前两期,我们带您了解了Cognos Analytics 11.1的“前世今生”, 燃点了与AI的新火花,您一定想问,你们还有别的没放出来的“大招”吗?
当然有!毕竟这届Cognos可是我们带过的最具划时代意义的Cognos!
六问六答第3趴继续为您盘点Cognos Analytics 11.1新技,今天我们一起来看Cognos在业务洞察方面的新突破!
Q:现在固定报表的需求越来越少了,面向业务人员的自助分析服务需求在增加。Cognos Analytics 11中也在不断增强自助分析功能,请问在Cognos Analytics 11.1版本中,具体有哪些面向业务人员的自助分析服务功能?
A:面向业务人员的自助分析是IBM Cognos Analytics商业智能产品研发的重点。事实上, IBM从Cognos Analytics 11.0开始将自助分析服务功能融入到传统企业BI平台,并随后对其不断增强。Cognos Analytics 11.1中的自助分析服务功能包括:
1. 面向业务人员的自助数据准备与建模(同时支持将数据库中的数据落地为本地列式存储的数据集)
2. 自助式仪表板
3. 故事叙述与展示
4. 集成AI能力的智能数据探索
除了这些新型的自助分析功能外,传统的面向业务人员的OLAP分析、即席查询、自定义报表功能在新版本中已经整合在一个工具中,简化用户使用难度。产品同时推出了新的Excel分析与查询插件,具备更好的使用体验和更强的功能。
Q: 企业报表是Cognos 8/Cognos 10中功能强大的组件,在企业中得到广泛地应用。在新版本中报表功能有什么变化吗?后续会继续发展吗?
A: 报表仍然是Cognos Analytics中重要的组件之一,Cognos Analytics 11.0版本中已经对报表开发工具的UI做了重新设计,在兼容老版本报表功能同时,进一步增强报表功能和开发体验。在Cognos Analytics 11.1中报表功能得到进一步提升,包括:
1. 新的交互式可视化,采用HTML5技术,更优的用户体验,支持屏幕的自适应
2. 支持新的指导式布局设计
3. 风格报表对象属性的创建和重复使用
Q: Cognos Analytics 11.1中的仪表板、故事叙述、报表、智能数据探索组件中的对象是否可以共享?
A: Cognos Analytics 11.1中各组件里的对象是可以共享的,你可以将仪表板中的图形直接拷贝到报表中,同时系统会定位图形对应的数据源,并自动打开。目前发布的CA 11.1.1版本中除了不支持将报表中的对象直接拷贝到仪表板外,其他组件之间的拷贝及组件内不同应用之间的拷贝已经支持。由于报表功能强大,报表中的对象比仪表板中对象要更为复杂,IBM正在做这方面的研发,在后续版本中就会支持此功能。
Q:Cognos Analytics对于大数据平台支持如何?
A:Cognos Analytics可以支持很多主流的大数据平台,可以通过HIVE、Impala、SparkSQL、Presto、PostGress、GP、MongoDB等多种接口访问大数据平台中的数据。IBM会在后续版本中,根据大数据产品在市场上的流行程度,适时增加新的接口进来。
Q:Cognos Analytics支持海量数据下的OLAP分析吗?如TB级数据。
A:Cognos Analytics提供的新一代OLAP分析引擎动态Cube能够跟大数据平台结合起来,可以处理海量数据下的OLAP分析和报表查询。IBM实验室已经基于10TB数据量/288亿事实表/6500万的客户维度做过测试。
Q: Cognos 10中提供了很多功能强大的专业的建模型工具,如Framework Manager、Dynamic Cube、Transformer。在新版本中有什么变化吗?IBM会继续支持这些产品吗?
A:Framework Manager、Dynamic Cube、Transformer是传统BI建模工具,在新版本中功能没有变化,但仍然继续保留,可以继续使用。这些模型和新的面向业务人员的建模工具Data Module是可以进行交互的,也就是在Data Module中可以引入这些模型进行特定需求的建模。
六问六答系列至此暂告一段落,短小精悍干货足的三期内容从“前世今生”、人工智能与业务洞察三个方面全方位为您解惑Cognos Analytics 11.1!面对划时代进阶的Cognos Analytics 11.1不要再“方”,您了解得透彻,用得就更顺心!
好文章,需要你的鼓励
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。
这项研究探讨了多模态大语言模型在增强推理能力时出现的视觉幻觉问题。研究发现,模型生成更长推理链时,对视觉信息的关注减少,导致幻觉增加。研究者提出RH-AUC指标和RH-Bench基准来评估模型在推理与幻觉间的平衡,发现较大模型表现更好,纯强化学习训练优于监督微调加强化学习,且训练数据的类型比数量更重要。这些发现对开发既具推理能力又保持视觉准确性的AI系统具有重要意义。
这篇研究探讨了大语言模型在自动推理任务中的不确定性问题。研究者提出,模型生成形式规范时的概率不确定性不是缺陷,而是宝贵的信号源。通过引入概率上下文无关文法框架分析SMT-LIB程序分布,他们发现不确定性信号具有任务相关性(如逻辑任务中的语法熵AUROC>0.93)。他们的轻量级信号融合方法能减少14-100%的错误,仅需最小弃权,将大语言模型驱动的形式化转变为可靠工程学科。研究揭示当模型正确理解逻辑关系时会产生稳定的语法模式,为判断何时信任模型提供了可靠指标。
来自沙特阿拉伯王子苏丹大学和阿尔法萨尔大学的研究团队开发了GATE(General Arabic Text Embedding)模型,这是一套专为阿拉伯语设计的文本嵌入系统。该研究结合了套娃表示学习和混合损失训练方法,解决了阿拉伯语特有的语义处理挑战。GATE模型在MTEB基准测试的语义文本相似度任务中表现卓越,比包括OpenAI在内的更大模型高出20-25%,同时保持了多维度(768至64)的高效表现。研究通过详细的错误分析揭示了模型在不同相似度水平上的表现特点,为阿拉伯语NLP领域提供了新的研究方向。