至顶网软件频道消息:微软本周发布了其承诺的首个LinkedIn集成,这是该公司在宣布Microsoft Relationship Sales全面上市的时候承诺的。(Relationship Sales是LinkedIn Sales Navigator加上Dynamics 365 for Sales。)
那么接下来的交付路径图是什么?

在2016年12月,当微软收购LinkedIn最终获得监管部门的批准后,该公司的首席执行官萨提亚.纳德拉列出了两家公司产品线整合的最重要的一些任务。Sales Navigator和Dynamics 365的整合就在此列表中,列表中还包含其他一些Office 365、培训、Windows和其他计划好的集成。到目前为止,我相信Relationship Sales的交付是该列表中完成的唯一项目。
然而,在本周的Inspire全球合作伙伴大会上,微软高管们展示了几款即将推出的LinkedIn-Dynamics 365产品。
该公司的官员们表示,Dynamics 365 for Talent——微软的人力资本管理(HCM)产品——将在七月下旬全面上市,包含了同LinkedIn Recruiter的集成。 Dyanmics 365 for Talent允许创建可跨越Office 365、Dynamics 365和LinkedIn数据的综合人力资源档案。
微软还致力于增强监控用户公司所拥有的LinkedIn组织页面的能力,并了解这些页面上发布的信息和评论。根据微软发布的Dynamics 365路径图,该功能正在“开发之中”。它将被添加到Dynamics 365 for Sales、Dynamics 365 for Customer Service(CRM)、Dynamics 365 for Field Service和Dynamics 365 for Project Service Automation之中。
除此之外,微软还正在为 LinkedIn Lead Gen Forms制作Dynamics 365 Connector,允许用户自动将在LinkedIn上捕获的潜在客户与Dynamics 365在线同步。Dynamics 365 for Marketing和Dynamics 365 for Sales中的这个功能现在是私人预览阶段——这是微软针对中小型企业用户的Dynamics 365 Business Suite的两个缺失的部分。Dynamics 365 Business Marketing和Sales应用程序在上周进入私人预览。
如同之前承诺的那样,自7月1日起,微软开始向企业用户提供在他们自己的数据中心内部运行Dynamics 365 for Finance和Operations的能力。
在其他来自Inspire关于Dynamics的新闻中,微软通过一个名为ISV Cloud Embed的新程序,使软件开发人员能够更轻松地在Dynamics 365、Power BI、Power Apps和Microsoft Flow之上构建应用程序。微软还告诉合作伙伴,其各种ERP套件的内部部署版本将继续更新。
按照MSDynamicsWorld.com的表述,Dynamics GP 2018将于2017年12月1日发布。根据高官们的说法,它获得了更新的工作流引擎以及Power BI Content Pack和Flow模板。
MSDynamicsWorld表示,Dynamics NAV的下一个版本代号为“Tenerife”(似乎将在本日历年中到来)将增加内置的基于Azure的认知服务,例如识别图像的能力,以及集成Office 365 Bookings应用程序的选项。Dynamics SL在2018年还将继续获得新的更新,包括Power BI Content Pack和Flow模板选项。
还有,微软本周上线了新的Dynamics 365文档站点。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。