ZDNet至顶网软件频道消息:IBM和SAP联合宣布,将开展全球合作,推出专为物流运输行业量身打造的应用和服务。双方计划在业务开发、销售、销售支持、市场营销和咨询领域密切合作,该行业客户有望在未来根据其特定组织需求和现有的基础架构,采用逐步推出的全新解决方案。
目前,世界各地的运输企业(如远洋班轮、货运代理和铁路企业)已普遍认识到,他们仍然无法直接控制能源成本、经济波动带来的挑战。然而,借助商务分析、云计算、移动商务和其他前沿技术,可优化核心业务流程的执行,从而为客户提供更优质的服务并提升运营绩效。正是瞄准这一市场需求,SAP 携手 IBM 共推下一代运输平台,其不仅能帮助企业实现业务流程创新,还能助力企业实现职能流程标准化,最终提升企业运营绩效。
SAP 旅行和运输业务部门副总裁 Till Dengel表示:“现在,货运公司在开展全球货运业务时发现,相关信息与物流同等重要。因此,许多货运企业正在更新旧的 IT 环境,并着手实施大规模的转型项目。瞄准这一契机,SAP 和 IBM 将通过深化合作,共同为运输企业提供深厚的市场专业知识,确保他们能够利用最先进的信息技术,成功实现业务转型。”
IBM 全球业务服务部全球旅行和运输行业主管RaimonChristiani表示:”与其他行业一样,现在运输企业也需要顺应趋势,通过细分市场为客户提供产品和服务。企业创造的客户经验已经真正成为决定企业竞争力的因素之一。借助 IBM 在商务分析和其他核心能力方面的最佳实践以及 SAP 的软件,我们的运输行业客户将拥有更准确的企业定位,为其客户提供一流体验,从而为建立长久的客户关系奠定坚实基础。“
这项合作是 SAP 与 IBM 的强强联合:IBM 拥有丰富的行业咨询经验和大规模全球业务转型的管理经验;SAP拥有与客户联合创新的专业优势,特别是在针对标准软件的特定行业增强功能方面。
该合作计划将 SAP 的软件与 IBM 的实施和配置服务集成一体。SAP 将集成SAP Transportation Management应用、SAP Event Management 应用,SAP Customer Relationship Management 应用以及 SAP Billing and Revenue Innovation Management 解决方案组合,为企业提供单个客户的全方位视图。同时,IBM 将结合其 SAP 能力中心提供的丰富行业知识和经验,构建最佳实践模板,助力 SAP 为各个运输企业量身打造运输行业解决方案。借助这些解决方案,运输企业有望降低实施成本,加快价值实现速度。
最新的IDC 报告显示,IBM 是 SAP 实施服务提供商市场领域的领导者。该报告指出:“IBM 能够为其客户提供真正的端到端服务和解决方案套件,为客户利用 SAP 产品实现转型提供全方位支持。”根据 IDC 的《2014 Global SAP Implementation Services Buyer Perception Survey》(2014 年全球 SAP 实施服务买家认知调查)报告,IBM 主要在以下方面赢得了客户的交口称赞:能够将项目团队与客户企业集成,遵守项目时间表,并且传递客户目前使用的 IBM 服务/解决方案和交付方法/工具的价值。
IBM 和 SAP 计划携手助力运输企业解答一系列问题,例如,为什么需要利用信息技术实现业务转型,如何采用混合型架构、企业预置型架构和云服务架构,以及如何确保系统始终能够满足未来的业务需求。
好文章,需要你的鼓励
Carma Technology 针对 Uber 提起专利侵权诉讼,称其侵犯了涉及拼车系统的五项专利。案情回溯至十年前,凸显专利保护对创新者的重要性,可能对 Uber 及其他公司带来巨大影响。
东京大学研究团队开发的WebChoreArena是一个全新的网页代理评估基准,它包含532个精心设计的任务,专注于测试AI代理处理繁琐、复杂网页任务的能力。研究结果显示,即使是最先进的语言模型(如Gemini 2.5 Pro)在这些挑战性任务上的表现也比常规任务降低了约14个百分点,证明了这一基准有效区分了不同模型的能力。WebChoreArena通过设计海量记忆、计算、长期记忆等类型的任务,为评估AI代理在实际应用场景中的表现提供了更严格的标准。
经过暂停战略调整,Automattic 宣布重返 WordPress 开发,包括核心、Gutenberg、Playground 等模块,计划今年推出 6.9 版本,并涉及与 WP Engine 的法律争端。
这项研究提出了一种名为LIFT的新型微调方法,通过在低秩近似后识别大语言模型中的主要权重进行稀疏微调。研究表明,仅更新5%的主要权重就能在推理任务上超越全参数微调,同时保持与LoRA相当的内存效率。LIFT在常识推理、算术推理等多项任务上表现优异,还能更好地平衡学习新知识与保留原有能力。这一方法揭示了大语言模型中关键参数的重要性,为资源高效的模型定制提供了新思路。