至顶网软件频道消息:德勤(Deloitte)今天公布了一项调查发现,过去一年中,在数字化转型领域投入大量资金的企业数量几乎翻了一番。
德勤对来自500多家收入规模超过2.5亿美元的企业组织的1200名高管进行了调查。调查发现,有19%的受访者计划在2019年投资2000万美元或者更多,而在2018年调查时这一比例为10%。
“数字化转型”已经成为推动企业组织采用数据驱动型商业模式的一个途径,这个过程中通常会涉及到人工智能、大数据和预测分析等技术。
调查还发现,中大型企业的转型预算从平均1100万美元增加到今年的1350万美元。
不过德勤也强调了另一个调查发现,即大多数企业组织仍然认为他们对这项技术的投资,与该技术在关键绩效指标(如利润、收入和客户满意度)方面带来的实际影响之间,存在着一定差距。
为了理解这一点,德勤指出有7个“关键点”——这些功能有助于企业通过技术创新成功实现正增长。
德勤发现,“成熟度更高”的企业组织——即那些通过数字化转型实现正增长的企业组织——平均部署了40个针对这些关键能力的项目,这表明,这些关键能力确实是促进成功的重要因素。
德勤首席数据官、创新主管Ragu Gurumurthy解释说,在这些关键能力中,有三项能力是“最基本的”,解决了这三项能力相关的挑战,就相当于为中大型企业组织数字化转型开辟了一条道路。
他说,“企业应该做的第一件事,就是关注数据掌控和基础设施,以及相关的人才”。
在基础设施方面,企业需要构建灵活的、安全的系统,能够平衡安全和隐私,并随着业务需求的变化灵活扩展。
数据掌控,是对那些孤岛数据和未被充分利用的数据进行聚合、激活和变现,从而产生创造出更好的产品、服务和业务运营,推动业务取得成功。
“正是这些关键能力,让我们开始考虑进行转型。”
数据掌控涉及到从数据中创造价值,提高业务流程的效率和有效性。
“人们常说,数据是数字经济时代的一种新型石油,是的,确实如此——但在碳氢化合物时代,你不需要拥有油井,就能拥有财富,”Gurumurthy说。
“你不需要拥有所有的数据,只需要知道如何处理你所拥有的数据。”
他的意思是,像谷歌和Facebook这样的企业已经成为数字时代的巨头,他们通过用户使用其平台和服务留下的“数据碎片”实现数据变现,但是并非所有企业都需要采取这种方式。
“我想说的是,有90%的企业并不会像谷歌或者亚马逊那样,通过数据资产进行变现。大多数情况下,他们通过获取数据来提高企业的效率。”
这可能意味着,需要找到更好的方式,来定位客户并理解客户行为,根据他们收集的数据来优化市场营销和零售渠道。换句话说,对于那些数据已经成为一项有价值资产的企业来说,大多都是通过为现有的核心产品和服务创造增长机会——而不是通过“耗尽数据”来创造增长机会——来做到这一点的。
“这就需要创造一个安全的环境,在这个环境中,你可以快速发布应用,消除操作中的摩擦,考虑如何与客户进行交互——这些都可以通过在数据基础设施上进行投资、理解数据基础设施来实现。”
下一个关键点——人才,则是围绕着数据被用于理解和培育企业最重要资产——也就是员工——而展开的。
Gurumurthy解释说:“实际上,这是最困难的事情了。人们可以制定云迁移策略,可以弄清楚如何收集和存储数据、如何对数据进行分析,却很难管理好人才变化。”
“如果问问他们在数字化转型中面临的最大挑战是什么,他们会说,是人才短缺——人们常常会对文化变革抱有抵触心理,从而导致所需人才的匮乏。”
这是很有挑战性的,因为在切换到数据驱动型商业模式时,转变心态是很必要的,特别是要求人们信任人工智能和高级分析等技术的时候,可能会导致洞察结果与眼睛观察到的情况是相反的,对我们很多人来说,用眼睛观察是最直观的方式。”
Gurumurthy解释说:“这通常是为了重新培养人才,用另一个词来说,就是‘数字思维’。”
