至顶网软件频道消息:随着数据的高速增长,包括移动、持续连接和自主性车型在内的数字化转型迅速涌现,福特早在2014年就认识到了要采取更为全面和战略性的数据驱动决策方法的需求。鉴于此,福特公司首次聘请了首席数据和分析官员保罗·巴勒(Paul Ballew),并与2015年1月组建了福特全球数据洞察与分析(GDIA)部门。
巴勒是Dun & Bradstreet、全国保险、通用汽车公司及JD Power and Associates的老将。福特的新闻稿表示,巴勒面临的挑战是“要在福特内部将大数据和分析技术推向下一个层次……要在全企业范围内建立一个分析和整合各种研究、分析、流程、标准、工具并有合作伙伴参与的愿景“。
数据科学家亚当·布莱克(Adam Blacke)最近告诉笔者,分析工具、方法和流程以前在整个公司使用过,但“各团队在业务里使用的分析方法不一致导致效率不佳”。
GDIA的创建是为了分享最佳实践并在整个组织里推动优化的、数据驱动的决策过程。GDIA的成员有福特原部门内部的老将,也有新员工,GDIA现有员工已发展到600多名。GDIA通过协商合作对各种业务提供支持,包括制造、研发、供应连锁营销、客户服务、行政、法律和会计团队。
笔者在《福特分析团队推动全面数据分析》案例研究报告里提到过,GDIA的中心化协调促进了一致性及最佳实践的共享。布莱克表示,“我们知道大家可以相互学习。我们以前只是让各团队学习不同的东西,但他们并不会与别的团队分享探索分析的经验。”
中心化是各部门充分利用已经存在的数据科学专业知识的一种方式,而中心监督可以采取多种方式实现。例如,Facebook开发了一种混合法,混合法里的数据科学专家仍然安插在特定的业务领域里,笔者在2013年的一篇文章做过解释,这些数据科学专家也会向当时的首席分析官肯·鲁丁报告(鲁丁后来加入了谷歌),他们会定期与其他业务部门的同行会面。
混合法里的专家们在某一个业务领域开发深刻的专业知识,业务团队可直接利用这些专业知识(并提供资金)。而专家们也会定期与同行分享他们在分析方面的工作,并与各业务部门的同行交流思想和经验教训。首席分析官促进人才的发展、设定和协调分析优先事项,并为所有业务部门的基础架构和数据投资提供支持。
福特的中心化法同样是可行的,中心化法并不能阻止个别业务部门保留自己专门的分析资源。中心化团队的方法对于将数据驱动决策和优化分布到各种小部门和业务团队非常有益,这些小部门和业务团队由于太小或其他原因在一般情况下往往没有足够的设备支持自行开展分析方面的项目。
分析专家Thomas Dinsmore是《颠覆分析》(Disruptive Analytics)一书的作者。Dinsmore最近告诉笔者,对于数据科学家的做法应该像商业飞机一样:要超额预订。中心化法是确保分析项目的稳定及确保有足够的具有优先性分析项目的一个方法。但如果分析的支持队列过长或缺乏企业创新,中心化也可能出麻烦。 Dinsmore表示,他也见过有些机构试了中心化法后重回分散化(或者也可能是混合)法。
好文章,需要你的鼓励
随着AI的使用、创新和监管混乱超过认可的标准,IT领导者只能开发内部方法来减轻AI风险,依靠框架、工具和他们的同事来正确使用AI。
几年前,当澳大利亚红十字会(Australian Red Cross)这个社区服务慈善机构开始进行数字化转型的时候,发现有很多不同的系统无法协同工作。如今,经过数据梳理和发挥作用,可以满足不断变化的需求。
在此次活动中,IBM展示了最先进的IBM Quantum Heron计算机是如何以比以前更高的精度和速度执行复杂的量子算法,同时为进行高级分子模拟的新方法铺平了道路。
想象一下,一个人工智能系统不仅能阅读文本或识别图像,还能够同时读、写、看、听和创造。这其实就是多模态人工智能的精髓。这些先进的多模态人工智能系统可以同时处理和整合多种形式的数据,包括文本、图像、音频甚至视频。这就像是赋予了人工智能一整套的感官。