近年来,国家一直将各产业数字化转型作为经济发展的重要政策,能源行业数字化转型也走上快车道,越来越多的能源企业应用新兴信息技术(如物联网、大数据、人工智能等),提升能源生产、传输、交易与消费的运营效率,提升经营效益和资源利用率与安全性。
南阳市蓝天燃气有限责任公司(简称“南阳蓝天燃气”)是以LNG能源贸易为核心,集综合能源站运营管理、城市燃气供应、危化品运输、LPG能源贸易、城市综合能源利用、特种设备检验检测等多项业务于一体的综合性能源企业。近几年来,信息化系统老旧与业务快速发展之间的矛盾愈发明显,甚至影响日常协同效率,日常业务也面临以下几方面的重大挑战。
提升盈利能力:从传统企业经营中,如何借助新技术手段,降本增效,提升企业盈利。
提升生产效率:贸易业务高速增长,跨部门协同流程、沟通效率亟待提升;业务发展快,业务数据、财务数据打通效率在支撑上层管理和决策的时效性上,渐显乏力;运维人员不够,平台技能不足,如何快速响应业务需求。
发掘/提出新业务:上市前准备,如何确保内部管理及财务合规;如何在C端消费者领域挖掘市场。
为应对新挑战,发展新业务,提升公司盈利能力,改善经营管理,南阳蓝天燃气与华为进行深度合作,以数字化办公为突破口,业务集成为手段,智能化为目标,逐步打造数字蓝天。
OA系统数字化,提升办公协同效率
在数字化转型的早期阶段,南阳蓝天燃气聚焦于企业协同效率的提升,借助云计算、大数据等技术,通过资源池优化、弹性供给和按需付费,降低组织内部办公协同的硬件成本、软件成本、部署成本和运营成本。
在过去,公司OA系统入口不统一,业务处理流程较为复杂,基于此,南阳蓝天燃气从业务出发,以华为云WeLink为依托,将WeLink作为OA协同统一入口,整合企业通讯录、即时通讯、会议协作、文档协同、邮件协作等办公能力,涵盖考勤、审批、财务、人事,WeLink成为公司的数字化入口。
将OA系统接入WeLink后,公司内部流程审批更加规范、审批效率提升、审批过程和痕迹都实现可视化;OA门户信息集中分类展现,员工可以快捷获取信息;邮件、日程、协作、移动端功能推进日常办公便捷,跟踪本人办公计划、提供沟通平台、协同效率显著提升。
业务集成,实现横纵连通
解决OA协同问题后,南阳蓝天燃气办公的矛盾点在于“业务应用分散”、“入口不统一”,因此,推进企业业务系统从“孤立”、“单一”转型“连接”、“智能”,实现从单个系统的“信息孤岛”到业务系统横向集成,成为南阳蓝天燃气数字化转型的新诉求。
南阳蓝天燃气以WeLink为中心打造统一的企业云集成平台,拉通不同系统数据接口,内外连通实现采运销一体化集成、采输用一体化集成、跨部门数据集成协同、业财一体化集成、跨系统数据集成分析、统筹一体化集成。
业务集成带来的帮助和作用,在公司CRM系统上尤其明显。
从业务上看,CRM系统覆盖了从拜访客户到指派月度任务再到销售订单制作和派送三个方面业务场景,实现了与运输管理系统数据的互联互通。由销售部门的销售订单无缝流转到运输部门的TMS车辆运输管理系统,实现业务流程的无缝对接,从环节上、部门间协作上提高员工的沟通及办公效率。
从员工系统使用上看,CRM系统支持Web电脑端和手机移动端,满足了销售人员户外办公和户内办公的全场景使用需要,为移动办公提供了有力支撑,使员工在不同工作环境里保障业务的不中断。
CRM系统为南阳蓝天燃气的客户销售过程及销售到运输过程的转换实现了从纸质化办公,桌面办公到端对端远程协同办公的变革,提供强有力的助力支持。通过集成OA系统和业务系统,将不同系统打通,连接不同业务,筑牢数字化基础设施,在此基础上,智能化运营成为南阳蓝天燃气数字化转型更高一层的诉求。
在未来,南阳蓝天燃气将持续与华为加深合作,通过企业EI技术实现企业运营管理的优化、商业模式的变革,支撑企业向数字化运营转型,最终实现组织管理方式变革,驱动生产转型。
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。