3月22日,AVEVA剑维软件与OSIsoft联合满足工业企业不断增长的信息管理需求,加速其数字化转型。OSIsoft一流的数据管理软件将与AVEVA剑维软件领先的工业软件解决方案相结合,以释放“精智绩效” (Performance Intelligence)的潜力。
AVEVA剑维软件首席执行官Craig Hayman
“精智绩效”将人类洞察力与信息技术和人工智能相结合,提升企业运营敏捷性和灵活性,帮助其更快做出精准决策,助力行业实现可持续发展。因此,将OSIsoft的PI System的可信能力与AVEVA剑维软件领先的工业软件结合后,“精智绩效”将为企业提供丰富可靠的关键流程数据,帮助其更好地评估和理解涵盖全生命周期的运营情况。“精智绩效”将对企业生产率、运营敏捷性和可持续性等产生重大影响。
OSIsoft创始人、AVEVA剑维软件名誉董事长J. Patrick Kennedy博士
全球大数据和分析市场正在呈指数级增长,预计到2022年其价值将达到2740亿美元。企业要保持领先地位,就需要全面深入理解其工业信息,以便有效地利用该数据。通过实现从边缘到企业的工业信息洞察,企业将减少停机时间、生产成本和能耗,因此可优化资源并推动可持续发展。两家企业的软件解决方案的融合,将帮助全球两万多家客户推动数字化转型,提高运营效率,并为行业、企业和员工赋能。
AVEVA剑维软件首席执行官Craig Hayman表示:“我们将共同重新定义工业软件的价值。通过‘精智绩效’,我们可以从新视角大胆地审视数据世界,加深对复杂价值链的理解,以便提高绩效并推动可持续发展。合并后的AVEVA剑维软件和OSIsoft将协助我们的客户更有效地管理复杂工业。AVEVA剑维软件扩展后的系列解决方案将继续提升运营敏捷性,帮助客户将机遇转化为商业价值。”
AVEVA剑维软件集团董事长Phil Aiken AM评论道:“AVEVA剑维软件实现了持续的业绩增长,这为收购OSIsoft这样的市场领导者奠定了基础。整合后的系列解决方案和新功能将帮助AVEVA剑维软件实现长期战略目标,我们将加速成长并继续帮助客户完成数字化转型,在工业软件和信息管理领域取得增长,保持市场领导者地位。”
作为AVEVA剑维软件的主要股东和战略联盟,施耐德电气一直支持着AVEVA剑维软件的发展。施耐德电气 (Schneider Electric) 总裁兼首席执行官赵国华表示:“AVEVA剑维软件和OSIsoft的联合造就了一个工业软件和数据领域的领导者。通过扩展的生态系统和更广泛、更深入的系列解决方案,AVEVA剑维软件将帮助工业企业提高效率,并加速其数字化转型。我们支持AVEVA剑维软件与客户和合作伙伴合作,提供行业的集成解决方案,帮助客户提升绩效和运营敏捷性。”
“我们对客户的创新充满敬意,他们为社会各行业的正常运转做出贡献,并在日常运营中使用我们的技术来改善绩效、保护健康和安全,进而推动世界更顺畅的运行。与此同时,我们的客户也激励我们与AVEVA剑维软件携手合作,以扩大我们的业务领域,并为客户带来更高价值。”OSIsoft创始人J. Patrick Kennedy表示。
“这次收购是AVEVA剑维软件的一个重要里程碑,这使我们的团队能够将J. Patrick Kennedy博士的丰富领导经验和相关领域专业知识融合进来。我们很荣幸能与新的荣誉董事长J. Patrick Kennedy博士携手前行。我们可以满怀信心地说,‘精智绩效’推出后,AVEVA剑维软件将成为工业软件和数据领域的领导者,同时也预示了工业软件市场将开启令人振奋的新篇章。”AVEVA剑维软件首席执行官Craig Hayman总结道。
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。