大型企业通常具有人员多、产品多、知识多、流程多、合规多的特点,这些特点让企业员工需要花费大量的学习成本才能融入工作环境。因此,许多企业通过搭建企业“中台”,将企业内部具有较强通用性的数据、功能、产品等进行统一规划和开发,进而更好地帮助前台业务部门更多地关注业务,提高业务运营效率,提升企业竞争力。
神州数码基于自主知识产权Jarvis智库搭建的超级员工项目,依托自然语言处理、智能搜索、图像识别、人物识别、语音合成、翻译、视频内容见解等AI能力进一步提升中台工作效率,通过政策咨询助理、系统应用助理和业务流程助理三大功能,有效减少大量重复性工作,提高员工服务效率,为前台业务发展提供坚实的支撑。
政策咨询助理,高速响应员工需求
每一个企业的企业文化、规范制度和政策都和员工有密切的联系,以人力资源为例,公积金、报销、医保津贴、档案调转、请假考勤、员工福利、证明开具和公司制度等信息都和每一位员工息息相关,因此,HR部门每周都至少需要花费一天的时间为员工进行相关问题的解答。
基于Jarvis构建的超级员工,可以通过对HR部门的所有政策、流程进行学习,为员工提供了7*24的高速响应服务。不仅仅是HR部门,财务、法务、后勤等职能部门,都可以通过对超级员工进行政策、制度等知识的训练,实现员工咨询服务的快速、智能响应。
系统应用助理,全面降低学习成本
除了大量的规章制度和政策,大型企业由于业务专业细分,信息化系统也越来越多,比如企业文档管理、财务管理、车间管理、进销存管理、资产管理、设备管理、质量管理、供应链管理、客户关系管理、供应商管理、广告投放平台管理等管理平台,对员工来说,正确的使用这些系统需要大量的学习成本。
为降低员工的学习成本,大型企业会通过建设企业中台服务部门,为员工在业务系统操作的时候提供政策解答、工作前置条件解答、工作流程引导等服务。然而,当企业信息化系统更新后,中台员工又需要进行新一轮的培训,才能为全司服务,不但效率较低,而且成本极大。
为帮助中台部门减负,Jarvis的超级员工可注入全部企业系统模板功能说明的知识,按员工的工作要求给与建议和解答,并可以快速将员工带到系统处理的模块,大幅提升员工工作效率。
业务流程助理,打通企业订单全流程
在企业的生产经营方面,企业需要提供大量的人力对订单流程进行跟踪。Jarvis的超级员工,通过学习所有的订单流程系统,可及时、便捷的提供所有订单流程的状态,并通过翻译能力,实现与各国客户的无缝交流对接,简化业务流程,加速提高生产力。
智能化的中台是企业全面转向智能化、数字化的基础,通过对中台工作的智能升级,简化大量重复性强、可标准化的工作内容,Jarvis的超级员工可大幅降低企业成本,提高员工的工作效率以投入更复杂、更有价值的工作当中。未来,神州数码Jarvis将继续推进多层次的智能服务体系建设,全方位支撑企业智能化转型。
好文章,需要你的鼓励
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。