文:陈煜琦,SanDisk闪迪中国区企业销售总经理
与十年前相比,如今的IT部门状况大有不同。传统的IT团队往往专注于编程、管理基础设施以及从零开始开发应用程序。
今天,成功的IT团队必须要知道如何利用专业技能推动企业向前发展。每一个IT团队都拥有推动变革的能力。以下可能是您在2016年必须要应对的一些关键问题。
即便您的IT部门事实上纪律严明,组织有序,企业中的其它部门同事也会常常认为IT更乐衷于采购或运用那些“酷炫玩意儿”或者是“有趣的项目”。
要衡量一项新技术,我们必须看该技术在多大程度上提升了企业的生产力并改进流程。云技术之所以得到如此广泛普及的原因之一在于像ZenDesk、ServiceNow等云服务提供商为广泛的企业员工和管理人员简化了他们的价值定位。这些公司主打的是产品的最终成效,而并不在于技术本身。如果缺少这份严谨的洞察力,运用一些所谓的“颠覆性“的新技术可能反而对企业运营造成颠覆性的破坏。
简而言之,大多数IT团队(和首席信息官)不应创建甚至是去管理技术,而是应该花时间好好评估相关技术。创造企业自有的应用—甚或管护自己的数据中心—都可能耗费过多的时间和精力。通过使用云服务和第三方解决方案,IT团队将能更好地利用其时间和预算。为了获得成功,CIO需要改变他们的心理参照系:他们的职责更多的是一位内部技术分析师,而不是各种企业难题的“问题终结者”。
当CIO愿意亲自动手去做一些简单、基础性的工作时,他们将会赢得团队和企业的尊重。此外,这样还能确保架构和解决方案设计不仅简洁,而且易于构建和支持。当团队主管身先士卒时,快速执行道路上的各种路障和借口也将会随之消失。
人们愿意追随他们的领导。一支强大而富有凝聚力的领导团队,将能培养出一个强大而富有凝聚力的部门。通过团队合作,IT部门中的个人将展示出极高的能力,工作也会卓有成效。但是矛盾也确实会随之出现。那些快速取得成果但不愿合作的员工常常得到赏识和提拔。可就长期而言,这会导致组织功能失调。CIO应该迅速应对这些情况,并做出及时调整。定期与员工交谈,了解相关挑战并给部门把脉,这些对于CIO而言至关重要。
两年前,为了协助法务部同事的工作,我们的IT部门受命加快公司所使用的一个第三方电子取证应用平台的运行速度。当时,这个电子取证平台的效率提高显得势在必行:SanDisk闪迪每天会生成约50万封电子邮件,而人工扫描电子邮件需每件约30秒(即电子取证每个小时的成本可为250美元或更高)。
我们首先发现的一个令人哭笑不得的问题是:这个应用的底层存储系统竟然是基于硬盘驱动器的。为这些25年来使用硬盘系统而积累的电子邮件建立索引目录,花了近6个月的时间,而且还需要经常对这些数据重新创建索引。然而,通过将其迁移至一个全闪存系统,我们将建立索引的时间从6个月缩减至4个星期。
Gartner对总体拥有成本(TCO)的注重,改变了企业评估技术投资的方式。但我们仍然难以确定TCO分析中所包含的所有因素。2013年,SanDisk闪迪进行了自己的TCO试验,将4600台公司笔记本电脑中的硬盘替换为 SSD。该项目产生了很多预期结果。凭借更快的启动、关机和应用加载速度,员工生产力得到了大幅提升,而且我们能将每台笔记本电脑的电池续航时间延长20%。除此以外,笔记本的寿命延长了33%,相当于延期支出约184万美元。公司全球范围内和硬件相关的IT问题求助量减少了59%。与硬盘工作不当和恢复数据有关的全年IT人力成本降低了86%。
总之,当IT部门从日常工作和支持服务中解脱出来,他们将有机会上升到价值链的更高层面,与企业开展密切合作。当CIO调动下属员工的积极性,为他们提供一个富有凝聚力的协作环境时,上述目标将变为现实。
好文章,需要你的鼓励
继苹果和其他厂商之后,Google正在加大力度推广其在智能手机上的人工智能功能。该公司试图通过展示AI在移动设备上的实用性和创新性来吸引消费者关注,希望说服用户相信手机AI功能的价值。Google面临的挑战是如何让消费者真正体验到AI带来的便利,并将这些技术优势转化为市场竞争力。
麻省理工学院研究团队发现大语言模型"幻觉"现象的新根源:注意力机制存在固有缺陷。研究通过理论分析和实验证明,即使在理想条件下,注意力机制在处理多步推理任务时也会出现系统性错误。这一发现挑战了仅通过扩大模型规模就能解决所有问题的观点,为未来AI架构发展指明新方向,提醒用户在复杂推理任务中谨慎使用AI工具。
Meta为Facebook和Instagram推出全新AI翻译工具,可实时将用户生成内容转换为其他语言。该功能在2024年Meta Connect大会上宣布,旨在打破语言壁垒,让视频和短视频内容触达更广泛的国际受众。目前支持英语和西班牙语互译,后续将增加更多语言。创作者还可使用AI唇形同步功能,创造无缝的口型匹配效果,并可通过创作者控制面板随时关闭该功能。
中科院自动化所等机构联合发布MM-RLHF研究,构建了史上最大的多模态AI对齐数据集,包含12万个精细人工标注样本。研究提出批评式奖励模型和动态奖励缩放算法,显著提升多模态AI的安全性和对话能力,为构建真正符合人类价值观的AI系统提供了突破性解决方案。