作为一家全球性的软件与科技服务企业, Bosch Global Software Technologies ( BGSW ) 在多个业务部门开展运营,服务于各类客户群体,并管理着庞大的员工队伍。但由于依赖手工、以交易为驱动的报告流程,该公司面临着效率低下、错误频出以及缺乏可操作洞见的挑战。
认识到变革的必要性, BGSW 对其各实体的 SAP 架构进行了全面革新,目标是获得客户与业务部门层面盈利能力的更细粒度洞察,从而更高效地分配资源和发现改进之处。
除了财务改进外, BGSW 还希望优化人力资源 ( HR ) 流程,通过集中统一的员工数据取代分散的数据来源,从而实现基于主数据的人数报告,进而对员工数量与趋势进行更准确、可靠的分析。
BGSW 选择了“大爆炸式”方法,在所有实体中同时实施变革,而非采用传统分阶段推进。该项目按计划在六个月内于 2025 年 1 月 1 日前完成,预算为 5,200,实际支出 ,000。
通过改造 SAP 架构生成详细的损益报告, BGSW 能够在客户和业务部门层面对盈利能力进行追踪。这种细致的洞见使管理层可以识别高绩效领域、调整业绩较弱部分,并基于数据做出降低开支和提升成本效益的决策。
改进的流程之一是要求公司所有团队在项目全周期内统一跟踪项目进展并保持与客户的联系。不再将项目和客户分开管理,而是将每个项目从始至终与单一客户绑定,从而便于监控项目进度、成本及账单,同时确保与服务客户之间保持清晰联系,使员工数量统计及损益核算过程更加透明。
该项目还优化了 BGSW 的 HR 流程。通过转向基于主数据的人数报告,自动化的员工追踪系统提供了准确、实时的人数数据,使人力资源部门能够更多地关注劳动力规划和人才发展等战略举措,而不必耗费在繁琐的手工报告上。
项目还包括在员工主数据中将每位员工映射到各自的“客户”层级,既理清了组织结构,也简化了入职、绩效管理及报告等 HR 流程。
为提高运营效率, BGSW 更新了公司内部超过八个用于日常活动的工具,例如 HR 工具和数据库。通过整合针对“客户”层级的专用流程,此举优化了运营,提升了相关领域的生产力,从而实现了时间节省和效率改善。
在所有 BGSW 实体中实施该项目,确保了整个组织内数据和报告的一致性,从而便于管理和综合报告。
项目因其复杂性面临诸多挑战,需进行大量规划与协调。主要任务包括修改 SAP 系统、为每个客户创建独立项目、将员工与特定客户关联、更新工具以适应新流程以及管理庞大的团队。
作为一项主要由内部团队推动的项目,该工程涉及超过 125 名内部员工,其中包括公司的 SAP 及集成专家。同时,它要求跨部门、跨实体的协同合作,对组织多个领域产生了影响。
最后,在所有 BGSW 实体采用“大爆炸式”方法,有助于最大限度地减少干扰,加快全组织转型。
总的来说,公司对流程与系统进行了彻底改造,以提升财务透明度、项目跟踪能力和 HR 流程。通过优先优化内部系统,并从以组织为导向转向以客户为中心,该项目致力于优化和调整现有技术,而非完全依赖外部供应商提供的新系统。
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。