Qlik大中华区董事总经理刘智宏
数字经济时代,不管市场形势如何变化,数据总是不容忽视的,而且其作用只会越来越大。对于企业而言,是否能够利用数据并遵从数据所产生的洞察并采取明智行动,对于企业的成功至关重要。企业应该与信息建立起动态的关系,即实现“主动智能”,以提升实时性和敏捷性,让数据发挥作用,从而助力企业在数字经济时代取得成功。
但要实现这个目标充满挑战。具体来说,如果仅仅将采用主动智能视为技术转型的一环是远远不够的,无法真正发挥其作用,而只有企业从上而下调整工作方式才能发挥主动智能的潜力。
改变企业整体的工作方式需要时间和毅力,毕竟打破常规并非易事。Qlik在近期开展的一项关于提升技能以抓住主动智能所带来机遇的全球调研中发现,全球员工有超过半数表示做决策时很难做到仅参照数据而不考虑领导意见。同样有超过半数的员工表示不愿改变现有工作方式。
因此,企业如果希望成功实现向主动智能文化的转变,就必须从高层开始驱动变革。
以下是我认为领导者打造主动智能组织所需具备的三大特质:
以数据为导向
45%的最高层决策者仅凭直觉而非基于数据的洞察来制定决策。企业应基于数据作出明智决策并及时采取行动,其重要性不言而喻。随着企业业务发展加速,缺乏数据支撑的决策更加不可行。
然后,虽然近九成(89%)的高层管理人员希望团队成员能够向其说明数据在决策过程中发挥的作用,但其中近半数的领导者(45%)仍然凭直觉而不是基于数据的洞察来制定决策。这显然互相矛盾,任何此类“领导说了算”的做法都是在组织内倡导基于数据做决策的绊脚石。
领导者们不愿基于数据做决策的部分原因是,有42%的领导者对可用数据的实时性和准确性心存怀疑。高层领导都不相信数据,还如何要求其他员工相信数据?在缺乏信任的情况下,我们就不愿冒险,更不愿做出改变,而这将阻碍企业提升自身响应力、创新力和前瞻力。
可解释性和数据沿袭有助提高数据的可信度,但是想要实现这一点,就需要从领导层开始建立信任数据的文化。
对新想法持开放态度
曾有名人说过,宁要令人不愉快的真相也不要美丽的谎言。我们用数据不只是为了印证自己的观点,更希望它能够揭露真相。领导者需要对数据持开放态度,在数据结果与个人立场相悖时敢于接受事实。
给予充分信任,下放决策权
端到端分析数据管道带来的最大好处之一是有助实现数据民主化,任何员工都可以在工作中使用数据并从中受益。它不仅有助于领导者采取有效行动,也便于企业员工依据可操作信息和洞察做出决策。通过以正确形式向用户提供数据且不考虑他们的职务,数据就会变得易用和可用。这有助于培养信心和信任感,让更多员工能够独自或作为团队一员自由使用数据。在企业中提供洞察,有助于员工相互协作,使企业能够利用集体力量解决问题或实现个人无法单独完成的目标。
如果企业领导者能够抓住这个契机,制定策略来推动实现数据民主化,那么他们将会获得回报。关键在于构建相信数据的文化,给予员工足够的信任,让员工自行做决策。以正确的形式将数据放在恰当的位置,使用合适的工具提升用户技能。授予员工访问数据的权限,这样组织在做决策时才能做到集思广益,从而发挥集体的智慧。
即刻着手构建面向未来的数据能力
总而言之,企业管理层应该以身作则,积极推行善用数据,拥抱主动智能,确保企业能够在数字经济中的赢得先机。
如需了解更多关于主动智能如何助力企业成功的见解与实例,可关注公众号: Qlik商业智能。
好文章,需要你的鼓励
Google Photos正向美国Android用户推出会话式编辑功能,用户可通过语音或文字提示来编辑照片,而无需手动操作。该功能首先在Pixel 10手机上推出,现已扩展到更多设备。用户需将Google账户设置为英文,并开启人脸分组和位置估算功能。通过点击"帮我编辑"按钮,用户可直接说出编辑需求,如去除背景中的陌生人、调亮颜色或消除眩光。该功能使用先进的Gemini技术,并提供原图与编辑后照片的对比显示。
ByteDance团队发现大语言模型存在"认知僵化"问题:当用户要求执行与训练习惯冲突的指令时,AI往往难以遵从。研究团队开发了Inverse IFEval测试体系,包含8种反常规指令类型和1012个测试样本,发现即使最先进的模型在此类任务上表现也不理想。研究揭示了过度标准化训练导致模型缺乏灵活性的根本原因,为开发更适应用户真实需求的AI系统提供了重要指导。
本文深入分析了斯坦福大学AI安全中心举办的研讨会所展示的AI安全领域最新进展。文章探讨了AI安全的两个重要方向:构建更安全的AI和让AI变得更安全,强调这两种方法需要有机结合。通过分析物理AI(如人形机器人)与生成式AI结合的安全挑战,以及可达性分析在AI安全中的应用,展现了当前AI安全研究的前沿技术和实际应用场景。
沙特阿卜杜拉国王科技大学研究团队首次发现AI推理能力可以像文件一样被提取和转移。通过简单的数学运算从强化学习模型中提取"推理向量",然后添加到其他模型上,实现推理能力的快速传递。实验显示模型在数学、代码生成等任务上性能提升4-12%,且在对抗性测试中保持稳定。这项技术有望让AI推理能力的获取从昂贵训练变为低成本复用,加速AI技术普及。