短短几年的时间,物联网(IoT)已经彻底改变了众多企业的业务发展模式。据麦肯锡预估,到2025年,IoT应用市场每年将高达11万亿美元 。
每天的每一分钟,IoT设备——从智能手机到设备传感器,到零售商店的“智能”货架——所产生的有价值的数据蜂拥至我们的服务器中,经过提取、存储和分析,最终成为战略资产。几乎可以听到管理层胜利的欢呼,因为他们看着源源不断的实时数据流入,想想着“凭借这些数据和这些洞察,我们的竞争对手不可能有机会了。”
但这里的问题是:太多的组织对这些数据无所作为。是的,智能设备收集的数据本身是强大的,但与整体分析基础架构集成在一起更为困难。企业真正需要的是一个能够利用其物联网数据强大功能的综合分析策略,而不仅仅是“IoT数据战略”。
整合行动:案例研究
我们来看一个例子。某公司为了监控餐厅设备,已经安装了智能传感器来跟踪客户的冰箱、烤箱和其他厨房设备。在评估其客户设备的性能时,该公司注意到,一些餐厅的制冰机超乎预期地过早出现问题。
当仅查看其物联网数据——包括压缩机温度、每天制冰量和使用量、运行时间,根本无法找出问题的根源。只有将眼光放到IoT网络以外,才发现失败的根本所在:在烘烤面包时,酵母残留在了制冰机的压缩机线圈上。只有从更大的视角观察问题时,才最终确定了问题的根源。
从“为什么”开始
在组织开始制定其物联网数据战略之前,一个至关重要的问题是,“为什么”。通过使用这些物联网数据来实现哪些目标? 是否逐案提供更好的客户服务? 还是改善整体品牌体验? 为了回答这个问题,我们需要遵守整体业务策略。
回到案例中的这家餐厅设备公司,其目标可能是将自己的品牌打造成工业厨房设备的首要供应商,提供零故障承诺。为了实现这一目标,需要进行预测分析——不仅要分辨出设备是否有潜在的故障危险,而且要启动关闭循环过程,以确保在事态发展中处于主动地位。
例如,如果一台设备在未来三个月内有25%的失败机会,则该操作项目可能与服务经理联系,并建议他安排提前维修。 如果失败的机会接近90%,可以自动安排服务。这是服务经理所做的,无论如何,节省了他拿起电话的麻烦。
建立良好循环
与涉及技术的所有决策一样,我们利用我们的物联网数据的过程必须从我们的使命开始,以提供更大的业务价值。
我们需要以与类似产品发布的方式处理物联网数据。现在,我已经参与了足够的产品发布,了解到如果以技术为起点,产品应该注意什么。技术是让我们实现业务目标的方式,从来不是我们正在瞄准的目标。 这意味着需要建立IT部门以外的团队,并引进了解客户的团队成员。
这意味着将客户的需求和整体业务目标成为每个决策的前提。这意味着需要通过评估结果,以确保物联网数据继续符合公司的愿景。如果我们能够做到这一点,我们将很好地实现一个战略,利用物联网数据的力量来改变我们的组织。
好文章,需要你的鼓励
OpenAI CEO描绘了AI温和变革人类生活的愿景,但现实可能更复杂。AI发展将带来真正收益,但也会造成社会错位。随着AI系统日益影响知识获取和信念形成,共同认知基础面临分裂风险。个性化算法加剧信息茧房,民主对话变得困难。我们需要学会在认知群岛化的新地形中智慧生存,建立基于共同责任而非意识形态纯洁性的社区。
杜克大学等机构研究团队通过三种互补方法分析了大语言模型推理过程,发现存在"思维锚点"现象——某些关键句子对整个推理过程具有决定性影响。研究表明,计划生成和错误检查等高层次句子比具体计算步骤更重要,推理模型还进化出专门的注意力机制来跟踪这些关键节点。该发现为AI可解释性和安全性研究提供了新工具和视角。
传统数据中心基础设施虽然对企业至关重要,但也是预算和房地产的重大负担。模块化数据中心正成为强有力的替代方案,解决企业面临的运营、财务和环境复杂性问题。这种模块化方法在印度日益流行,有助于解决环境问题、满足人工智能的电力需求、降低成本并支持新一代分布式应用。相比传统建设需要数年时间,工厂预制的模块化数据中心基础设施可在数周内部署完成。
法国索邦大学团队开发出智能医学文献管理系统Biomed-Enriched,通过AI自动从PubMed数据库中识别和提取高质量临床案例及教育内容。该系统采用两步注释策略,先用大型AI模型评估40万段落质量,再训练小型模型处理全库1.33亿段落。实验显示该方法仅用三分之一训练数据即可达到传统方法效果,为医学AI发展提供了高效可持续的解决方案。