作者:Qlik大中华区董事总经理 刘智宏
极端高温及次生灾害让全球意识到了更紧迫的气候变化挑战,中国作为最大的发展中国家,在过去十年实现了年均3%能源消费支撑6.6%经济增长,为全球气候治理作出了表率。可持续发展的进程势不可挡,2022年联合国气候变化大会(COP27)即将召开,我们将看到各国政府在可持续发展目标承诺的最新进展。
中国政府近期在党的二十大报告中已经重申了要“积极稳妥推进碳达峰碳中和”,许多企业在强大的号召之下也力图在环境监管方面以身作则,有所作为。同时,对环境、社会和治理(ESG)的考量将提高企业的投资潜力,引导商业战略的成功。
2021年安永全球机构投资者调查显示,74%的机构投资者倾向于从可持续性排名落后的公司撤资,90%在规划投资时会密切关注企业的ESG表现。ESG也成为了消费者习惯转变的影响因素,普华永道最近的一项研究表明,80%的消费者更青睐那些通过业务积极推动环境保护的公司。
现在,可持续发展之于企业不再是备选项,而是一种势在必行的战略选择,既能以环境法规为“镜”审视自身能力,加速推动实现ESG目标来满足利益相关方的期望,又能在运营层面减少能耗方面的成本和碳排放。其中,数据是推动可持续发展进程的关键所在。
提高可持续发展路径中数据透明度和标准
为了证明自身对ESG的承诺,许多企业通过对各项指标进行数据跟踪,来展示对周围环境和社会的影响。毕马威最新的一项研究指出这类的报告信息正在增加,世界上80%的大型组织正提供某种形式的可持续发展报告,而1993年这一比例只有13%。
数据能让我们直观理解一家企业的ESG实况,但如果企业之间的报告缺乏统一的衡量标准,呈现的洞察维度只对单一的组织成立,那企业所提供的ESG指标数据就有可能被贴上“自说自话”的标签,被其目标客户、员工、投资者和监管机构置若罔闻。
这不仅仅是一个外部挑战。普华永道的报告称,37%的企业领导人强调缺乏标准(以及监管的复杂性)也阻碍了ESG的发展。面对可以与利益相关方分享的数据,企业往往无法察觉它的意义所在或者不知如何呈现,Qlik的最新研究显示,全球只有24%的全球员工认为自己能够自如阅读、处理、分析和辩证看待数据。
ESG和商业目标齐心,做数据素养的价值投资
《联合国气候变化框架公约》(UNFCCC)提供了最高层面的ESG领域决策依据,如果企业能全面掌握组织的ESG数据,就有机会推动自身绿色路径与国际权威的标准保持一致,作出对人类和地球具有实际影响的举措。
以联合国自身为例,针对《公约》中关于将平均气温升幅限制在1.5度的集体目标,联合国与Qlik合作来管理其差旅产生的二氧化碳排放,将内部差旅数据与外部航空资料数据结合起来计算碳足迹。不仅实现了更准确的报告,差旅管理部门也能轻松获取相关数据洞察进而采取措施。
ESG与收入增长和盈利并不是非此即彼,我们可以通过有效的数据分析将双方的目标保持一致。例如,分析航空旅行的排放不仅是支持可持续发展目标,还可以优先减少非必要旅行的费用,减少企业未来行为对环境的影响。因此,数据素养的价值和数据集成的功能将是企业实现ESG目标和商业目标的关键,来赋能所有利益相关者,包括员工、社区、投资者、股东和我们的地球。
以“用户友好”数据,共建可持续发展世界
衡量企业的环境足迹应该像衡量销售额、营业额或销售量一样简单明了,让所有利益相关者都可以通过数据洞察来审视企业ESG现状,从而实现更可持续的运营,这就需要企业以用户友好的方式来呈现这些数据信息。
事实上,许多客户已经着手将排放系数表、差旅或电费发票等环境足迹数据记录到电子表格中,但这很大程度上仍然是一个无法释放生产力的手工流程。数据应该服务于员工的日常业务,而不是让他们停下手中的工作来整理、解读大量未知的数据。
Qlik可以将可持续发展的相关数据整合到同一仪表盘中,来帮助简化数据分析,这是让用户在日常通过数据获得价值的关键所在。借助Qlik,员工可以放弃基于“直觉”判断的可持续发展目标,转而采取更实际的举措。
例如,Qlik目前正在帮助澳大利亚连锁超市Woolworths改善库存管理,以减少食品浪费。如今,Woolworths的数据管理系统能够更好地提供单个商店和产品的信息,有助其准确把握产品降价时机,从而减少易腐商品的浪费。这在节省大量成本的同时,有效地减少了食品垃圾对环境的影响。
数据是企业推动可持续经营进程中,万变不离其宗的解决之道,既可以了解自身商业行为对环境的影响,领导者还可以依此判断企业发展是否“偏航”。Qlik致力于将数据抽丝剥茧、聚于一处,让企业的可持续发展与商业发展相得益彰。
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。