为特定行业提供云应用的领先提供商Infor发布Control Center,这款下一代供应链可视性和智能解决方案使得打造数据驱动、自学习且持续可靠的供应链成为可能。
Control Center将来自Infor GT Nexus Commerce Network(全球最大的云端多企业商务网络,用于进行全球贸易和供应链管理)的数据与Infor的Coleman人工智能(AI)功能相结合,让供应链主管能够对组织部门进行细分,并迅速采取措施满足业务需求。
该解决方案提供端到端可视性和深度数据科学,帮助供应链主管透过每日繁杂的数据,找到适当的信息,从而加快决策速度,并利用预测和引导智能快速执行决策。Control Center的端到端可视性及其机器学习功能可以预测未来的供应链问题,帮助企业更早采取应对措施。
最终,Control Center通过为用户授权、自动完成乏味的任务和提供网络智能,让企业能够向供应链自我编排管理迈进一大步。
Infor制造和供应链部门执行副总裁Rod Johnson表示:“供应链主管迫切需要获得更高层次的智能和洞察力,交付的速度要更早、更快,从而帮助客户缓解风险,确保可靠性。供应链领域历史上一直充满了不确定性和风险,Control Center为这一领域带来了可靠性和确定性。供应链组织第一次能够提供始终如一的服务水平,这是组织区别于同行的一项竞争优势。”
苛刻的客户越来越要求供应链以更加主动的方式进行运作。供应链组织必须“预测未来,及时行动”。在Infor GT Nexus Commerce Network上,供应链以平均每秒50次的速度发生变化。然而,由于延迟、缺乏网络内连接性以及无法及时向供应链主管提供正确的信息,当前的解决方案无法提供及时的见解,使得供应链主管难以迅速采取行动。因此,他们只能面对数据过载,而无法快速访问和处理数据,及时采取行动。
企业间供应链研究领导者ChainLink Research首席执行官Ann Grackin表示:“跨整个供应网络的库存可视性,结合物流可视性和可以及早发现和预测问题的深度数据科学,是实现主动供应链执行的必要基础元素。在当今快速变化的供应链中,只知道库存在哪是不够的。供应链主管需要高级可视性和预测智能来为日常决策提供依据,在流程初期发现和缓解潜在问题,从而为营收提供保障,实现利润最大化。”
Control Center持续监控贯穿供应网络的产品流、原料流、订单流、需求流和资金流,从繁杂的信息中甄别机会。它利用AI和机器学习技术了解每个机会的具体情况,引导用户采取最佳解决措施。
Infor Control Center基于经过验证的Infor GT Nexus Commerce Network打造而成,利用了20年的各行业全球供应链数据情报。Infor GT Nexus Commerce Network旨在编排管理多企业流程和工作流。它采用网络原生应用,日常执行都在网络内完成,从而提供实时、准确且具有丰富背景信息的数据。
Johnson表示:“其他提供商无法提供实现快速执行所需的数据背景和贸易伙伴直连,也就无法主动应对业务环境的变化。”
Control Center持续监控供应链的变化,这是网络内应用与拼凑起来的硬连线系统(它提供的可视性几秒内便会过时)的不同。Control Center提供原生数据情报,这是构建数据驱动型供应链的基础。
Control Center通过一系列实时控制点监测网络流量。大部分供应链系统的配置是依赖交易来了解存在的问题(例如库存情况),而Control Center的运行则基于动态监测。它可以监测事物是否在移动,可以计算和了解“正常状态”,并持续监控流程移动情况,识别模式变化。甚至在问题出现之前,系统就已经知道了问题的存在并判断是否有必要采取措施,如果有必要,Control Center则引导用户采取措施,评估结果从而进行学习和改进。
Johnson说道:“Control Center为用户提供正确的上下文信息,提供智能驱动的最佳决策。”
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。