根据 Oracle 和《纽约时报》(New York Times) 畅销书作者 Seth Stephens-Davidowitz 共同开展的《决策困境》 (The Decision Dilemma) 研究发现,人们在使用数据制定决策时通常会感到迷茫,影响了他们的生活质量和业务绩效。该项研究对包括中国在内的 17 个国家/地区的 14,000 多名员工和企业负责人展开调研。研究结果显示,人们不得不做出比以往更多的决策,在生活和职业生涯中普遍面临决策困境,以下为来自中国受访者的研究数据。
随着决策次数的增加,拥有更多数据却适得其反
面对海量的数据,人们会感到穷于应付,失去对数据的信任,导致决策过程更加复杂,并对他们的生活质量产生负面影响。
决策困境造成组织惰性
企业领导者希望获得数据的助力,他们清楚知道数据对于组织的成功至关重要,但尚缺助力成功的工具,削弱了他们的信心和及时做出决策的能力。
数据必须与决策相关,否则人们会放弃决策
数据收集和分析对企业领导者来说关系重大。
数据科学家兼《人人都在说谎》(Everybody Lies) 和《别相信你的直觉》(Don’t Trust Your Gut) 作者 Seth Stephens-Davidowitz 表示:“人们正在被数据淹没。这项研究强调了一个人在普通的一天中接收的大量信息,包括互联网搜索、新闻提醒、朋友评论等。这些信息加起来,经常会超出大脑的处理能力范围。因此,人们倾向于排除令人困惑、有时甚至会相互冲突的数据,凭着直觉做出决定,但这可能是一个很大的错误。事实已经一次又一次地向我们证明,我们的直觉会有很大误导性,而明智的决策需要在正确理解相关数据的情况下才能实现。企业需要寻找一种方法来处理手头上的数据流,以区分信号和噪音,这是至关重要的第一步。”
Oracle红牛车队主席兼首席执行官 Christian Horner 表示:"当我们的车手以每小时200多英里的速度比赛时,他们必须非常迅速地做出关键且正确的决策,如何时进站、哪条轮胎最适合赛道上的条件,这可能决定了输赢。凭借Oracle云基础设施远程软件服务 (Oracle Cloud Infrastructure, OCI),我们的团队可以通过在大奖赛周末期间运行数十亿次的比赛策略模拟,确保我们根据赛车的性能、赛道上发生的变化以及比赛中竞争对手的行动做出明智的决策。"
店匠科技(Shoplazza) CTO夏冰表示:“我们以技术和数据为导向,科学系统化地提升跨境电商企业的出海效率。借助甲骨文强大的数据管理能力,我们在保障业务安全稳定的同时,还将助力跨境电商企业更好地利用数据做出正确决策,抓住商机,实现海外业务发展。”
AdTiming 首席技术官张文涛表示:“作为全球智能营销平台,我们致力于帮助移动应用开发者获取更高广告收益、提升广告体验,这其中数据收集与分析对于营销决策至关重要。云技术与人工智能的深度融合,将大幅提升数据驱动型决策能力,助力我们为全球客户提供了更为智能、高效的营销服务。”
甲骨文公司高级副总裁及亚洲区董事总经理李翰璋表示:“随着数字经济的飞速发展,企业需要更多的相关数据来获得全局视图。对于负责制定决策的企业领导者而言,如果忽视这些数据,就需自担风险。这项研究指出,企业领导者需要重新思考对待数据和决策的方法,其中关键的一点是将数据从洞察到决策再到行动中连接起来,而Oracle云技术内嵌机器学习和人工智能,充分支持基础数据管理、增强和应用分析、运营应用套件,能够有效满足这一需求。”
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。