Greene Tweed是一家拥有150多年历史的制造企业,是全球领先的高性能热塑性塑料、复合材料和工程部件提供商,为航空航天、能源、半导体、工业、生命科学和化学加工行业提供定制工程密封解决方案。由于产品所应用的领域都是绝对不容有失,例如用于飞机的制动系统等等,可想而知Greene Tweed对产品质量的把控有多么重视,而这正是这家百年企业采用Qlik主动智能,通过精密的数据分析来确保最高质量的原因。
具体而言,Greene Tweed通过强大的分析工具和基于云的方式,实现了近乎实时地获取质量系统的深度统计图。这是Greene Tweed在“2025年成为一家数据驱动型企业”愿景下的战略举措之一。
推动数据的实时化和现代化
要确保产品质量万无一失,实现数据现代化至关重要。Greene Tweed非常看重数据在推动各项业务和操作流程转型方面的强大力量,但却遇到了一些与生产相关的难题。每次需要构建新的产品应用程序时,公司都需要从头开始创建产品主数据,而不同开发者所创建的产品主数据会存在差异。这导致公司产品数据集缺乏统一性。为解决该问题,Greene Tweed已着手创建标准的产品销售和制造数据集,迈出了通过数据实现生产现代化的第一步。
与此同时, Greene Tweed通过Qlik将SAP和其他系统中的数据迁移到云端,创建了一个响应系统,一站式了解工作订单、销售订单、采购订单等各方面的情况。
这意味着企业可以近乎实时地了解大量关键业务流程,如同消费者只需在智能手机上轻轻一触,就可以即时获取银行卡余额、实时路况、天气预报等信息一样。企业也应该努力重现这种体验,尽可能实时地获取可用信息。
在Greene Tweed公司的云环境中,数据通常保留两分钟,销售数据每30分钟刷新一次,不久将实现20分钟刷新一次销售数据。与Qlik合作的成功意味着Greene Tweed公司的2025年目标已经实现了一半,未来三年将重点在整个组织中正式推行数据治理项目。
实打实的省材省料
以数据为导向的理念也推动生产的转型。正如当今的许多制造商一样,Greene Tweed正采用智能工厂方法,通过传感器将众多设备(包括压力机、烤箱等)连接在一起,由此生成了大量数据。
智能工厂,也称为工业4.0,利用人工智能、云计算及互联物联网设备来提高效率、优化生产、简化操作程序,并提供更加可持续的实践。根据德勤的报告,海量数据的分析能够催生重大效益,如将资产效率提高20%,产品质量提升30%,成本降低30%,安全性和可持续性提高10%等。
Greene Tweed系统采用分析工具来抓取云端的所有数据,以尽早监测到异常情况,这一点至关重要。例如,生产过程中烤箱的运行温度必须精确设定在500华氏度,任何温度波动都会影响最终产品的质量。此外,同等重要的是,借助这些源自互联设备的数据,可实现预测性维护,及早发现设备的潜在问题。这种方法有助于公司确保产品质量,并减少15%-20%的废料。
Greene Tweed通过基于云的数据架构为硬件制造提供支持,还利用现代化云分析技术将应用程序开发时间缩短了约60%,得以以更快的速度将应用程序交付给用户。在数据的支持下,服务的更新速度大超从前。
总而言之,通过与Qlik合作, Greene Tweed获得了主动智能策略带来的诸多益处,通过将云技术和分析相结合,从实时信息中持续获得可执行的信息,从而因时因地采取行动。
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。