沃尔玛公司的营销策略一直专注于实惠的价格和无缝的客户服务,现在则延伸到自己的机器学习平台Element上。
沃尔玛全球科技云和数据平台高级副总裁Anil Madan(如图)表示,集中式云原生服务使沃尔玛能够利用大型语言模型的强大功能来开展所有线上和线下业务。
“我们从数据生命周期管理成千上万个数据源。数据生命周期是指数据以原始格式移动,进入中央湖。它经过一定的转换和质量处理以创建数据目录,这个数据目录对我们分析和机器学习的各个方面都有很大帮助,”他强调Element平台如何改变了沃尔玛的云运营状况。“我们企业数据湖的关键要素就是我们如何在尊重安全、数据主权等基本要素的情况下以集中的形式构建它。”
Madan谈到了Element平台如何为沃尔玛的企业及其最佳战略提供支持:
Element的三重模型
沃尔玛使用混合云环境,Element平台为私有云和公有云中的分析处理、机器学习和数据管理提供支持,以打造Madan所描述的无缝的“全渠道”体验。
他说:“我们拥有的是混合多云策略,这基本上帮助我们无缝地集成和运行了与云无关的工作负载,包括应用工作负载和机器学习工作负载。当我们谈到三重[模型]的时候,我们有两个公有云提供商和一个私有云以对称方式出现,这样我们基本上就可以大规模地运行混合多云工作负载。”
Element“三重模型”这个大伞下,是沃尔玛开源的OneOps Cloud Management Platform(也就是Walmart Cloud Native Platform),也就是说,沃尔玛可以在私有云和公有云之间移动应用,以及允许工程师移动数据的数据抽象层。然后,这些云提供商在三个区域进行复制:西部、中部和东部。
[Element的三重模型]基本上提供的是我们按需的基础设施,我们可以在其中采用不同的计算类型,无论是CPU、GPU还是TPU,并在不同的云提供商之间可移植地运行它们。我们还拥有一个非常成熟的MLOps部署框架,基本上可以帮助我们在几分钟内而不是几天内部署这些工作负载。现在,这些因素结合在一起,有助于支持我们所有的生成式AI工作负载,因为现在我们可以互操作不同类型的大型语言模型……在这种三重架构中无缝运行这些模型。”
部署在三重架构中的抽象层,还让工程师更容易训练和扩展AI模型。因此,沃尔玛的AI开发正在快速推进,而无需锁定任何一家供应商。
Madan说:“OneOps有云管理抽象层,WCNP有工作负载管理层,我们为应用开发者提供SDK的时候还有数据管理层。这些抽象层的组合基本上帮助我们提供那些与供应商无关的最佳技术,从而帮助他们在需要时快速交换,同时仍然让他们能够在这种混合多云中相当快速地大规模部署这些技术。”
根据理念定制平台
沃尔玛在开发Element的时候避免只选择一家供应商,目标是保持“每天低成本”的商业模式。开源软件还有助于沃尔玛节省运营成本,帮助客户节省开支。
Madan表示:“Element带来的回报是全方位的。开发者的生产力是一个巨大的回报。对应用工程师和数据科学家来说,最大的好处是,他们可以快速大规模地训练他们的工作负载。他们不需要去寻找数据来创建这些,因为现在所有这些都已经在通用的企业数据湖中为他们解决了。他们只需要选择他们的算法或者他们想要的东西,然后基本上就可以开始运营了。”
据Madan称,Element促进AI的快速发展并不以牺牲安全为代价。沃尔玛已经实施了自己的治理层来检测AI幻觉并降低安全风险,以保持自己作为一家值得信赖的零售商的地位。
Madan说:“沃尔玛的一切都围绕着我们的使命和宗旨……我们是一家以人为本、科技驱动的全渠道零售商,我们的全部目的和目标就是省钱,这样我们才能帮助我们的客户过上更好的生活。安全是我们所做一切的关键基础,所以我们要确保数据的使用和消费方式,以及谁有授权,这些都成为我们指导原则中的关键部分。”
好文章,需要你的鼓励
Liquid AI发布了新一代视觉语言基础模型LFM2-VL,专为智能手机、笔记本电脑和嵌入式系统等设备高效部署而设计。该模型基于独特的LIV系统架构,GPU推理速度比同类模型快2倍,同时保持竞争性能。提供450M和1.6B两个版本,支持512×512原生分辨率图像处理,采用模块化架构结合语言模型和视觉编码器。模型已在Hugging Face平台开源发布。
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
阿里团队推出首个AI物理推理综合测试平台DeepPHY,通过六个物理环境全面评估视觉语言模型的物理推理能力。研究发现即使最先进的AI模型在物理预测和控制方面仍远落后于人类,揭示了描述性知识与程序性控制间的根本脱节,为AI技术发展指明了重要方向。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。