亚马逊云科技助力世界领先的快消品公司联合利华中国,建立起以数据、技术和洞察为核心的智能化运营云平台,进行数字化转型和创新。联合利华中国将分散的销售、营销、供应链、生产等核心业务系统迁移至亚马逊云平台,创建智能湖仓,应用机器学习开展供应链和销售预测的创新实践,实现了对数据的统一、灵活和安全的管理,系统敏捷性与运营效率大幅提升。
在今日揭晓的“IDC未来企业大奖”评选中,联合利华凭借其中国数字化转型项目在数千家参评企业中脱颖而出,荣膺“未来运营领军者”奖项,体现了行业权威机构对其数字化转型成就的认可,同时展现了亚马逊云科技赋能所带来的业务成功。此外,联合利华中国“基于云平台的数据湖项目”还入选中国ECR(高级消费者响应)委员会的“2020-2021年度中国ECR优秀案例创新项目“。
亚马逊云科技从2019年开始支持联合利华中国大规模上云,在整合分散的系统向云平台迁移时,亚马逊云科技Amazon Elastic Compute Cloud (Amazon EC2)弹性计算平台为联合利华中国带来安全和可伸缩的算力,Amazon EC2 Spot 实例以经济高效的方式运行和扩展其基础设施,为其带来业务敏捷性、成本节约和规模可扩展性。联合利华中国还将使用Amazon Graviton2自研处理器实例,这些实例相比基于x86处理器的同类实例,性价比提高了40%。
亚马逊云科技还为联合利华中国部署了智能湖仓架构,建立起了大数据分析平台,充分挖掘销售数据和供应链数据的价值,显著提升数据的业务洞察力。通过使用Amazon Redshift 数据仓库实时跟踪产品库存与订单交付信息,联合利华中国可统一自动生成多维度、自动化、高度可视化的报表,业务部门能更敏捷地响应迅速变化的需求。通过Amazon Glue无服务器数据集成服务, 简化数据发掘、准备和合并的流程,方便后续数据分析、机器学习和应用开发。
基于统一云平台和大数据平台,机器学习和人工智能也在联合利华中国获得了创新性的应用。联合利华中国在生产流程中引入Amazon SageMaker机器学习服务,用于需求预测,进一步指导生产计划和供应链规划。从过去基于专家的经验判断,转型为利用不断积累的业务数据并结合节假日、促销活动等关键因素训练出需求预测模型,在降低人工预测成本的同时,还提升了预测准确率,帮助减少了不必要的固定资本投入并提升了库存周转率。
基于智能湖仓架构,联合利华中国还成功拓展了DTC(Direct To Consumer)业务模式,并通过使用Amazon SageMaker,训练机器学习模型,更精准地了解消费者需求;在有效降低数据管理成本的同时,实现线上订单量的大幅增长。
联合利华北亚区IT总监侯楠表示:“联合利华“立足中国,服务中国”,制定了技术转型战略,积极推进公司的数字化转型。在中国统一IT运营云平台建设过程中,我们优先考虑的事项包括全球基础设施、技术领先性、灵活性以及成熟的生态系统。我们选择亚马逊云科技,综合利用云计算平台、大数据分析、人工智能和机器学习等技术,建设了智能湖仓,坚持以数据、技术和洞察为中心,在全球一致性和本地快速响应之间保持平衡,提升了敏捷度和运营效率,将更好地支持公司技术转型战略和数字化的变革。”
亚马逊云科技中国国际客户及合作伙伴生态系统事业部总经理沈涛表示:“我们很高兴亚马逊云科技广泛而深入的云服务能够支持联合利华中国实现数字化转型,将其供应链智能湖仓项目打造成中国快消行业的标杆项目,基于亚马逊云科技机器学习和人工智能助力他们实现供应链预测的创新突破,从而为消费者提供更好的购物体验。”
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。