首席执行官萨蒂亚.纳德拉(Satya Nadella)表示,我们在Azure上所做的事情,Microsoft 365、Dynamics 365和 Power Platform是我们作为一家公司所做的工作的核心。
在过去几年中,微软一直在相对独立地开发和推出它现在称之为“Power Platform”的各个部分。Power BI,其业务分析平台;Flow,其工作流程自动化引擎;以及PowerApps,其相关的应用程序开发平台——一起被称为Power平台——一直主要是Dynamics 365用户的领域。
从今年开始,这种情况即将发生变化。微软计划大力推动Power Platform的统一可扩展性框架,不仅包括Dynamics ERP / CRM,还包括Microsoft 365——其Windows 10、Office 365和Enterprise Mobility + Security订阅包。
微软首席执行官萨蒂亚.纳德拉(Satya Nadella)上周早些时候在该公司的雷德蒙德园区向一些经过挑选的记者和分析师解释了Power Platform最新的定位。(我花10美元读到了他的评论,这是一次性支付The Stratechery时事通讯的费用。)
纳德拉对与会者表示:“我们在Azure上所做的事情,Microsoft 365、Dynamics 365和Power Platform是我们作为一家公司所做的工作的核心,我会说我们的商业客户是各种规模的企业——无论是小企业还是大企业,无论是在新兴市场还是在发达市场。”
他解释说:“Power Platform是Microsoft 365的可扩展性模型,它是Dynamics 365的可扩展性模型,顺便说一下,它可以与Salesforce集成,它可以与Workday集成,它可以与SAP集成或者你拥有的什么系统。”
该公司将如何让更多客户接受这个概念?微软的观点是,现代企业不开发从ERP和CRM(也就是记录系统和参与系统)开始的商业模式,而是从观察系统和智能系统开始(或者说,在微软产品方面,是物联网和人工智能——智能边缘计算和智能云)。是的,它总是回归到微软的智能云/智能边缘。
微软企业应用副总裁James Phillips上周在接受记者采访时表示:
“发生了根本性的变化。这种根本性的变化是现在数据首先出现。你卖给消费者或工厂的设备中的传感器正在发送关于它如何被使用、以及关于它的健康状况的连续信息流,数据进入云端,一个异常检测模型可以预测它即将出现故障,而不是已经出现了故障,它即将遇到麻烦,这可以主动呼叫现场服务,让客户能够轻轻松松保持设备正常运行。”
Phillips继续表示:“所以你需要的系统和一个人想要非常积极主动或非常极端反应的业务模式所需要的业务应用程序是根本不一样的。你不是从有人输入的屏幕开始的,而是从数据到达开始的。这是一个非常彻底的翻转,从根本上的转变。”
此Power Platform的一部分是微软的通用数据模型(CDM),它是表示跨业务和应用程序领域的常用概念和活动的标准实体定义。CDM是开放数据计划(Open Data Initiative)的核心,微软、Adobe和SAP去年在Ignite大会宣布了这项计划(没有具体细节)。ODI的高级目标是将CRM、ERP、商务、销售、产品使用和其他相关数据集成到跨设备的单一视图中。
HoloLens也间接地符合Power Platform的扩展范围。微软正在努力将HoloLens定位为一线工作者设备。(一线工作人员是那些在零售、客户服务、制造、酒店和其他垂直行业从事一线工作的“无桌面”工作人员。)微软的Dynamics 365 Remote Assist和Layout应用程序是此定位的早期示例。
纳德拉上周告诉记者,他已经了解到“对于一些一线工人来说,第一个计算机标准问题将是HoloLens……这是因为服务工作者的生产率提高使它在经济上变得非常有意义,他们甚至没有给他们电话,但是他们很乐意给他们一个HoloLens。”
(对于那些想知道为什么微软可能会在像世界移动通信大会(Mobile World Congress)这样一个以手机为中心大型活动上推出下一代HoloLens的人来说,这是他们的理由。)
微软将于1月21日发布Dynamics 365和Power Platform更新的发行说明,它们即将在2019年4月发布。看看这个平台今年首先推出的两个年度更新有什么内容会很有趣。
好文章,需要你的鼓励
Snap 推出 Lens Studio 的 iOS 应用和网页工具,让所有技能层次的用户都能通过文字提示和简单编辑,轻松创建 AR 镜头,包括生成 AI 效果和集成 Bitmoji,从而普及 AR 创作,并持续为专业应用提供支持。
罗切斯特理工学院和美国陆军研究实验室的研究团队开发了一种突破性的无源域适应方法,通过混搭拼图增强技术和置信度-边界加权策略,使AI模型能在没有原始训练数据的情况下适应新环境。该方法在三个主要基准数据集上取得显著成果,特别是在PACS数据集上准确率提升了7.3%,为AI系统在隐私保护、安全限制等现实场景中的应用提供了新解决方案。
这篇论文介绍了R1-Code-Interpreter,一种通过有监督学习和强化学习训练大型语言模型进行代码推理的新方法。研究团队收集了144个推理和规划任务,利用多轮训练教会模型自主决定何时使用文本推理或生成代码。最终的14B模型在测试集上将准确率从44.0%提高到64.1%,超过纯文本GPT-4o并接近带Code Interpreter的GPT-4o。研究揭示了SFT阶段的关键作用,并发现模型展现出自发的自我检查行为,为开源模型提供了与商业模型竞争的代码解释器能力。