调查数据表明,在过去的 18 个月里,企业为应对各种突发事件而加快了技术创新的步伐,疫情也让客户互动走向数字化的速度加快了好几年。能否成功加速数字化转型,将有赖于混合云、AI 和自动化等技术的采用。我们期望首席信息官(CIO)能在企业加速数字化转型方面发挥重要作用。
IBM 亚太区总裁 Brenda Harvey 与我们分享了她对转型、自动化和云计算的看法。
人们是如何看待业务自动化的?
Brenda Harvey:疫情期间,我们注意到客户将其资源集中在无缝体验的打造,以及为了提供这些无缝体验而推出新的产品和服务上。这就迫切需要加速数字化转型。
企业希望为客户提供更加优质的服务,因此混合云、AI 和自动化等技术变得越来越重要。通过这些技术的利用,企业能够融合各项业务运营、重新定义流程并释放AI的价值。
事实上我们看到,我们的客户通过利用 AI 驱动的自动化和混合云,找到了有效方法为他们的客户带来更高价值,例如,将账单支付周转时间加快 6 倍,将流程完成时间缩短 90%,等等。企业发现,他们的运营效率有所提高、人工流程得以减少,整体转型也在逐步实现。我们的客户已经将混合云和 AI 驱动的自动化视为其竞争优势的核心所在。
首席信息官在围绕这方面制定策略时扮演了什么角色?
Brenda Harvey:负责企业转型的CIO知道如何部署技术解决方案来支持业务的开展和加速业务成果的实现。从 IT 的角度来看,设计和部署必须与现有资产相协同,并有助于释放已经进行的投资的价值。
通过利用混合云,企业只需构建一次流程和工作流,即可在任意地方运行它们。同时,为帮助CIO和企业领导人加速数字化转型,IBM 开发了 IBM Cloud® Paks。它们是面向混合云并以 AI 驱动的软件,可以帮助客户在业务中全面实现智能工作流。因为构建于 Red Hat® OpenShift® 之上,因此应用程序只需构建一次,即可部署到任何云的任何地方。
IBM Cloud Pak for Business Automation 通过应用智能自动化实现核心运营的转型,它囊括了市面上最广泛的 AI 驱动的自动化功能组合,包含内容、捕获、决策、工作流和 RPA。
凭借 IBM Cloud Pak for Business Automation,期望提高业务绩效的CIO可以为关键的业务流程实现任务自动化,以及优化后续改进并建立良性循环。
是否有实际的应用案例?
Brenda Harvey:我们可以举这样一个例子:新奥能源控股有限公司,这是一家从事公用事业的公司。当居家办公成为强制性要求时,(该公司)对 VPN 权限、密码和重置的请求随之激增。我们利用 IBM Robotic Process Automation (RPA),仅用半天时间就建立了一个虚拟代理,让 1000 多名员工能够远程工作。而在过去,处理这么多的请求可能需要几天甚至几周的时间。这意味着数百万美元的费用被节省下来,是大规模自动化的一个典型事例。
世易时移,企业也正以同样的速度经历转型过程,迈出 AI 和自动化的第一步。下一阶段他们会关注什么?
Brenda Harvey:我们将在边缘看到更多自动化。5G 网络可以在各处分散的位置捕获信息,这会使数据进一步激增,因此 AI 和自动化将发挥重要作用。例如,利用零信任来巩固和加强典型的威胁检测将是CIO关注的一个重点。这需要广泛结合多方面的安全能力与经验。基本上,对于在零信任实践过程中发生的安全问题,可以结合精心编排的操作和通用的 Playbook,利用自动化快速解决和迭代这些安全问题。
您还将看到自助式自动化的示例。想象一下,以自然语言开始工作,借助强大的 AI 引擎即时地根据上下文来结合预先打包的技能,并以组织知识和以往的交互为基础,我们把所有这些都整合到电子邮件和 Slack 这样的工具当中,因此生产力自然是水涨船高。
最后,对于那些热衷于 AI 驱动的自动化的企业,您希望他们立即着手进行的一件事是什么?
Brenda Harvey:深入研究智能自动化的构成可能是一个很好的起点。
我推荐 IBM 智能业务自动化买家指南。我也鼓励企业留心识别并优先考虑高影响力、速赢的自动化项目,也可以通过免费的专家咨询,与经验丰富的自动化主题负责人一同研究和探讨。
好文章,需要你的鼓励
这项研究提出了ORV(占用中心机器人视频生成)框架,利用4D语义占用作为中间表示来生成高质量的机器人操作视频。与传统方法相比,ORV能提供更精确的语义和几何指导,实现更高的时间一致性和控制精度。该框架还支持多视角视频生成(ORV-MV)和模拟到真实的转换(ORV-S2R),有效弥合了虚拟与现实之间的差距。实验结果表明,ORV在多个数据集上的表现始终优于现有方法,为机器人学习和模拟提供了强大工具。
这项研究由Writer公司团队开发的"反思、重试、奖励"机制,通过强化学习教导大型语言模型生成更有效的自我反思内容。当模型回答错误时,它会生成反思并二次尝试,若成功则奖励反思过程。实验表明,该方法在函数调用和数学方程解题上带来显著提升,最高分别改善18.1%和34.7%。令人惊讶的是,经训练的小模型甚至超越了同家族10倍大的模型,且几乎不存在灾难性遗忘问题。这种自我改进技术为资源受限环境下的AI应用开辟了新方向。
FuseLIP是一项突破性研究,提出了通过早期融合离散标记实现多模态嵌入的新方法。与传统CLIP模型使用独立编码器不同,FuseLIP采用单一编码器同时处理图像和文本标记,实现了更自然的模态交互。研究证明,这种早期融合方法在多种多模态任务上表现优异,特别是在需要理解图像结构而非仅语义内容的任务上。研究还开发了创新的数据集和评估任务,为多模态嵌入研究提供了宝贵资源。
ByteDance与浙江大学合作开发的MERIT是首个专为多语言多条件语义检索设计的基准数据集,包含320,000条跨5种语言的查询和135,000个产品。研究发现现有模型在处理多条件查询时过度关注全局语义而忽略特定条件元素,为此提出CORAL框架,通过嵌入重建和对比学习相结合的方式,使检索性能提升45.9%。这项研究不仅识别了现有方法的关键局限性,还为多条件交错语义检索领域的未来研究奠定了基础。