当下这个时候可以被称之为大数据的尴尬阶段。尽管很多软件公司声称开发出了更好的数据治理和处理工具,但是对于大多数企业来说数据仍然是庞大的、多样的、难以应对的。但是最终,繁重的工作将被我们抛在身后,我们可以专注于开发闪亮的分析工具,读懂客户的心声,对吗?好吧,其实没有那么快。
Forrester Research副总裁、首席分析师Gene Leganza表示,随着时间的推移,他对首席数据官(CDO)的看法也发生了变化。他以前认为,因为很多CDO一开始是扮演补救的角色,现在他们更多地承担了管理和维护的角色,而下一步自然而然的可能就是成为首席分析官,只专注于面向客户的应用。
但是如果可以选择,谁会希望做枯燥的数据管理?每个拥有数据技能的人都会选择直接分析,而且"两年下来,你就会遇到数据管理问题,"Leganza在今年美国麻省理工学院举行的首席数据官CDO论坛上这样表示。
解决方法就是"让对分析的浓厚兴趣和很酷的东西弥补数据管理中很枯燥的部门,将两者结合在一起,"他说。
先试后买
Leganza还谈到了在现阶段向企业售卖数据理念的挑战。"没有人愿意改变自己的行为,除非对他们有什么好处。"
他谈到一个很讽刺的事实,那就是你工作的时候必须时刻考虑整个企业,而不是孤立地思考问题。但问题是,数据的角色仍然是不确定的,"你必须有非常明确的案例来显示数据的价值。"
Leganza认为,从小的试点项目开始着手,来证明数据的价值,然后扩大到整个企业的范围,这对于数据科学家和CDO来说可能是最好的策略。
好文章,需要你的鼓励
在我们的日常生活中,睡眠的重要性不言而喻。一个晚上没睡好,第二天的工作效率就会大打折扣,而充足的睡眠不仅能让我们恢复精力,还能帮助大脑整理和巩固当天学到的知识。有趣的是,AI模型竟然也表现出了类似的“睡眠需求”。
DeepSeek-AI团队通过创新的软硬件协同设计,仅用2048张GPU训练出性能卓越的DeepSeek-V3大语言模型,挑战了AI训练需要海量资源的传统观念。该研究采用多头潜在注意力、专家混合架构、FP8低精度训练等技术,大幅提升内存效率和计算性能,为AI技术的民主化和可持续发展提供了新思路。
尽管模型上下文协议(MCP)自11月推出以来用户数量快速增长,但金融机构等监管行业仍保持谨慎态度。银行等金融服务公司虽然在机器学习和算法方面是先驱,但对于MCP和Agent2Agent(A2A)系统的采用较为保守。监管企业通常只使用内部代理,因为其API集成需要经过多年审查以确保合规性和安全性。专家指出,MCP缺乏基本构建块,特别是在互操作性、通信标准、身份验证和审计跟踪方面。金融机构需要确保代理能够进行"了解您的客户"验证,并具备可验证的身份识别能力。
加拿大女王大学研究团队首次系统评估了大型视频语言模型的因果推理能力,发现即使最先进的AI在理解视频中事件因果关系方面表现极差,大多数模型准确率甚至低于随机猜测。研究创建了全球首个视频因果推理基准VCRBench,并提出了识别-推理分解法(RRD),通过任务分解显著提升了AI性能,最高改善幅度达25.2%。