数据集成与分析领域的重量级厂商QlikTech International AB于近日在奥兰多举办的年度用户大会上,正式推出了多项全新的智能体人工智能功能。
此次更新涵盖用于预测与自动化的新型AI智能体、对现有AI智能体产品组合的功能强化,以及与ServiceNow Inc.达成的新战略合作关系——双方将共同推动Qlik产品与Workflow Data Fabric的深度整合。
Qlik首席执行官Mike Capone在当天的主题演讲中表示,他接触的许多企业客户正面临"AI清算时刻",因为这些企业在智能体AI上的投入始终难以转化为实际价值。"我花了大量时间与客户的CEO、CIO和CFO交流,"他说,"有一件事现在变得越来越清晰:大家都很沮丧。为什么?因为企业在AI上投入了大量资金,却没有获得应有的回报。"
Capone认为,造成这一困境的根本原因在于缺乏信任,以及AI行业泛滥的"噪音"。为此,Qlik正致力于同步解决三大问题:数据质量、数据治理,以及AI透明度层面的"黑盒"困境。他指出,太多AI工具在给出答案时无法解释决策依据,这在企业决策者中引发了"信任危机"。
为弥合这一信任鸿沟,Qlik宣布扩展其AI智能体产品线,推出全新的预测智能体(Predict Agent),预计将于本季度晚些时候正式上线。用户可以用自然语言提出面向未来的业务问题,该智能体将自动构建合适的机器学习模型、生成预测结果,并以可理解的方式解读背后的推理逻辑。
与此同时,Qlik还推出了自动化智能体(Automate Agent),使数据团队能够通过自然语言指令,基于预测智能体的分析结果触发复杂工作流。例如,若预测智能体预判到供应链风险,自动化智能体可自动在外部系统中创建新的采购工作流,以寻找替代供应商。
此外,Qlik还将智能体自动化能力延伸至数据工程领域,推出了"声明式管道"与实时数据路由等新功能,旨在消除数据团队在构建和维护AI数据管道过程中遇到的摩擦,确保输入AI系统的数据始终新鲜且符合治理规范。
上述能力将借助Qlik与ServiceNow的战略合作进一步增强。双方将把Qlik分析引擎与Workflow Data Fabric平台进行集成,目标是提升ServiceNow旗下AI智能体所使用数据的质量。
Capone表示,与ServiceNow的合作将打通"从洞察到行动"的路径,并引入全新的Qlik数据连接器,对接ServiceNow数据目录,从而增强对数据血缘、流转与结构的可见性。通过将Qlik数据分析引擎与Qlik AI整合进ServiceNow的Workflow Data Fabric,用户将能够深入洞察业务关系与模式,并获得支持更智能决策的推荐建议。
ServiceNow数据与分析产品生态副总裁Pramod Mahadevan表示,人类与AI智能体的决策质量,归根结底取决于所依赖数据的质量。"我们与Qlik的合作,将第三方数据洞察直接接入ServiceNow内部,将Workflow Data Fabric的覆盖范围延伸至关键数据所在的各类系统,"他说,"最终的结果是:无论是人还是智能体,都能在实际工作流中基于可信、受治理的智能数据和决策就绪的信息采取行动。"
Q&A
Q1:Qlik推出的预测智能体(Predict Agent)有什么功能?
A:预测智能体允许用户用自然语言提出业务问题,系统会自动构建合适的机器学习模型,生成预测结果,并以用户可理解的方式解释背后的推理逻辑,帮助企业决策者更直观地获取前瞻性业务洞察。
Q2:Qlik和ServiceNow的合作具体带来了哪些价值?
A:双方合作将Qlik分析引擎整合进ServiceNow的Workflow Data Fabric平台,引入新的数据连接器对接ServiceNow数据目录,提升数据血缘与流转的可见性。用户可基于高质量、受治理的数据获得更智能的业务洞察与行动建议,实现从数据分析到实际工作流的无缝衔接。
Q3:企业在AI投资上为什么难以获得回报?Qlik认为问题出在哪里?
A:Qlik CEO Mike Capone认为,企业AI投资回报不佳的核心原因是信任缺失。许多AI工具无法解释其决策依据,形成"黑盒"问题,加之数据质量不稳定、治理机制缺位,导致企业决策者对AI输出结果缺乏信心,进而影响实际落地效果。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。