertz 庞大车辆库存的内部管理,包括维护、调度和可用性。
"我们不是简单地部署一个平台,而是会问自己用户是否喜欢我们建造的产品,以及他们还需要什么," Langley-Hawthorne 说。"在过去三年里,我们显著加快了这种思维方式的转变。"
构建新技能和文化转型
向产品导向模式的转变需要新的人才和工作方式。Langley-Hawthorne 认可现有机构知识的价值,但强调引入外部人才以快速注入新观点和技能的重要性。公司从 Amazon 和 Rivian 等公司招募了工程师和产品经理。
"当你将在这里工作了 30 或 40 年的团队成员的经验与来自前沿科技公司的人才相结合时,效果真的很强大,"他说。"我们还将一些外包的人才重新引入内部,以加深我们的内部能力。"
双管齐下的现代化战略
Hertz 的现代化计划遵循自下而上和由外向内两个主要方向。在内部,Langley-Hawthorne 监督了将传统系统从公司自有数据中心完全迁移到 Amazon Web Services 的过程,提高了敏捷性并降低了成本。在外部,公司重新规划了消费者和车队产品路线图,以改善客户体验和运营效率。
"单纯为了技术而部署技术是没有意义的," Langley-Hawthorne 说。"我们的目标是为业务创造真正的价值。"
测试、学习和快速迭代
客户洞察为 Hertz 的转型战略提供了重要参考。Langley-Hawthorne 和他的团队经常测试新功能和界面,通常从实际使用情况和 A/B 测试中获得有价值的见解。
"我总是使用我们自己的产品,也会使用竞争对手的产品,"他说。"我们根据真实反馈进行迭代,而不是等待一个大型发布。这是一种更有效的开发方式。"
从新冠疫情中吸取教训
虽然新冠疫情对旅游业造成了困难,但也带来了宝贵的经验。供应链挑战和二手车价格高企迫使 Hertz 重新评估其车队战略。这次经历加强了公司在车辆购买、持有和销售效率方面的关注。
"折旧是我们最大的支出项目," Langley-Hawthorne 说。"疫情教会我们在管理车队和满足客户需求方面要更加敏捷和数字化。"
采用分布式 AI 方案
Hertz 对人工智能的方案采取了有意识的去中心化。Langley-Hawthorne 没有集中控制 AI,而是在设置安全保障的同时培养了一种赋能文化。一个包括法律、网络安全、人力资源、市场营销和业务部门代表的跨职能小组负责监督公司各个领域的 AI 计划。
"我们不想以恐惧为先,"他说。"一些最好的使用案例来自我们的客户服务和车队运营团队。"
例如,客户服务团队使用 Amazon Bedrock 分析了数千个通话记录,快速发现可行的见解。同时,车队运营引入了自动轮胎检查,帮助根据实时数据触发维护。
创新合作伙伴关系
Langley-Hawthorne 优先考虑建立强大的外部合作关系。每年,Hertz 都会举办一个由 20 个战略合作伙伴参加的精选峰会,以协调业务优先事项和未来机会。他相信"自建和购买"的平衡模式。
"我们与 Palantir 合作取得了变革性的成功,特别是在快速构建车队应用方面,"他说。"我们还使用生成式 AI 来支持 40% 的客户聊天互动,并正在将其扩展到语音服务。"
与 Amadeus 等公司的新合作正在帮助增强收入管理和定价策略,利用数据更好地匹配供需关系。
为自动驾驶未来做准备
Langley-Hawthorne 也关注着技术消费化和自动驾驶汽车兴起等长期趋势。他认为无缝的数字体验是基本要求,并相信 Hertz 在管理自动驾驶车队方面具有优势。
"鉴于我们在管理大规模车队方面的经验,我们认为我们很适合运营自动驾驶汽车,"他说。"这是我们正在密切关注的领域。"
在 Langley-Hawthorne 的领导下,Hertz 正在经历一场涵盖文化、技术和运营流程的重大转型。通过将现代产品思维与务实的 AI 方法和强大的合作伙伴关系相结合,公司正在快速发展的出行领域中重新定位自己,以实现持续增长和创新。
好文章,需要你的鼓励
这篇研究论文揭示了多模态大语言模型(MLLMs)存在严重的模态偏差问题,即模型过度依赖文本信息而忽视图像等其他模态。研究团队通过理论分析和实验证明,这种偏差主要源于三个因素:数据集不平衡、模态骨干能力不对称以及训练目标设计不当。他们提出了系统的研究路线图和解决方案,包括增强视觉模态在数据集中的贡献、改变模型关注点和应用偏好优化策略。未来研究方向则包括开发更客观的评估指标、探索更多模态组合中的偏差问题以及应用可解释AI技术深入分析偏差机制。
ComfyMind是香港科技大学研究团队开发的一个协作式AI系统,旨在解决当前开源通用生成系统面临的稳定性和规划挑战。该系统基于ComfyUI平台,引入了两项关键创新:语义工作流接口(SWI)和带本地反馈执行的搜索树规划机制。SWI将低级节点图抽象为语义函数,而搜索树规划将生成过程视为分层决策任务。实验表明,ComfyMind在ComfyBench、GenEval和Reason-Edit三个基准测试中均大幅超越开源基线,并达到与GPT-Image-1相当的性能,为开源通用生成AI开辟了新路径。
这项研究介绍了一种名为"热带注意力"的新型注意力机制,专为解决神经网络在组合算法推理中的困境而设计。传统注意力机制使用softmax函数产生平滑的概率分布,无法精确捕捉组合算法所需的锐利决策边界。
这项研究揭示了RAG系统中位置偏见的真实影响——虽然在受控环境中明显存在,但在实际应用中却微不足道。研究人员发现,先进的检索系统不仅会找出相关内容,还会将具有干扰性的段落排在前列,超过60%的查询中至少包含一个高度干扰段落。由于相关和干扰内容同时出现在检索结果前列,位置偏见对两者都有惩罚作用,从而抵消了偏见效应。因此,基于位置偏好的复杂排序策略并不比随机排序更有效,这一发现将优化方向从段落排序重新导向检索质量提升和模型抗干扰能力增强。