至顶网软件频道消息: 因为相信Oracle NetSuite,厦门攸信信息技术有限公司(以下简称厦门攸信)不仅决定在明年用Oracle NetSuite来替换企业现有ERP系统,还决定加入Oracle NetSuite的SDN(SDN,SuiteCloud Developer Network)生态系统,和甲骨文一起来开拓Oracle NetSuite市场,同时也将自己在智能制造、IoT、工业互联网方面的积累输出给更多中国客户。在日前举行的2018 Oracle NetSuite 中国峰会上,厦门攸信与百洋智能科技、国信电子票据平台信息服务、上海汉得信息技术、上上签电子签约一起与Oracle NetSuite达成SDN战略合作并签署协议。这5家也是Oracle NetSuite SDN在中国的首批成员。
厦门攸信是厦门盈趣科技股份有限公司(以下简称厦门盈趣科技)旗下的全资子公司。 厦门盈趣科技是一家研发、生产智能控制部件、创新消费电子产品的公司,并为中小型企业提供智能制造解决方案。2015年8月,厦门盈趣科技将UMS部和自动化部组建成厦门攸信。厦门攸信以自主研发并拥有知识产权的UMS联合管理平台为依托,形成了“智能制造”、“智造解决方案”、“智能家居”和“车联网”等业务,并在全产业链中全速推进“互联网+”的战略。
厦门盈趣科技股份有限公司总经理兼攸信信息技术有限公司董事长林松华介绍,随着厦门盈趣科技的不断成长,国际化成为公司的发展目标,同时,全系统的数据整合、实时的数据呈现成为突出需求,而目前的ERP系统已经跟不上公司的成长步伐,ERP面临重新选型的问题。正是在选型过程中,厦门盈趣科技接触到了Oracle NetSuite,并逐步了解Oracle NetSuite的灵(灵活扩展)、全(功能全)、快(部署快)的特点。
“原生的云ERP、甲骨文的品牌加持,加上Oracle NetSuite本身全、快、灵的特点,让我们非常看好Oracle NetSuite的市场前景。”林松华表示。
除了决定自己部署Oracle NetSuite之外,厦门盈趣科技还从中发现了新的商机,要把厦门攸信的智能制造能力与Oracle NetSuite结合,也就是加入Oracle NetSuite的SDN,与甲骨文共同开拓新的市场。
有必要指出的是,这里的“SDN”并非我们熟知的软件定义网络的缩写,而是Oracle NetSuite推出的一个生态圈战略,核心在于将客户转化为合作伙伴,为Oracle NetSuite创造更加延伸、长期的生态价值。Oracle NetSuite的SDN生态圈面向软件、批发分销、制造、跨境电商、专业服务、零售餐饮等各个垂直行业伙伴。甲骨文希望通过携手这些伙伴构建SDN云平台及其应用市场,把Oracle NetSuite的技术优势融入到合作伙伴的渠道、上下游、供应商等整个生态链条,让各界合作伙伴可以更加轻松地开发、拓展、更新、打造更多行业化、定制化的云服务,加持Oracle NetSuite在中国的服务和创新能力。
应该说,SDN是一个双赢的战略,对于甲骨文而言可以壮大Oracle NetSuite生态圈,覆盖更多领域和功能,更好地服务客户。而对参与SDN的合作伙伴而言,可以基于Oracle NetSuite的SuiteCloud平台(类似Salesforce.om的Force.com平台)开发自己的解决方案,提供增值服务。比如,厦门攸信要把自己的UMS等智能制造解决方案与Oracle NetSuite进行整合。
值得一提的是,加入Oracle NetSuite的SDN并不是一件容易的事情,Oracle NetSuite从去年6月份正式进入中国市场,目前在中国加入SDN的合作伙伴暂时只有前面提到的5家。据厦门攸信的工程师介绍,加入SDN有比较高的要求,比如,要求公司在人员配备上必须有层次、有梯队以满足不同需求,产品与Oracle NetSuite能形成很好的互补,在技术能力方面也有具体要求。厦门攸信因为拥有强大的研发实力、在制造行业丰富的经验(荣获国家工信部智能制造试点示范项目)以及对Oracle NetSuite的高度认可等因素,才与Oracle NetSuite共同促成了今天的合作。
“我们希望自己是软件行业最懂制造的,制造行业最懂软件的。”谈到接下来的发展,林松华表示,Oracle NetSuite与厦门攸信的结合将帮助其实现这一目标,同时也有利于帮助客户实现工业化与信息化的深度融合。
好文章,需要你的鼓励
当前企业面临引入AI的机遇与挑战。管理层需要了解机器学习算法基础,包括线性回归、神经网络等核心技术。专家建议从小规模试点开始,优先选择高影响用例,投资数据治理,提升员工技能。对于影子IT现象,应将其视为机会而非问题,建立治理流程将有效工具正式化。成功的AI采用需要明确目标、跨部门协作、变革管理和持续学习社区建设。
这项由东京科学技术大学等机构联合发布的研究提出了UMoE架构,通过重新设计注意力机制,实现了注意力层和前馈网络层的专家参数共享。该方法在多个数据集上显著优于现有的MoE方法,同时保持了较低的计算开销,为大语言模型的高效扩展提供了新思路。
美国垃圾收集行业2024年创收690亿美元,近18万辆垃圾车每周运营六至七天,每日停靠超千次。设备故障成为行业最大隐性成本,每辆车年均故障费用超5000美元。AI技术通过实时监控传感器数据,能提前数周预测故障,优化零部件库存管理,减少重复维修。车队报告显示,预测性维护每辆车年节省高达2500美元,显著提升运营效率和服务可靠性。
小米团队开发的MiMo-7B模型证明了AI领域"小而精"路线的可行性。这个仅有70亿参数的模型通过创新的预训练数据处理、三阶段训练策略和强化学习优化,在数学推理和编程任务上超越了320亿参数的大模型,甚至在某些指标上击败OpenAI o1-mini。研究团队还开发了高效的训练基础设施,将训练速度提升2.29倍。该成果已完全开源,为AI民主化发展提供了新思路。