M1 追求成为 “全面数字原生” 的雄心之旅可能经历了数年,但这一转型已被证明是新加坡这家电信运营商在不断变化的环境中保持敏捷与持续创新的必由之路。
M1 的数字化转型始于 2020 年 12 月,当时它启动了向统一超云平台迁移并彻底改革流程的工作,历时 4.5 年完成。M1 成立于 1995 年,其年度 IT 预算约为 1.1 亿新币。
其目标在于摒弃传统基础设施,转型为数字优先公司,并以此为基础利用人工智能 ( AI ),迎接下一波数字化转型的浪潮。
为此,M1 制定了详细的路线图,旨在实现多个关键目标,其中包括将所有后端系统迁移至云端、构建完全云原生的技术栈,并借助可重用的应用程序接口 ( APIs ) 简化集成,加快产品上市速度。
此外,它还希望构建一个连接后端系统并支持自助服务平台的数据织构,营造便于实现高度个性化数字客户互动的环境,同时实现在线订购的数字化和自动化,以改善客户体验。
总体目标是引入能够提升运营效率并为每一次互动增值的新数字能力。这还意味着让全组织的业务团队能够更快速地做出决策,从而提升其对客户的相关性。
M1 与母公司 Keppel 以及系统集成商 Infosys 合作,对传统系统进行了整合,同时最大限度地发挥现有资产的价值。此外,Born Group 被引入协助 M1 改造其网页渠道。
同时,在需要进行大量定制的领域(例如微服务、数据和移动应用)中,M1 利用邻国马来西亚的离岸内部资源。
M1 还与技术合作伙伴协同整合后端系统,使之能够实现对客户的 360 度全景视图,并采纳最佳实践以提供更丰富的用户体验。如今,Salesforce Service Cloud 作为 M1 客服中心的主干,在各销售渠道中提供一致的客户体验;而 Tableau 则用于提供数据洞见,助力更智能的决策制定。
借助这些工具,例如,M1 的营销团队可以识别受欢迎的设备和服务计划,并自主启动相应促销活动,无需 IT 团队的支持。
精简的技术栈
M1 已将 90% 的运营和业务支持系统迁移至云端,并将其技术栈从近 300 个应用精简为 30 个云原生应用。现在,M1 构建了一个统一的数据湖,将之前散布在不同领域的 200 个数据库中的信息整合在一起。
基于云的 M1 平台进一步赋予了该电信运营商敏捷性,使其能够为客户提供多达 600 万种可能组合的 Bespoke Flexi 服务计划。用户还可以通过该运营商的自助平台在几秒钟内设计自己的方案,无需等待 M1 用两周时间配置和激活新方案。
这种在客户体验方面的提升使 M1 的净推荐值较 2019 年提高了 30%,其整体销售旅程也提升了 75%。通过自动化“从线索到现金”流程,M1 上市时间缩短了两倍,推动企业收入实现 15% 的同比增长;该业务板块在 2021 至 2024 年间增长了 82%。
淘汰传统技术还为 M1 带来了 1000 万新币的成本节约,其“服务成本”预计自 2025 年起每位客户每年节省 20%。重用 API 集成也使 M1 每年能够多完成 13% 的项目,并每个项目节省高达 15 个工日,预计可节省 13.5 万新币。
该电信运营商目前正与技术合作伙伴合作开展概念验证,测试并开发 AI 应用。同时,还在制定将 AI 整合到应用中的路线图,以提升内部能力。
M1 更加重视对具备 AI 技能员工的培训和技能提升,使他们掌握有效利用生成式 AI 的知识。新加坡这家电信运营商认识到,包括 IT 部门 160 人在内的所有 1400 名员工都需跟上技术变革的步伐。为此,M1 不仅在重塑运营结构,也在变革员工的工作方式。
例如,M1 引入了冲刺管理模式,使多个产品团队能够同时执行多个发布周期,并为每个冲刺指派 scrum master 进行领导。M1 认为,这种做法对于保持敏捷性并在竞争中脱颖而出至关重要。
好文章,需要你的鼓励
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。