至顶网软件频道消息: 借着亚马逊Prime Day,让我们来看看这家公司的内部运作方式,这种方式正在推动着亚马逊的创新发展,不仅仅是亚马逊会员,还有很多其他前沿的管理策略。
这家为各种客户体验奠定基调的零售巨头,正在打破内部障碍,并向我们展示了其他公司如何做到这一点。作为客户体验创新的领导者,亚马逊围绕人工智能和机器学习进行重塑,将公司提升到了一个新的水平。
亚马逊的“飞轮”人工智能管理策略
亚马逊把自己的人工智能方法称为飞轮。在工程上讲,飞轮是一种看似简单的工具,可以有效地保存旋转的能量,在机器不工作时以恒定水平存储能量从而运转。飞轮不浪费能量打开再关闭,而是保持能量不变,并传递到机器的其他部分。
在亚马逊,这种名为飞轮的方法保持着人工智能创新的活力,鼓励将能量和知识传播到公司的其他领域。亚马逊的飞轮方法,意味着在某个领域利用机器学习取得的创新,进一步推动了其他团队。这些团队使用机器学习技术来驱动他们的产品,从而影响整个组织的创新。从本质上讲,在亚马逊某个领域所打造的,成为了其他领域发展人工智能和机器学习的催化剂。人工智能对亚马逊来说并不陌生,亚马逊是最早使用人工智能推动产品推荐的公司之一。随着人工智能和机器学习的发展,飞轮方法已经成为亚马逊业务扩展的基石——这也是亚马逊一年一度峰会的核心,旨在将各个部门组织连接在一起。特别是在当下,这一点尤为突出,因为很多企业在以孤岛的方式尝试人工智能,而没有将其整合到公司这个整体中。
在亚马逊,人工智能无处不在
人工智能并不是存在于亚马逊的某个办公室内,而是遍布所有部门。产品推荐团队使用机器学习技术来改进产品预测,在整个公司上下分享这些见解。人工智能和机器学习为亚马逊三个主要产品提供支持:Alexa、Amazon Go Store和亚马逊推荐引擎。
内置人工智能机器人Alexa的Amazon Echo,一直是亚马逊最受欢迎的机器学习之一。亚马逊从一开始就面临着一场艰难的战斗,特别是作为最早尝试开发一个可以放在桌面上的、语音驱动的虚拟助手的公司之一。一旦这项技术开始融合,亚马逊内的各个部门就会意识到Alexa可能对他们的产品有益。Alexa的一些主要技能是与Amazon Music、Prime Video以及亚马逊帐户的个性化产品推荐进行集成。现在,许多公司都获得了Alexa技能,例如Liberty Mutual和Capital one利用Alexa为客户的生活增添价值,前者是提供汽车保险信息,后者让客户可以通过亚马逊设备进行支付。
无收银员的Amazon Go商店还利用丰富的数据来追踪客户的购物趋势。来自客户智能手机摄像头的数据,可以追踪购物行为,不仅可以帮助Amazon Go,还可以与机器学习团队共享用于继续开发。
人工智能在亚马逊的推荐引擎中也发挥了重要作用(该引擎占亚马逊收入的35%)。亚马逊通过使用个人客户的偏好数据、购买数据、浏览历史记录、相关且定期购买的商品,可以创建客户实际想要购买的个性化产品列表。
用人工智能创造一致的客户体验
亚马逊这三大支柱业务的数据,构成了一致的客户体验。客户可以访问Amazon Go商店购买晚餐,用Alexa查找食谱,用产品推荐引擎确定客户可能需要购买某种类型的酱汁。不同部门之间不是相互斗争,而是分享他们的创新知识,以提供定制的、一致的客户体验。
从开始尝试人工智能和机器学习以来,亚马逊已经走过了一段漫长的道路。现在亚马逊通过AWS向包括美国国家航空航天局和美式橄榄球联盟在内的客户售卖其机器学习方法。利用在其他领域人工智能的改进和应用,亚马逊为大大小小的企业提供了个性化的人工智能解决方案。
在这么多公司被官僚主义和孤岛所笼罩的世界里,看到亚马逊打破隔离墙,鼓励整个组织的创新和发展,的确令人耳目一新。如果其他公司想要取得成功并保持走在新技术的最前沿,他们可能会考虑采用如飞轮这样的新组织方法。
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。