2018年4月10日,北京——致力于通过统一IT为企业用户提供更加高效安全数字化工作场所的Ivanti近日发布了一款面向服务管理的人工智能(AI)应用软件——Ivanti Hub and Bot。这款基于云的人工智能应用软件重新定义了用户的IT自助服务理念,提供了一种新的智能虚拟支持代理(VSA,Virtual Support Agent),可自动识别上下文,且采用对话方式,界面直观,不仅能够全面整合整体的服务管理流程,还可实现更高程度的自动化,减少服务台的人工帮助。
目前,Ivanti Hub and Bot应用可供Ivanti服务管理云(Ivanti Service Manager Cloud)的客户使用,第一个组件是刚发布的Ivanti Service Manager:Help Desk Essentials,该组件可从云端提供预先构建并经过简化的服务台方案。
Ivanti高级产品主管Ian Aitchison表示:“由于Siri和Alexa等基于人工智能的消费者解决方案已深入日常生活,数字化企业中的用户对于计算自助服务也抱有很高期望。创新的 Hub and Bot应用软件为现代企业用户提供了改变行业规则的自助服务体验。对话式、交互式自助服务方案可以让用户根据自己的需求自由掌控,及时解决问题。”
其中,Ivanti Hub提供了智能的本地支持代理,以便员工获得帮助、查找信息和管理资产,这一切得益于人工智能和自动化技术。用户只要使用该本地应用软件,就可以执行常见操作,比如创建支持工单、从资产目录请求资产、寻找知识或安装新的应用软件,无需再去寻找自助服务门户网站或填写复杂的表单了。
借助Ivanti Bot,用户则可以与Hub里面的对话式人工智能应用进行交互(键盘输入或语音),自动化完成自助服务。Ivanti Hub and Bot应用可用于Mac和Windows系统,以及iPhone和Android移动设备。
根据Gartner的预测,“到2020年,25%的客户服务和支持操作将会把VSA技术整合到客户交互渠道上,而在2015年这个数字还不到2%,可以说VSA领域已取得很好的进展。VSA通常是虚拟助理,与IT服务部门一道为IT服务管理流程提供支持,它们可以解答常见问题,还拥有类似聊天机器人的功能。”
值得关注的是,首个发布的Ivanti Service Manager:Help Desk Essentials从云端提供了预先构建、即时可用的服务台功能。基于Ivanti成熟的服务管理解决方案,它是一款预包装产品,它非常适合有快速安装及运行需求的专业人士,比如在云服务切断之前更换现有的IT服务管理工具,或者在对企业而言事关重大的场合上尽快运行设备。这款基于云的服务管理解决方案提供了事件管理、请求、自助服务、目录及知识管理等功能,辅以工作流程和自动化功能,能够实现高效响应,从而让用户满意度更高、生产力更高,同时降低拥有成本,缩短价值创造时间。
Ivanti Hub and Bot应用软件现在可供Ivanti Service Manager:Help Desk Essentials的用户使用,2018年将推广到Ivanti Service Manager Cloud的所有用户。
好文章,需要你的鼓励
亚利桑那州立大学的研究团队开发了RefEdit,这是一种新型图像编辑AI系统,能够准确理解和处理指代表达(如"中间那个人"、"右边的猫")。通过创建RefEdit-Bench基准测试,研究者们证明现有模型在多物体场景中表现不佳。他们设计了一种创新的数据生成流程,仅用2万样本就训练出的RefEdit模型超越了使用数百万样本训练的大型模型。这一突破使AI图像编辑在复杂场景中更加精确和实用。
这项研究提出了Critique-GRPO,一种创新的在线强化学习框架,将自然语言批评与数字反馈相结合,克服了传统仅用数字反馈的三大局限:性能瓶颈、自我反思效果有限和顽固性失败。实验表明,该方法使大语言模型能够从错误中学习并改进,在八项数学和通用推理任务中,将Qwen2.5-7B和Qwen3-8B模型的平均通过率分别提高了约4.5%和5%,超越了包括那些引入专家示范的方法。研究还揭示,高熵探索和长回答并不总是最有效的学习方式,质量更重要。这一方法为大语言模型的自我提升能力开辟了新路径。
这篇研究介绍了"量化LLM评价者",一个创新框架,能使大型语言模型(LLM)在评估其他AI输出时更接近人类判断。由麻省理工和Adobe联合研发的这一方法,将评估过程分为两个阶段:先让LLM生成文本评价,再用轻量级机器学习模型将这些评价转化为更准确的数值评分。研究提出了四种评价者模型,适用于不同评估场景,实验表明它们不仅能显著提高评分准确性,还比传统微调方法更节省计算资源。这一框架特别适合人类反馈有限的场景,为AI评估领域开辟了高效且可解释的新路径。
这项研究由IDEA、华南理工大学和北京大学联合开发的Rex-Thinker系统,通过模仿人类的链式思考方式来解决物体指代问题。与传统直接输出边界框的方法不同,它采用规划-行动-总结的三步骤推理,使AI能像人类一样逐步分析图像中的候选物体,并在找不到匹配物体时拒绝作答。通过构建90,824样本的HumanRef-CoT数据集和两阶段训练方法,系统在精度、可解释性和泛化能力上均取得了显著进步。