ZD至顶网软件频道消息(文/邹大斌): 在企业众多的IT系统之中,ERP一直是企业最为核心的业务系统之一。由于事关企业的生产和经营,企业对ERP也极为重视,也更偏爱传统的On Promise的部署方式。不过,近年来随着公有云的普及,甲骨文、SAP以及金蝶等厂商开始推广ERP云,云ERP市场迅速升温,受到人们的广泛关注。
在众多云ERP厂商中,甲骨文无疑是最值得关注的一个。这不仅在于甲骨文在ERP领域的江湖地位,在传统ERP市场甲骨文与SAP一起引领ERP市场的演进,更在于甲骨文对云ERP的重视程度,在推广云ERP时的不予余力,甚至是“偏爱”。
目前,在SaaS业务方面甲骨文共有“三朵云”,即客户体验云(CX)、人力资源管理云(HCM)和ERP云。前些年甲骨文的宣传重点一直落在CX和HCM上,但2014年之后,ERP云在甲骨文的媒体活动中曝光次数明显增加,ERP云在甲骨文的地位有了变化。甲骨文把ERP云作为新的重点拓展市场,其背后的一个重要原因是ERP云市场还处于刚刚兴起的阶段,市场竞争还不太激烈。
甲骨文副总裁及中国区应用软件总经理潘杰君
“相对CRM、HCM等相对成熟的SaaS市场,ERP云要晚一些,但是这个市场成长很快,其成长之快甚至让我们也没有想到。”甲骨文副总裁及中国区应用软件总经理潘杰君在接受记者采访时曾表示。目前在全球范围内,甲骨文 ERP云的客户已经达到1300个。
据悉,在ERP云市场,甲骨文主打三个卖点,即现代云、完整性和全球化的云。
所谓“现代云”是指甲骨文的ERP云不是把传统技术开发的ERP套件搬到数据中心,而是结合了今天很多新的数字化技术重构该软件。甲骨文根据新的技术发展潮流和新的用户体验需求全新构建了ERP云平台。
“完整性”是指有甲骨文ERP云既有宽度也有深度。所谓宽度是指甲骨文ERP云不但涵盖了企业传统ERP的基础管理体系,比如财务管理、采购管理、销售管理体系等基础管理模块,还有非常全面的供应链和业务管理体系,比如在Oracle刚刚发布的ERP云第11版,这里面就提供非常完整的供应链解决方案:覆盖从创意到商品化;从寻源到供应商管理过程;从计划到生产;从订单到收款的整个销售过程。
“目前,在全球所有的ERP云服务提供商中,还没有一家厂商有Oracle这么完整的解决方案,绝大多数还只局限于局部,比如只是做基础的研发管理,这叫做有宽度。” 甲骨文中国区供应链解决方案部顾问总监高晓斌表示。
而在“深度”方面是指,甲骨文的ERP云是有纵深的专业解决方案。以ERP云中的项目管理为例,甲骨文的项目管理不但负责整个项目的财务管控,如预算、成本,同时还要管项目的资源、项目的进度、项目的分析,是一整套专业性的完整解决方案。
而在全球化方面,是指甲骨文ERP云支持企业全球化经营和扩展,这是甲骨文ERP云与本土ERP云的一个重要区别。这是因为当一个企业卖出国门开展全球化的经营过程中,要符合全球给地财务管理的本地化要求,比如多货币、多语言等,对ERP是一个很大的挑战。
采访中,作为ERP行业的一位资深从业者,潘杰君同时也谈到了他眼中ERP行业这些年的两个突出变化:第一,ERP在关注重点上有变化。以前更强调管控、控制,要有非常复杂的系统功能;而现更强调速度,关注怎么更快地去享用技术创新,这也是ERP云这几年异军突起的原因之一。
第二,今天人们的ERP在概念上更宽泛了,不只是把企业内部的人财物管好,很多企业开始站在整个价值链角度来看资源的优化和整合。
“未来真正有生命力的ERP云平台应该是大ERP,不局限在内部管进销存,还要加上多渠道整合、对外开放,这也是未来ERP和传统ERP不同的地方。甲骨文会把这些新趋势注入到我们ERP云中。”潘杰君说。
好文章,需要你的鼓励
Instagram负责人莫塞里在接受采访时透露,平台正考虑引入长视频内容功能,尽管此前一直专注于短视频。他承认为了吸引优质内容,Instagram可能需要支持长视频格式。此外,Meta最近推出了"您的算法"功能,旨在让用户更好地控制信息流内容。莫塞里承诺未来将提供更多工具,让用户主动塑造个性化内容,但完整实现可能需要2-4年时间。
香港大学联合Adobe研究院提出PS-VAE技术,成功解决了AI无法同时具备图像理解和生成能力的难题。通过创新的两阶段训练策略,让AI既能准确理解图片语义,又能生成高质量图像,在图像编辑任务上性能提升近4倍,为统一视觉AI系统开辟新路径,在数字创作、教育、电商等领域具有广阔应用前景。
在信息爆炸的时代,AI实验室的研究员们常常需要面对海量的论文、专利文件、论坛发言等各种渠道的信息。传统的查找方式不仅费时费力,还容易遗漏关键内容。那么,有没有一种方式能让AI真正代替人工,完成从找资料到写出稿的全流程工作?
华中科技大学与马里兰大学研究团队开发出Sage评估框架,首次无需人工标注即可评估AI评判员可靠性。研究发现即使最先进的AI模型在评判任务中也存在严重不一致问题,近四分之一困难情况下无法保持稳定偏好。团队提出明确评判标准和专门微调等改进方法,为构建更可靠AI评估体系提供重要工具。