ZD至顶网软件频道消息 (文/张晓楠):近日,IBM宣布其基于SaaS的营销云解决方案——IBM Marketing Cloud正式在大中华区落地。这一产品紧密贴合了中国市场的特点和需求——针对微信营销在中国的火热,IBM营销云推出了微信营销组件——IBM WeChat Audiences,通过这一微信营销组件,营销人员可以更容易地选择目标顾客,规划信息推送时间,从而让营销人员向客户提供更具有针对性和竞争力的营销组合。
IBM营销云的前身,是两年半前IBM收购的一家云营销公司——Silverpop。基于Silverpop多租户的SaaS特性以及万级的用户群,IBM打造了其SaaS模式的营销云解决方案。
据IBM认知商务事业部市场解决方案副总裁Christopher K.Wong介绍,Silverpop中有一个非常强的技术——Universal behaviors(普遍行为分析),可以把每个个体的行为与身份进行匹配,利用这一行为分析结果对每个人提供定制化的、有针对性的服务。而且鉴于Silverpop多租户的特性,这一行为分析和身份匹配工作可以实时进行。
这其中值得一提的是IBM营销云解决方案对来自不同渠道信息的捕捉和分析、并实现对消费者身份和相关数据进行管理的能力。对此Christopher K.Wong强调:“我们更关注不同渠道之间的协作和消费者的体验,而不是单一渠道的互动结果。”其实这句话的提出是有背景的,当前市场上给用户提供单一营销工具的解决方案并不少见,无论是传统软件厂商还是互联网公司,都在介入营销云的市场。但是在Christopher K.Wong看来,市面上很多营销云产品只解决用户某一个需求痛点,是一个碎片化的应用,缺乏整合的跨渠道管理能力,而这正是IBM营销云的强项所在。
在IBM营销云的产品特色方面,在记者看来其协作性也是另外一大亮点。协作不仅仅是指IBM营销云解决方案可以收集和分析来自不同渠道、不同工具之上的数据,还在于能够实现人与人之间的协作。毕竟在当今移动和社交的时代,企业内部各个部门都多少会与客户打交道,这也就有着多方获取客户数据的途径和可能。这时候在数据之上,如何让团队实现紧密合作变得尤为重要。这时候IBM营销活动设计工具——IBM Journey Designer就可以发挥重要作用了。IBM Journey Designer为用户提供一个虚拟白板,营销团队共享“用户画像”,同步了解顾客购买过程,进而做出更明智决策。只需拖放鼠标,营销人员就可轻松设计一个数字营销活动,这个工具使得组织内部不同的人可以在一起进行协作。
除此之外,IBM营销云还包括IBM营销过程分析工具(IBM Journey Analytics)、IBM用户行为分析工具(IBM Customer Experience Analytics)、IBM商务洞察分析工具(IBM Commerce Insights)等,为营销人员提供市场营销活动从策划、执行到回顾全过程营销工具。
就当前来看,IBM营销云所面向的行业包括零售、电商、媒体、体育等等营销策略对企业经营带来影响比较大的行业;另外通过IBM营销云产品与其他解决方案的组合,也面向银行、电信、航空公司等行业提供提供整体解决方案。
在解决方案的提供过程中,IBM认知技术也会从中发挥巨大威力,对此IBM认知商务事业部大中华区总经理Patricia Cheong表示:“通过IBM认知技术的运用,市场营销者可以获知如何更好地利用数据,如何面对数据规则提供定制化服务。”在记者看来,认知技术可能会让IBM营销云更好地获取业绩洞察能力,也就是说对营销行为有具体行动、目标和结果的考量,更多地做到事前监控而不是事后分析。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。