金航数码科技有限责任公司(AVIC DIGITAL)是中国航空工业集团有限公司(航空工业)的信息技术专业支撑机构,肩负着”推进产业数字化,践行数字产业化”的使命,致力于做数字技术驱动工业转型的集大成者。
2020年9月16日,在Software AG中国区线上用户大会上,金航数码科技有限公司咨询总监张钊受邀以”ARIS助力航空工业管理体系(AOS)建设的实践”为题发表演讲,详细介绍了公司启动AOS的背景、ARIS在航空工业数字化转型的过程中发挥的作用和成功经验。
航空工业管理体系建设背景
航空工业管理体系(AOS)是英语Aviation Operation System的简称。中国航空工业集团面临的内外部环境越来越复杂,除了产品越来越复杂,由于企业规模的不断变大,客户需求、内部管理也越来越复杂,生产过程、组织、环境各方面也带来了很大的复杂性,而且国际和国家法律的强制要求以及一些管理部门机构的要求也在不断加强。如何能够满足这些要求,是航空工业亟须解决的一个主要问题。此时,金航数码建立了自己的 AOS (Aviation Operation System)。
航空业管理体系的发展和内涵
AOS管理体系的建设愿景是以流程为主线,融合多系统、多要素、多工具,构建增值、规范、高效并拥有卓越竞争力的航空工业管理体系,实现新时代的航空强国目标。
金航数码与Software AG合作、采用ARIS搭建业务流程管理系统(BPMS)平台,为航空运营系统(AOS)流程体系建设工作夯实了内部管理基础,提升核心竞争能力。Software AG的ARIS是一种基于信息集成的面向过程的模型体系结构。ARIS的核心思想是从多视图、多层次、多相关性和生命周期的角度描述企业业务的各个方面。
在航空工业AOS流程体系建设工作过程中,Software AG和金航数码利用ARIS对公司业务进行了全面的分析,并搭建企业架构,通过ARIS以业务流程为导向的建模理念定位关键问题,指导业务流程评估和集成,通过部署ARIS的一系列元模型来确定效率的提升点,最后通过ARIS来落实企业流程管理活动在IT环境中实现。
借助ARIS对业务系统和流程进行精简,航空工业解决了由于顶层设计缺乏,个性化的流程与集体战略不匹配,以及业务和IT战略错位导致的效率性和敏捷性等方面的问题
航空工业管理体系推进现状
AOS管理体系未来是航空工业集团内部管理体系的合成。在2018年第一批20家试点单位中, 80%以上的企业都选择了ARIS作为AOS流程管理体系的支撑平台和工具。
与SoftwareAG 合作、采用ARIS整合了业务流程之后,航空工业丰富了宏观,简化了细节;充实了功能,优化了流程;增强了关系,减少了代价,有效地促进了AOS的推广,建成了一个值得骄傲的体系结构:业务模型优化、数据处理标准化和应用统一化;不仅实现了IT体系架构可映射到业务模型,而且标准化的IT治理可确保所有成员单元都在统一平台上工作。
基于统一的IT体系架构原则,IT应用程序现在已经部署到整个航空工业,通过支持集成的产品开发、敏捷操作、精益业务管理和协作供应链管理,实现快速客户响应的承诺。Software AG的ARIS工具强大的建模、分析、定制化和一站式发布功能,为航空工业企业模型资产库开发、维护和共享提供了有力支撑。
张钊相信,未来航空工业的AOS管理体系建设还会取得更大的成绩,对ARIS 产品也表示了强烈的肯定,指出ARIS以流程为中心,融合多系统多要素,构建标准化、结构化的管理体系模型,持续累积组织资产,能够支撑组织向流程型组织转型。
好文章,需要你的鼓励
Atlassian、Intuit和AWS三大企业巨头正在为智能代理时代做准备,重新思考软件构建方式。当前企业API为人类使用而设计,未来API将成为多模型原生接口。Intuit在QuickBooks中应用自动发票生成,使企业平均提前5天收款;AWS通过AI辅助迁移服务显著提升效率;Atlassian推出内部员工入职代理和客户代理,节省大量时间成本。专家强调需要建立强大的数据架构和信任机制。
这项研究首次系统评估了AI代码智能体在科学研究扩展方面的能力。研究团队设计了包含12个真实研究任务的REXBENCH基准,测试了九个先进AI智能体的表现。结果显示,即使最优秀的智能体成功率也仅为25%,远低于实用化要求,揭示了当前AI在处理复杂科学推理任务时的显著局限性。
MIT研究发现,使用生成式AI完成任务时,大脑运作方式与单纯依靠自身思考存在显著差异。研究显示,使用ChatGPT等工具的用户记忆力更差,神经连接活动减少,对所写内容的回忆能力明显下降。虽然AI工具能提高效率,但可能导致用户缺乏对知识的深度理解和掌控感。研究强调需要更多科学数据来了解AI使用对人类认知的长期影响。
俄罗斯莫斯科国立大学研究团队开发出MEMFOF光流估计新方法,在保持顶尖精度的同时将1080p视频分析的GPU内存消耗从8GB降至2GB,实现约4倍内存节省。该方法通过三帧策略、相关性体积优化和高分辨率训练在多个国际基准测试中取得第一名成绩,为高清视频分析技术的普及奠定基础。