5月13日,由中国交通运输协会指导、中国交通运输协会智慧物流专业委员会主办的第四届中国智慧物流与供应链创新发展大会于成都隆重召开。百炼智能应邀出席本次大会,凭借AI技术为物流行业提供的B2B营销服务,荣获“2021年‘智慧之星’物流最佳服务示范单位”。百炼智能副总裁莅临大会现场并在论坛上发表题为“物流与供应链企业如何用AI技术降本增效?”的主旨演讲。
本届大会以“育新机·开新局·谱新篇 把握智慧物流供应链发展新方向”为主题,重点探讨新技术推动智慧物流与供应链的创新与应用,来自交通运输部、全国物流行业专家、学者及智慧物流供应链领域的知名企业高管等300余人莅临盛会。
物流与供应链企业一直以来十分重视“增效”和“降本”。AI技术如何能够在其中发挥作用受到了广泛的关注。百炼智能副总裁刘剑锋现场解答了这个问题。“物流供应链链条中最重要的部分是上游厂商和下游终端。准确把握好上下游关系是持续推进整个体系健康发展的重要保障。AI技术可以通过对全网公开数据的采集与分析,帮助企业高效、精准地寻找上游厂商及下游终端。同时,OCR技术的应用则能够帮助企业提升业务运转效率,进而实现供应链上下游的良性运转。”
上游厂商是物流供应链发展的重要战略资源。如何高效获取厂商资源,成为企业发展的第一要务。百炼智能潜客宝基于AI算法,可以为企业智能推荐潜在客户,提供从目标客户画像、潜客推荐、核心决策人触达到商机预测的获客全流程服务。通过企业输入的几个客户或者在平台上搜索的路径,潜客宝即可分析出全面的目标客户画像,并且从全网7200万企业中为企业自动推荐合适的目标客户并精准触达;同时潜客宝还可根据行业通用模型预测商机,帮助企业在采购窗口期联系到目标客户,提高成单率。
招标采购也是上游厂商发起需求的主要方式之一,若想及时捕捉这些信息,也并非易事。企业常常面临着招投标数据冗杂、信息更新不及时、项目筛选费时费力等诸多问题。百炼智能渠道宝将来自全网30000多个数据源的上亿招投标数据,通过数据整理及关系分析,构建成千亿级招投标关系库,为企业提供招投标公司、标的物、项目信息查询及基于招中标关系的优质渠道推荐服务,帮助企业抓住更多商机,找到更多、更优质的渠道,提高市场拓展效率。
物流供应链中的下游终端最终决定了供应链企业的业绩增长。很多产品及服务需要落地在线下的门店中。百炼智能店店通目前拥有包含1500多万个门店信息的“门店-品牌-企业”动态数据库,覆盖餐饮、车后及商超便利店等门店,可以为企业提供从目标市场洞察到目标门店智能推荐的全程门店拓展服务。企业可清晰地看到全国市场的可拓展空间,为进一步拓展市场作决策依据。同时,平台结合企业已有门店及用户在平台上的操作行为,不断迭代目标客户智能推荐模型, 为企业智能推荐更精准的目标门店,并提供包含门店联系方式、周边商圈情况等详细信息,帮助企业更快更准地触达目标门店。
供应链的核心价值就是通过协同合作来降低成本,企业内部及供应链上的信息传递都是通过各式各样的单证来进行的,提高单证处理效率是业务流程信息化的首要环节。百炼智能OCR识别产品单证通可以提供智能单证识别、智能校验一体化服务,帮助物流企业降低人工处理单证成本,提升业务运转效率。在整个供应链的协同合作过程中,会涉及物流箱单、出入库单、运输单、合同等数十种业务单证,涉及的单证也千差万别,版式多样,格式众多,目前企业采取的几乎都是人工录入的模式,不仅效率低下,还存在员工疏忽或者疲劳导致的误操作问题。单证通可对不同样式不同种类的单证内容进行准确的识别,并将关键内容自动抽取分类归纳,替代人工高效完成单证信息的采集及录入。同时,单证通还可以利用AI算法对内容进行智能校验,提高识别准确率。
目前,百炼智能已经为物流与供应链领域多家知名企业提供服务,并且取得显著成效。此次获奖,代表了行业对百炼智能在智慧物流与供应链技术革新中所做的贡献的认可。未来,百炼智能将持续深化AI在物流供应链领域的应用,丰富更多的使用场景,提供更加便捷高效的营销服务,帮助企业构建完整的供应链生态体系,做细市场、做实终端、做精业务,用数字化的方式实现降本增效。
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。