Deepa Soni的CIO故事是关于牺牲、突破舒适区、以及在重新定义可能性方面建立信心。她曾在IBM、KeyCorp、M&T Bank和BMO等公司工作,目前担任美国保险巨头The Hartford的首席信息官,负责业务的整体战略、愿景和执行、技术、网络、数据分析和数据科学。
近日,她向我们揭示了她的领导理念和以业务为中心的技术方法,还分享了她在承担风险、应对复杂性、培育创新文化、以及在整个企业中产生重大影响方面学到的一些经验和教训。
之后,我们花了更多时间专门关注Soni对她所谓的“4个EA@scale、@pace”力量的观点:企业敏捷性、企业人工智能、极端自动化和员工(技能)提升。以下是经过编辑的对话内容。
推动增长、提高运营效率和增强客户体验的必要性变得越来越迫切,那么企业敏捷性在您实现这些要求的过程中发挥了什么作用?
我们坚信企业敏捷性和上市速度是重要的竞争优势,也是我们目标的关键。我们专注于“变得敏捷”,而不是“敏捷地做事”。我们敏捷的第二个方面是我们坚信企业敏捷性——也就是业务、技术、财务、人力资源,所有职能聚集在一起,真正改变我们交付技术的方式。这是我们工作方式的重要基础,为我们真正采取下一步变革、发挥下一个EA——也就是企业AI——力量的基础。
作为企业AI支柱的一部分,您可以使用“信息优势”来表示利用数据、高级分析和机器学习为企业和客户释放价值的策略。您能详细解释一下吗?
当我们思考推动The Hartford,业务成果和竞争优势的下一步变革时,这实际上是我们以AI为主导的转型。作为一家保险公司,我们拥有相当丰富的数据,那么我们该如何利用这些丰富的数据并将其大规模地、快速地转化为决策者触手可及的、有价值的洞察呢?我们将这整个现象称为“信息优势”。
摆在我们面前的机会,就是把高级分析和AI的力量带到第一线——也就是我们的理赔员、我们的服务专业人员、我们的销售人员、我们的承保人——为他们提供所需的信息,让他们的工作变得更轻松、更快速,这样他们能够以顺畅的体验响应客户。这一切都是为了获取原始数据并将其转换为AI驱动的洞察并将其传递给前线人员。
这就是我们所说的信息优势。这是一个简单而强大的概念,但很难做到,不过我们相信我们拥有实现这一目标的所有要素,从而为The Hartford提供竞争优势。
作为极端自动化支柱的一部分,您正在简化和现代化应用和数据资产,以提高速度、敏捷性和创新。这种方法对于IT组织本身会有什么影响?
当我们考虑市场竞争和创造竞争优势的时候,交付速度是至关重要的。如今,IT组织有很多流程,通过自动化可以带来很大的优势。因此,当我们谈论业务流程的数字化时,极端自动化就是对IT内的流程进行数字化和高度自动化,以便我们可以加快产品上市速度。
这将改变IT的面貌,包括我们的工作方式、谁在做什么事情、以及我们将精力集中在哪里,这确实简化了开发人员的体验,也简化了我们工程师的经验,使他们可以专注于提供业务功能,而不是费力地从事技术工作。
这自然而然地会让我们认识到员工技能提升的力量。在这些支柱的背景下,很显然人才是支撑一切的支柱。
正是。当我们承载着这些转型的关键支柱时,员工的晋升才是真正至关重要的。这个支柱是指要对我们的员工进行投资,对我们的供应商和供应商资源进行投资,并真正地为他们准备好下一代技能。这将确保,当我们实现极致自动化并更多地利用AI、数据和分析的力量时,我们的员工已经准备好可以迎接这一挑战,并成为与业务合作的核心合作伙伴。这就是为什么最大限度地发挥人才是The Hartford战略的一个重要组成部分。
您能否谈谈EA@scale、@pace的含义以及这对The Hartford来说有何不同之处?
每个人都在做所有这些事情,但我认为对我们来说一个重要的区别是,我们是在整个企业范围内做这件事的,这就是@scale。而且我们是在@pace做这件事情的,意味着我们前进的速度可能是我职业生涯中见过的最快的。我们有内部和外部基准表明了我们的转型——从起点到现在以及未来的转变方式——是快节奏的。
展望未来,当您达到彼岸时会是什么样子?愿景是什么?EA@scale、@pace使这家公司有何不同?
当我们展望保险业的未来时,新的风险正在出现。这些变化与技术颠覆相结合,从根本上改变了风险行业的格局。客户要求并期望采用更加数字化的保险方式。流程的简化和数字化仍将是我们的首要任务。我们的愿景是建立一个不参与不以业务为中心的工作、而是主要关注以业务为中心的技术组织。EA@scale、@pace让我们能够打造一个最先进的技术型组织,可以推动业务创新、敏捷性和增长,从而支持这一愿景的实现。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。