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
谷歌DeepMind发布AlphaEarth Foundations AI模型,能处理每日数TB卫星数据追踪地表变化。该模型如"虚拟卫星"般将全球陆地和沿海水域映射为数字表示,帮助科学家监测食品安全、森林砍伐、城市扩张等关键问题。模型整合光学卫星图像、雷达、激光测绘等数据源,以10×10米精度追踪变化,错误率比其他模型低24%。
阿联酋穆罕默德·本·扎耶德人工智能大学研究团队开发出轻量级语音合成系统LLMVoX,仅用3000万参数就能让任何大语言模型获得流式语音输出能力。该系统实现475毫秒超低延迟,词错误率仅3.7%,支持多语言扩展,可与视觉语言模型集成,为AI语音交互提供了"即插即用"的革命性解决方案。
ChatGPT虽然是目前最受欢迎的AI聊天机器人,但它并非万能。文章指出11个不应该使用ChatGPT的场景:诊断健康问题、处理心理健康、紧急安全决策、个人财务税务规划、处理机密数据、违法行为、学术作弊、监控实时信息、赌博预测、起草法律文件以及创作艺术。AI可能产生错误信息、缺乏实时数据更新,在高风险场景下可能造成严重后果。用户应了解其局限性,在关键决策时寻求专业帮助。
清华大学团队开发出革命性人形机器人系统Being-0,具备类人思维能力。该系统采用创新的"三层大脑"架构:顶层基础模型负责理解指令和制定策略,中间层连接器模块负责将计划转化为具体动作,底层技能库负责执行各种操作。机器人能够理解自然语言,自主规划复杂任务如制作咖啡,并在动态环境中灵活调整策略,在长期任务中达到84.4%的成功率。