SAP新任首席人工智能官Philipp Herzig在一次访谈中提出了SAP公司的AI战略,战略的重点是将人工智能功能融入SAP业务应用程序,让客户能够更容易地使用人工智能。
直接向 SAP 首席执行官Christian Klein 汇报工作的Herzig在最近访问新加坡期间接受了媒体采访。他指出,SAP 人工智能战略的基础在于能够将 SAP 应用程序中的数据和流程整合在一起,以支持旗下的业务人工智能。
他表示,“业务人工智能首先意味着我们要将人工智能嵌入到我们的业务应用中,包括供应链、财务、人力资源、采购、差旅和支出等等以及其他各种业务流程。”
SAP 已经开始在旗下的 SuccessFactors 人力资源套件以及销售和服务云中融入了人工智能功能。例如,一些功能包括利用生成式人工智能帮助招聘人员创建职位描述以及帮助客户服务团队改善故障解决时间。
SAP还开发了 Joule co-pilot,不仅能为 SAP 应用程序的用户提供上下文信息和帮助,还通过整合代码生成能力提高开发人员的生产力,包括数据模型、应用逻辑和测试脚本的创建等等。
Herzig表示,“我们一直在不断创新,利用Joule生成工作描述,而且我们现在正在将Joule扩展到更多的人力资源应用场景。”他补充表示,SAP 已经为大约 30 个人工智能应用场景构建各种功能,今年将扩展到覆盖 100 多个应用场景。
Herzig在谈到SAP如何优先考虑 AI 应用案例时表示,SAP是根据价值来确定优先级,“你可以用人工智能做很多事情,但如果价值不到位,或者成本太高,就不会被采用。我们始终要从客户回报的角度来看待这个问题,要看是不是现有许可的一部分,或者是不是我们的高级人工智能产品的一部分。”
需要为客户简化人工智能的采用,这一点同样重要。Herzig表示,在嵌入式人工智能方面,SAP已“有过深刻的经验,如果不是以服务的形式提供,不通过云和开箱即用的方式提供,就不会被采用”。
Herzig表示,“目前积极使用SAP业务人工智能的客户数为2.7万,其中只有不到1%是内部部署客户。”他指出,那些将其作为服务使用的客户可以立即获益。他补充表示,“这是我们未来设计人工智能的唯一方式,否则我们将无法适应我们的客户数量。”
SAP 的方法还能使那些可能不具备实施人工智能技术专业知识的组织更容易获得人工智能能力。Herzig表示。“举例来说,如果我们提供了一个模型,然后你需要重新训练这个模型以及做数据清理,这些都需要很多技能,而许多客户并没有100名数据科学家。”
尽管如此,具备相关技能并希望获得稍微不同版本 AI 应用程序的组织可以通过 SAP 业务技术平台(BTP)对模型做一些人工智能技术上的调整。BTP平台具备跨SAP应用的预置整合功能。
Herzig表示,“我们的客户和合作伙伴可以对我们设计的应用稍作修改或定制,进而构建他们自己的应用程序版本。”他补充表示,他们可以通过 BTP 更快地做到这一点,从而减轻整合痛点。
他表示,“你可以在 Azure、谷歌云和亚马逊网络服务上构建应用程序,但你需要自己做安全、构建数据管道、身份管理整合等等。就是因为我们需要自己解决这些难题,我们推出的战略就显得特别有用。我们将 BTP 几乎是作为副产品提供给客户,让他们可以构建自己的定制应用程序。”
好文章,需要你的鼓励
据报道,OpenAI正与亚马逊洽谈至少100亿美元的融资。亚马逊此前已是Anthropic的最大投资者,并为其建设了110亿美元的数据中心园区。若融资达成,OpenAI将采用AWS的Trainium系列AI芯片。Trainium3采用三纳米工艺,配备八核心和32MB SRAM内存。AWS可将数千台服务器连接成拥有百万芯片的集群。报道未透露具体估值,但OpenAI最近一次二次出售估值已达5000亿美元。
伊斯法罕大学研究团队通过分析Google Play商店21款AI教育应用的用户评论,发现作业辅导类应用获得超80%正面评价,而语言学习和管理系统类应用表现较差。用户赞赏AI工具的快速响应和个性化指导,但抱怨收费过高、准确性不稳定等问题。研究建议开发者关注自适应个性化,政策制定者建立相关规范,未来发展方向为混合AI-人类模型。
各行业企业存储的数据量持续攀升,5PB以上已成常态,10PB以上也日益普遍。2026年非结构化数据管理的主题是全面增长:更多数据、更多投资、更多痛点以及更多AI安全风险。AI应用加速普及、数字化信息激增以及富媒体和传感器数据大幅增加推动了数据增长。随着AI推理应用的发展,企业将意识到非结构化数据管理对AI投资回报率的关键作用。
这项由伊利诺伊大学香槟分校等四所院校联合完成的研究,提出了名为DaSH的层次化数据选择方法。该方法突破了传统数据选择只关注单个样本的局限,通过建模数据的天然层次结构,实现了更智能高效的数据集选择。在两个公开基准测试中,DaSH相比现有方法提升了高达26.2%的准确率,同时大幅减少了所需的探索步数。