可持续发展计划在很大程度上由数据驱动,CIO 具有独特的优势地位,能够确保其组织拥有正确的数据来推动影响可持续发展的协作决策实践。
近年来,IT 团队通过建立基础设施来帮助各类组织改进可持续发展计划,使他们能够收集和分析相关数据。服装制造商 Vuori 利用数据来推动减少废物、降低碳足迹和管理原材料等可持续发展目标。Choice Hotels 则利用公用事业供应商提供的数据来识别泳池漏水等可持续发展问题。
通过主导与测量可持续发展 KPI 相关的技术机会,甚至帮助确定应该测量哪些指标,CIO 为协作可持续发展工作提供了关键信息。此外,收集和呈现数据有助于 CIO 和其他决策者理解特定业务决策的结果,识别可能被忽视的低效问题,并发现改进机会。凭借这些资源,CIO 通常可以发起和推动围绕可持续发展的对话。
识别支持可持续发展的技术盟友
根据 SaaS 管理平台提供商 BetterCloud 的数据,当今企业平均使用 112 个 SaaS 应用程序,每个应用程序对可持续发展的承诺程度各不相同。除了特定技术合作伙伴外,从物流到废物处理等领域的供应商也对组织的真实碳足迹产生重大影响。
无论这些合作伙伴是作为供应商还是在协作项目中更深入地参与,了解其可持续发展实践的影响都在确保行动保持可持续方面发挥着重要作用。因此,CIO 在这些工作中发挥着不可或缺的作用,他们利用自己对潜在合作伙伴使用的技术及其环境影响的了解。
废物处理公司 CheckSammy 的 CEO Sam Scoten 在对话中强调了这一点的重要性。他说:"找到能直接帮助解决可持续发展需求的技术合作伙伴是理想的选择。电子废物回收等服务对 IT 运营尤其有影响,但最终应该通过数据的视角来评估所有合作伙伴:他们能否为您的当前转化率建立基准,并量化他们为您带来的改进?报告和分析对于衡量成功并在内部和外部分享进展至关重要。"
将可持续发展置于中心位置
在推广广泛的可持续发展方面,Diana Bersohn 和 Accenture 的 Sanjay Podder 认为,CIO 在推动组织转型时必须关注三个核心领域:
净零排放:利用绿色软件实践来减少能源消耗。
信任:构建保护隐私且公平、透明、稳健和可访问的系统。
治理:将 ESG 作为技术的重点,而不是事后考虑。
将涉及技术和 IT 的项目数不胜数,在这些协作工作中,CIO 必须带头确保提出的技术解决方案牢记这些实践。这需要与其他公司领导者开展对话,帮助他们理解技术使用如何影响可持续发展目标。
CIO 还必须进行有效沟通,特别是在与可能不太熟悉技术的其他人讨论此类事项时。呈现信息是一回事,但以清晰易懂的方式呈现信息对于获得广泛认同至关重要。
打破协作障碍
CIO 还应该通过克服阻碍协作的技术,在帮助组织的可持续发展计划取得成功方面发挥重要作用。即使是最有良好意图的公司也常常存在阻碍进展的组织孤岛。这通常是分散的技术栈以及关注短期目标而非长期环境成果的组织阻力造成的。
在这些情况下,CIO 在获得其他利益相关者对影响协作和可持续发展的技术变革的认同方面发挥着关键作用,从而引导公司文化打破可持续发展的障碍,帮助组织转向更统一的技术栈,促进更大的跨部门协作。
作为组织领导者,CIO 必须带头鼓励他们领导的人员树立可持续发展思维。随着这种思维在其他协作领域的技术中普及,可持续发展优先的方法可以在整个组织中得到更广泛的推广。
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。