微软希望帮助企业掌控他们的供应链管理业务,减少碳排放,并避免疫情期间出现的全球产品短缺问题。
为此,微软今天宣布推出了一款名为Microsoft Supply Chain Platform的可组合式平台,通过结合微软的人工智能、协作、低代码和安全工具的开放方法,帮助企业组织最大限度地利用他们的供应链数据资产。
微软解释说,Microsoft Supply Chain Platform平台结合了Azure、Dynamics 365、Microsoft Teams、Power Platform和Microsoft Dataverse等构建块,其中Microsoft Dataverse是一种聚合和存储了业务应用数据的工具。客户借助这些工具就可以开发定制的供应链管理平台,全面了解他们所有的供应商和物流等信息。
客户还可以在Power Platform中开发他们自己的自定义工作流,并通过Teams在内部和外部安全地展开协作。此外还有大量分析功能,让企业能够更深入地了解他们的供应链,最大限度地减少碳足迹。
Microsoft Supply Chain Platform平台的核心是Microsoft Supply Chain Center,可以将其视为供应链可见性和转型的指挥中心,旨在与第三方供应链数据和应用集成,提供内置的协作、供需洞察、订单管理和其他工具。Microsoft Supply Chain Center现已推出预览版,让企业可以轻松协调来自Dynamics 365或者其他ERP套件(包括SAP和Oracle)等现有系统的供应链数据。
微软业务应用和平台企业副总裁Charles Lamanna表示,当今的企业组织正在努力处理位于遗留系统、ERP平台和其他供应链管理应用中的PB级供应链数据。
Lammana表示:“供应链的敏捷性和弹性,与企业组织连接和协调所有相关系统数据的方式有直接关系,Microsoft Supply Chain Platform和Supply Chain Center让企业组织能够充分利用现有投资来获得洞察力并迅速采取行动。”
Microsoft Supply Chain Center的关键功能之一是数据管理器,用于协调数据的获取,以便企业可以一目了然地全面了解他们的供应链情况。
此外,还有很多预构建模块可以帮助客户解决供应和订单履行中的供应链中断问题。例如,供需洞察模型依赖于微软Azure AI模型,使用供应信息来预测上游供应限制和短缺。用户则可以使用供应链网络提供的数据进行模拟,预测缺货、积压或订单缺失的情况,此外还提供智能新闻洞察,就可能影响客户供应链的外部事件向供应链中心发送相关新闻警报。
关于Order Management模块,该模块可通过依赖实时全渠道库存数据和机器学习的、基于规则的系统,智能地编排和订单交付自动化,这样企业就可以更快地适应未来的订单量和订单交付复杂性。
迄今为止,早期采用者对Microsoft Supply Chain Platform平台的影响力颇为赞赏。卡夫亨氏公司(Kraft Heinz)执行副总裁、运营负责人Mitch Arends表示,该平台通过更快地评估风险和机遇让公司变得更加敏捷。他说:“简而言之,该平台提供了我们所需的端到端的可见性,让我们的产品始终出现在北美各地的人们餐桌上,没有比这更重要的了。”
微软Teams与Microsoft Supply Chain Center进行了集成,为用户提供了一种与外部供应商展开实时协作的方式,通过这种方式,就可以快速确保新的供应来源、解决物流问题、传达任何变化对上下游的影响。
但这并不局限于微软自己的技术。微软表示,还将提供多个第三方模块,支持更为具体的功能,例如Overhaul Risk Advisory Services的货运可见性解决方案。微软表示,由于所有数据都驻留在Dataverse环境中,因此每个模块都将保持一致。除了之外,微软还将支持来自供应链管理公司C.H. Robinson Worldwide、物流供应商FedEx以及其他供应商的模块。
据Futurum Research分析师Daniel Newman称,供应链解决方案变得比以往任何时候都更为重要。“我们对微软供应链平台的早期评估是,微软把技术、应用和资源整合在一起,能够很好地服务于微软的客户群,为不同的IT环境提供灵活性,为未来的转型提供持续的敏捷性。”
微软的合作伙伴生态系统将在Microsoft Supply Chain Platform的实施中发挥关键作用,并得到Accenture、Avanade、KPMG和PricewaterhouseCoopers等咨询公司和集成商的支持。
好文章,需要你的鼓励
工业升级的关键,或许在于智能本身。“工业+机器人”将成为通向下一阶段工业体系的核心抓手。——黄仁勋。
浙江大学等联合研究发现,AI强化学习效果取决于"模型-任务对齐"程度。当AI擅长某任务时,单样本训练、错误奖励等非常规方法也有效;但面对陌生任务时,这些方法失效,只有标准训练有用。研究团队通过大量实验证实,这种"舒适圈"现象比数据污染更能解释训练差异,为AI训练策略优化提供了新思路。
瑞士政府正式发布了自主研发的人工智能模型,该模型完全基于公共数据进行训练。这一举措标志着瑞士在AI技术自主化方面迈出重要一步,旨在减少对外国AI技术的依赖,同时确保数据安全和隐私保护。该模型的推出体现了瑞士对发展本土AI能力的战略重视。
巴赫切希尔大学研究团队通过对五种不同规模YOLO模型的量化鲁棒性测试发现,静态INT8量化虽能带来1.5-3.3倍速度提升,但会显著降低模型对噪音等图像损伤的抵抗能力。他们提出的混合校准策略仅在大型模型处理噪音时有限改善,揭示了效率与鲁棒性平衡的复杂挑战。