德国软件巨头SAP近日宣布为企业提供一项名为“RISE with SAP”的新服务,这个新产品的定位是“业务转型即服务”,旨在引导SAP客户通过数字化转型,发展成为“智能企业”。此外,SAP宣布将收购一家位于德国柏林的业务流程智能公司,名为Signavio。
SAP首席执行官Christian Klein在发布公告时解释说,业务转型不再是企业可有可无的一项选择,而是必不可少的。RISE with SAP计划旨在帮助进行业务转型,以“一次性握手”的方式与SAP展开合作。“转型为智能企业从未如此重要。”
SAP表示,RISE with SAP是一项订阅服务,让客户能够以适合其特定需求和要求的方式构建更智能的企业。该协议下,SAP将承担所有合同、服务水平协议、运营和支持的相关责任,所有都会捆绑到一个合同中。
S/4HANA首席运营官、SAP产品成功负责人Sven Denecken表示,这款新产品将为企业带来一场“改变游戏规则”的变革。他解释说,RISE with SAP旨在整个多个合同,让客户进入一种订阅模型,其中包括的不仅仅是技术,这意味着SAP将接管以前客户会转交给系统集成商和合作伙伴的许多职能。
值得注意的是,RISE with SAP似乎是SAP将其客户群转向云模式和订阅模式迈出明确的第一步。
RISE with SAP包括三个步骤帮助企业实现数字化转型。首先是业务流程的重新设计,其中包括不断分析客户业务流程,根据行业标准对其进行基准测试,并在必要时使其适应新的业务需求。
其次是技术迁移,这涉及利用SAP及其合作伙伴提供的嵌入式服务,转变客户的应用格局,其中涉及消除篡改、自定义代码、协调和管理数据等事项,客户将可以在单个数据层上运行他们的系统,真实数据来源也是单一的。
第三步是构建智能企业,SAP希望客户在这一步把SAP Business Technology Platform作为他们的基础,也就是说,客户运行可以在整个企业组织内共享统一的语义数据模型的集成业务流程。
SAP表示,有多家合作伙伴参与了RISE with SAP计划,包括AWS、Google Cloud、微软Azure、阿里云等公有云基础设施平台。但是RISE with SAP将对这个基础设施进行抽象化,以便客户把精力完全专注于业务上。实际上,SAP将在后台管理所有技术和其他部分,这样就减轻了客户的负担。
Denecken说:“我们将提供新的技术,了解业务运营的新方法,提供数据实现价值。每个客户的业务转型都是不同的,但我们将通过持续不断的转型为他们提供支持。”
SAP表示,到目前为止已经有100多家客户已经在使用RISE with SAP模式运行了。
SAP对Signavio的收购也与RISE with SAP息息相关,因为后者提供的特有功能将有助于业务流程的第一步——重新设计。Signavio售卖的是一款云原生业务流程智能和流程管理工具,SAP表示,将把这款产品与SAP业务流程智能进行集成。
SAP表示,通过收购Signavio,SAP现在可以提供“一整套灵活的流程转型解决方案”,其中包括业务流程设计、基准测试、差距分析、改进和流程变更管理。SAP还表示,该套件让客户可以监控流程变革是否能够取得长期成功。SAP没有透露收购Signavio的价格,但据彭博社在这次交易被证实之前曾报道称,金额可能高达12亿美元。
Constellation Research分析师Holger Mueller表示,SAP试图通过这次收购解决SAP ERP套件、S/4HANA长期存在的使用问题,让企业客户继续选择和SAP合作。他说,业务转型即服务是一个不错的愿景,因为企业渴望更快地转型,变得更加敏捷。
“收购Signavio将增强SAP在流程挖掘方面的能力,此前SAP在这方面是通过与Celonis合作实现的。这很重要,这是企业高管了解他们企业内部真实情况的关键技术。”Mueller说,SAP在构建合作伙伴生态系统方面做得也很不错,因为迁移对于这些合作伙伴来说是一项大业务。
“好消息是,SAP这次终于做对了,因为业务自动化需要在公有云中进行。但是只有未来我们才会知道SAP整合的软件包是否足够吸引人。”
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。