数字化转型是一场“速度战”,加速点您找好了吗?
突发公共卫生事件改变了商业动态以及我们的工作方式,在现今产业经济的极速转型期,高瞻远瞩的企业已经将智能自动化标定为数字化转型的重要加速点,计划将其作为应对新常态的重要技术手段。以某视频播放网站为例,该网站每天为 20亿登录用户提供超过 10亿小时的视频服务,但近来由于世界各地的办公人员减少,网站已经开始借助更多的自动化软件来执行原本由审核人员执行的视频内容审核工作。
反客为主——扩展自动化,与新常态共生共荣
当下,我们所面对的新常态要求企业从人工流程向自动化的流程推进,消除重复、单调的任务,并增强员工能力,更迅速地达到超凡的效果。为了满足这一需求,IBM 正在利用 AI 加速自动化进程,使企业能够将自动化应用到更广泛的任务中,以下是两个简单的例子——
将自动化应用到这些任务中,员工就有时间从事需要更多思考的工作。例如,由于办公场所关闭导致许多员工离职,某国际贸易支付平台开始使用聊天机器人,近几周来,更多的客户通过聊天机器人进行消息查询,这一比例高达创纪录的 65%。该平台表示:“我们能够通过 AI 部署资源,使我们的人员安排更加灵活,并可以优先考虑员工的安全和健康。”
在线服务需求激增的疫情期间,AI 赋能的客服代表可以帮助员工为更多客户提供服务,减少服务排队时间,并提高客户满意度。AI 可用于用户潜在意图评估、信息捕获、客户问题本质分析等方面。之后,无需人工操作,自动化工作流程即可检验可行的解决方案。换而言之,最强有力的任务增强形式就是人与 AI 系统携手合作,形成超级战队,共同实现预期结果。
自动化2.0——AI 赋能的自动化为数字化转型踩下油门
根据 IBM 商业价值院的一项研究显示,到 2022年,AI 赋能的自动化可以减少 80%的人工 IT 流程和 75%的运营费用,并在两年内释放超过 1300亿美元的劳动力价值。
IBM 致力于积极推动自动化技术向由 AI 赋能的自动化发展,我们称之为自动化 2.0。AI 赋能的自动化被定义为一个连续的闭环自动化流程——在此流程中,数据模式被发现和分析,根据数据洞察做出的决策可以转化为自动化行动,同时,AI 将在这一流程的每个阶段提供主动优化。AI 赋能的自动化利用切实可行的情报,可以通过更快的速度、更低的成本和更好的用户体验交付 IT 和业务操作。
AI 入场后,究竟是如何为自动化带来“质变”的?
环环相扣——AI 赋能的自动化四大关键要素
如果没有 AI,与自动化有关的数据发现通常仅限于结构化流程和结构化数据。而杂乱的非结构化数据通常会降低自动化流程的速度。IBM 可以利用机器学习 (ML) 技术生成模型,以此分割、梳理并检测杂乱数据中的模式。例如,经过适当训练的分类器模型可以将文档分类为发票或保险索赔;同样,模型可以将来自 IT 系统的警报进行分类,并与特定的故障单号匹配。有了 AI 后,发现过程不再因缺乏结构而受阻,而是真正利用 AI,向智能决策发展。
IBM AI 赋能的自动化旨在全面提供业务和 IT 自动化相融合的系统,并使其适应多种劳动力类型,包括业务人员、解决方案架构师、软件工程师、IT 运营、SRE、安全人员和合规性工程师。通过发现业务和 IT 领域中的数据模式,决策将能够比与企业中特定部分的孤立系统更具影响力。例如,将软件开发和 IT 运营中的活动相关联,我们可以根据正在运行的 IT 系统中所发生的事件,在开发期间对源代码和配置进行更改,从而预测与该代码或配置未来更改相关的风险。通过将 AI 应用于自动化,能够极大提高企业在发现新模式时做出反应的速度。
自动化流程在如何执行自动化操作方面具有显著的差异化优势。自动化操作的黄金标准是机器人流程自动化 (RPA) 技术。借助 AI 的力量,IBM 正在不断发展 RPA 技术,使其从简单的机器人脚本转变为工作场所中的数字孪生技术。数字孪生是一个流程、产品或服务的虚拟模型,这种虚拟世界和现实世界的匹配能够模拟操作,在问题发生之前将其解决,防止宕机并开发新的机会。此外,自动化 2.0 使用先进的自然语言处理技术,能够加深 AI 和员工之间的协作能力,打造一支混合型的超级员工队伍。
在发现、决策和行动阶段,AI 将帮助我们不断优化,同时利用新的洞察,通过闭环反馈自动增强 IT 和业务运营。在自动化 2.0 中,优化不再被动进行,而是具备了预测性和主动性的特点。借助跨 IT 和业务的端到端数据视图,AI 赋能的自动化可以预测业务波动,帮助企业避免过度响应——例如,通过将企业 IT 历史变更和事件记录中的结构化和非结构化属性结合起来,分析变更与事件之间的关联,创建经验证据,以此作为变更风险模型的新输入;或者随着 IT 系统推出新的变更,基于预测发出实时的主动警报,根据过去的证据说明这些变更为何具有高风险。Gartner AIOps 平台市场指南将这种主动式的风险管理称为最复杂的自动化阶段。
了解发现、决策、行动和优化的自动化流程后,您是否认为自动化是一个连续且耗时的过程?尽管完善自动化流程难以避免地需要数周甚至数月的时间,但别急,IBM 可以帮助您发现捷径!例如,RPA 和低代码开发的运用可以加快“小规模”活动或流程的自动化速度,如此一来客户就能立即获得投资回报,而不必等到整个端到端流程实现自动化,此外,快速的周转时间还使 IT 和业务部门能够通过快速迭代和实时响应外部力量而快速试错。
打破壁垒——能为普通业务群体所用的自动化
IBM AI 赋能的自动化突破了实际应用过程中的技术壁垒,使普通业务用户群体也能利用自动化技术,而不再局限于 IT 开发人员、高技能知识工作者或数据科学家。整个企业的用户都能从预训练的模型中受益,这些模型由专家提前准备,业务用户可以直接使用,而无需掌握深厚的 AI 技能。
使用自然语言和聊天机器人交付 AI 赋能的自动化可以满足用户在工作地点和工作方式上的需求。这也提供了一种更加自然的互动方式,让企业中更多的员工在促进自动化的同时从中受益。
未来可期——IBM AI 赋能的自动化未来
作为唯一一家将业务和 IT 自动化集中到一个统一平台的公司,IBM AI 赋能的自动化方法采用业务和 IT 自动化系统相融合的形式,通过发现、决策和行动来不断优化,使整个企业的流程实现自动化。凭借这种端到端的自动化视角,我们正朝着组建一支混合型超级员工队伍的方向大胆前行,员工通过与数字化孪生技术相协作,提高业务效率,节约时间和资金,从而使企业可以专注于新的业务机会。
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。