作为一个经久不衰的炒作主题,大数据已经被视为大型企业机构的专属,而非中型企业面临的挑战或机遇。然而,戴尔软件针对中端市场大数据计划所做的调查结果却截然相反。大数据计划,曾经只是大型企业独有的优势,正在以新的分析工具不断加强IT部门领导与公司业务之间的联系,帮助中型企业机构改进产品质量和决策。
为了寻求推动中端市场采用大数据项目的原因所在,戴尔软件委托Competitive Edge Research 对全球中型企业高管进行了一次调查。着眼于中型企业机构,本次调查显示,大数据项目从根本上给企业带来了重大转变,并成为全球中型企业的一个关键决策因素。调查结果还显示,当今绝大多数的中型企业机构相信大数据项目的潜力将帮助他们解决实际业务问题,他们正在以实际行动来支持这一计划。
调查结果显示中型企业正积极实施大数据计划
本次调查最显著的结果就是:41%的受访者已经制定了一个或多个大数据项目,另外55%的受访者计划在可预见的未来启动一个大数据项目。更进一步的调查结果表明,更多中型企业机构计划利用大数据分析来发展业务,而不只是找到削减成本的方式。其它调查结果还包括:
一系列关键驱动因素推动中型企业拥抱并投资大数据计划。受访者表示,其大数据项目有三大目标,提供质量更高的产品和服务,充分利用新的商机,提高决策质量和速度。紧随其后的目标是,更好地了解客户需求,具有快速响应竞争威胁的能力,以及提升营销计划的有效性。
早期成果带来出立竿见影的影响
尽管许多中型企业才刚刚开始启动大数据计划,但是早期成果显示,这些计划将对其企业机构的生产效率和成功产生非常直接、正面的影响。根据调查显示,正在执行大数据项目的企业机构对生产力和决策的满意度比那些仍在规划阶段的企业机构要高得多。例如:
关键成功因素
戴尔调查显示,作为大型企业机构大数据计划中一个众所周知,但经常被忽视的最佳实践,即IT与业务部门之间的协作是最常提到的中型市场项目成功的前提条件,41%的受访者认为,要想让大数据计划获得成功,必须在两个部门之间进行协作。其它常被提及的成功因素包括:
中型企业机构中已初现成功迹象,但是仍有增长空间
尽管绝大多数企业机构已经普遍看到早期成果,但是仍然有增长空间。管理数据复杂性仍然是中型企业机构所面临的最大障碍,因为他们希望充分获得数据驱动方案的潜在好处。根据调查,40%的企业机构认为管理各种数据类型和结构的需求将是一大挑战,而只有24%的企业机构将缺乏易于使用、高成本效益的数据清洗工具视为挑战[1]。此外,大多数中型企业机构仍然没有将社交媒体及其它大型数据资源纳入其分析工具组合,这意味着有大量分析洞察来源在很大程度上尚未得到开发。
尽管所需的大数据技术的成本和复杂性使得某些机会未被开发,但技术仍然在不断改进,大数据相关项目的预算也在增长。戴尔调查结果显示,没有任何理由表明,中型企业不受益于其对数据更好的分析,更重要的是,他们现在已经清楚的意识到这一点。
引言
“戴尔调查再次证明“大”数据只是相对而言。作为一家拥有海量复杂数据的企业并不是受益于数据驱动思维的先决条件。任何规模的企业机构只要致力于通过提高业务流程的质量而更具分析能力、以数据为导向,潜在的好处就是无限的。中型企业机构大数据计划所获得的早期成功将鼓励其增长和进一步投资,随着他们进一步深入到不同的数据集,并具有不断改进的分析能力,将获得额外的投资回报。这就是为什么戴尔开发了各种跨软件、硬件和服务的解决方案,帮助各种规模的企业充分利用数据和信息更快速地做出更好、更明智的决策。”
-戴尔软件产品管理信息管理执行总监Darin Bartik
关于此次调查
戴尔软件委托Competitive Edge Research对全球中型企业机构的300位IT决策者进行了问卷调查。受访者包括跨领域的总监、经理、副总裁或首席高管,他们担任IT和业务线的领导职务。所谓中型企业,即企业规模在2000-50000人之间。此次调查于2013年11月在美国、欧洲中东和非洲以及亚太区进行。私营和公共企业机构都接受了访问[1]。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。