“反应和行动的速度要比以前更快。人们如何开发产品?如何对客户需求做出反应并开展业务?人们做事情的速度要更快,不仅仅是敏捷的软件开发,还要有敏捷的战略和敏捷的规划。
“这取决于人们利用数据做出决策、然后迭代数据的速度,从而形成一个自我学习的闭环,这就是‘数字思维’的核心,是一项巨大的挑战。”
一旦奠定了围绕数字掌控、基础设施和人才的数字化转型战略基础,那么就可以开始迈向“成熟”数字化转型的其他几个关键点展开工作,分别是:
生态系统参与:与外部企业(如技术孵化器、R&R公司和初创公司)合作,获得他们的资源和人才。
智能工作流程:不断重塑流程,最大限度地发挥人员和技术能力,打造完美互补的环境以实现业务成果最大化。
统一的客户体验:基于对全公司上下共享客户的全方位理解,提供无缝的、高效的、令人愉悦的、身临其境的客户体验。
业务模型可适性:不断重新评估和调整业务模式,以及业务的收入流。
那么,是什么阻碍了企业释放数字化转型的全部潜力?除了已经提到的人才短缺(有36%的受访者提到这一点),受访者还提到了现有遗留的运营模式(49%)、缺乏明确优先采用变革技术的战略(45%)等因素带来的挑战。
虽然在科技、媒体和电信行业的企业组织最有可能达到实现底线增长的成熟度,但令人意外的是,一旦他们达到了这个阶段,所有行业的获益都是大致相似的。
Gurumurthy对此评论说:“通过调查我们发现,一旦你在数字化达到了成熟阶段,你在价值和利润率方面所获得的收益,实际上在所有领域都是相似的——这一点让我让我感到惊讶,因为我原本以为科技公司受益最大,但事实并非如此。”
这清楚地表明,无论你所在什么行业,都可以通过数字化转型推动增长并获得回报。
好文章,需要你的鼓励
这项研究介绍了VisCoder,一个经过专门微调的大语言模型,用于生成可执行的Python可视化代码。研究团队创建了包含20万样本的VisCode-200K数据集,结合了可执行代码示例和多轮修正对话。在PandasPlotBench基准测试中,VisCoder显著优于同等规模的开源模型,甚至在某些方面超越了GPT-4o-mini。研究还引入了自我调试评估模式,证明了反馈驱动学习对提高代码可执行性和视觉准确性的重要性。
这项研究提出了"适应再连续学习"(ACL)框架,一种创新的方法解决预训练模型在连续学习中的稳定性-可塑性困境。通过在学习新任务前先对模型进行适应性调整,ACL使模型既能更好地学习新知识(提高可塑性),又能保留已有知识(维持稳定性)。实验证明,该框架能显著提升各种连续学习方法的性能,为解决人工智能系统中的"灾难性遗忘"问题提供了有效途径。
这篇研究首次关注了CLIP模型文本编码器的对抗鲁棒性问题,提出了LEAF方法(Levenshtein高效对抗性微调)来增强文本编码器的稳健性。实验表明,LEAF显著提高了模型在面对文本扰动时的性能,在AG-News数据集上将对抗准确率从44.5%提升至63.3%。当集成到Stable Diffusion等文本到图像生成模型中时,LEAF显著提高了对抗噪声下的生成质量;在多模态检索任务中,它平均提高了10个百分点的召回率。此外,LEAF还增强了模型的可解释性,使文本嵌入的反演更加准确。
BenchHub是由韩国KAIST和Yonsei大学研究团队开发的统一评估平台,整合了38个基准中的30万个问题,按技能、学科和目标类型进行精细分类。研究显示现有评估基准存在领域分布偏差,而BenchHub通过自动分类系统和用户友好界面,让用户能根据特定需求筛选评估数据。实验证明模型在不同领域的排名差异巨大,强调了定制化评估的重要性。该平台支持多语言扩展和领域特化,为研究人员和开发者提供了灵活评估大语言模型的强大工具。