第三次人工智能浪潮非常重要的一个特点在于,技术与实体的结合更加紧密,这也是技术价值被释放的前提。比如在金融行业,AI被用于用户精准分析和反欺诈;在零售行业,AI正在帮助提升消费者的个性化体验,用于企业精准营销、实时库存追踪、动态定价等场景;在制造行业,AI被应用于设备的运营和维护,提前预测设备故障,合理安排生产进度和资源调配。
无疑,AI将带来生产力的极大提升。根据麦肯锡对全球2000多名高管的调查显示,在已经采用了人工智能技术的企业中,有63%表示,其业务(主要是市场营销和销售领域)出现了明显的收入增长,同时,有44%表示,人工智能确实降低了企业的成本,尤其是制造和生产成本。
但是,目前许多企业对AI技术的接纳程度还主要是单点切入,试水面并不广。一方面是碍于AI技术本身发展的成熟度,另一方面是很多企业事实上并没有为启用AI布局做好准备。总而言之,阻碍AI应用的因素有很多,比如:
>>> 问题一:并不是每个企业都具有强大的数字化能力,在很多情况下,甚至数据的获取、访问、整理和分析都成问题,因此,企业数据很难为AI所用;
>>> 问题二:当下绝大多数AI应用都散落部署在企业不同的业务场景中,并且彼此之间割裂,联动性差,没有形成长期的规划和完整的人工智能布局,这也使得企业很难挖掘出数据的整体价值;
>>> 问题三:AI的落地需要大量的定制,而由于团队能力不足以支撑,过去复杂的IT运维方式也在拖AI项目的后腿,因此在新应用开发、实施和后期运维过程中,企业也面临着巨大的挑战。
也就是说,企业要用好AI,不仅要改变战略思维、弥补技术短板,还面临着人才资源匮乏、投入周期长、运维难度大等问题,这些不确定性和风险正在让许多企业望而却步。
如何对症下药?
IBM打造了一个通往数字化的人工智能阶梯,能够帮助企业为AI之旅做好准备,加速企业数字化。其中的“砝码”,是IBM Cloud Pak for Data。作为IBM新一代数据及人工智能平台IBM Cloud Pak for Data将覆盖企业数据和人工智能应用的全生命周期,一招破解以上三大问题。
首先,IBM Cloud Pak for Data能够实现从数据收集、组织到分析、AI应用的全打通,无论企业面对数据获取、清洗、分析还是什么样的数据难题,都可以从Cloud Pak for Data中找到解决办法。
同时,IBM Cloud Pak for Data是一个企业级数据与AI平台,能够部署在任意云架构上,通过统一平台实现管理和协同。并且,无论企业数据位于本地、公有云还是私有云,Cloud Pak for Data都可以进行混合数据管理,便于企业从全局出发统一制定数据战略。
非常重要的是,IBM Cloud Pak for Data在短短4小时内就可以完成部署,并且即插即用。而基于AI Ops,还可以实现智能化运维和自助分析。不仅如此,Cloud Pak for Data还集成了大量数据科学工具和Watson AI服务,能够帮助技术人员、数据分析人员、业务用户快速将数据模型部署到生产框架中,更好地理解和分析数据、预测业务成果。
除此之外,IBM Cloud Pak for Data还有很多厉害的功能,1月16日,IBM专家将在线介绍如何快速部署这一数据与AI平台,并展示IBM Cloud Pak for Data的更多特点和技能。
点击链接立即报名参与:http://www.zhiding.cn/special/ICP4D_q1
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。