ZD至顶网软件频道消息: Oracle在Oracle Data Cloud上的野心不仅仅是市场营销这么简单,现在更侧重于扩大其在首席市场营销官支出中的份额。上周在纽约召开的Oracle Cloud Data峰会清楚地显示出了这一点,所有的公告和小组讨论都是围绕着市场营销和媒体展开的。
这次峰会上最大的消息是同Pinterest结成合作伙伴关系,通过Pinterest,社交网络上的广告业主将能够衡量广告对线下采购行为产生的促进效果。Oracle Data Cloud对Pinterest访问者和他们的线下采购行为进行匿名匹配。它还创建了控制人口,所以它能够精确地衡量Pinterest市场营销广告对销售带来的提升。测量服务将从消费者包装商品类别开始,并将最终扩展到零售商。
Pinterest的总裁Tim Kendall在峰会期间接受了采访,他表示,社交网络的用户将一半以上的时间用在网站购物之上了。他补充表示Oracle Data Cloud测量Pinterest上的CPG市场营销活动的效果证明其给媒体和店面销售带来了巨大的提升。Oracle也已经有针对Facebook的、类似的广告测量程序,还有一些针对其他平台的广告测量程序。
Oracle Data Cloud是什么?
通过收购BlueKai市场营销数据管理平台,Oracle在两年多之前开始打造其Data Cloud。在2015年年初,Oracle增加了数据经纪Datalogix,它的数据覆盖超过1500家CPG和1.1亿美国家庭。今年收购的AddThis每个月对超过1500万个网站的超过20亿独立访问者进行跟踪并建立行为档案。这笔交易的一个关键推动因素是这家公司在国际市场上的强劲表现,而Oracle正在努力将自己的数据版图向国际市场拓展。
Oracle Data Cloud中最新增加的“弹药”是Crosswise,这是该公司4月份收购的基于机器学习跨平台——包括移动设备——跟踪消费者行为的功能。Oracle分享的幻灯片中指出,移动是媒体中唯一增长的类别,但是跟踪移动行为非常困难。如果同一个人使用不同的桌面电脑、平板电脑或者智能手机浏览器访问同一个网站,这个网站将会将其视为四个不同的访问者。Crosswise能够将所有这些cookies和设备ID联系起来,帮助市场营销人员了解他们其实是同一个潜在客户或者客户。
Crosswise和AddThis跨渠道跟踪并形成档案的能力现在是Oracle ID Graph的一部分,是Oracle Data Cloud一个帮助市场营销人员理解消费者跨渠道行为的功能,这样他们就能够更精准地瞄准,进行更为个性化的营销,提升营销活动的效果。
我对ORACLE DATA CLOUD的看法
对于Oracle Data Cloud不断增加的功能以及可用数据的广度,我感到印象深刻,但是我们还没有看到同Oracle其他部分的深度协同。Oracle的总裁Thomas Kurian在今年早些时候暗示了数据浓缩蕴藏着更好的销售行动以及更好的客户服务的机会。但是到目前为止,Oracle Data Cloud的高官们能够做的一切只不过是跟上市场营销人员的需求;他们将AddThis和Crosswise完全集成在一起,并且谋划着进一步在国际市场进行拓展。
Oracle Data Cloud 的高级副总裁Eric Roza 暗示,Oracle和Oracle Data Cloud更为直接的协同可能是一场内容个性化的游戏。这些工作将把ID Graph、数据浓缩功能同Oracle的内容以及客户体验技术结合在一起,以恰当的表达为合适的人提供合适的内容。
技术和数据世界之间的界限很久以来已经变得日益模糊。我在上个世纪九十年代中期涉足过直销业务,所以我对于那个时候曾经的一些“巨头”现在的规模仍然比较小感到有些吃惊。按照2015年的收入来衡量,Experian收入是48亿美元,Equifax收入是26亿美元,Dun & Bradstreet的收入是16亿美元而Acxiom的收入是10亿美元。
相比之下,Oracle是一家收入380亿美元的公司,科技遇见数据的其他玩家包括IBM(收入810亿美元)和Adobe(收入47亿美元)。现在,Oracle像是一位财大气粗的土豪,开始从事数据的副业了。但是我毫不怀疑,销售、服务以及端到端的客户体验的协同将对Oracle客户的高管们产生全面的吸引。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。