全球决策AI领导品牌讯能集思启动“零IT”革命——赋能IT薄弱企业与数据分析薄弱企业,帮助智能制造企业解决人才短缺与数据困境,释放营运潜能,进一步降本增效,实现数字化转型升级。
2022年8月8日——全球决策AI领导品牌讯能集思(Synergies)于近日推出全新5G智能网关Odin,并宣布其全球首创的决策AI平台JarviX 发布3.0版本。讯能集思以一站式设备管理软硬件整合方案为制造业提供数字化新动力——赋能“零IT”企业,即通过决策AI平台帮助制造业企业突破人才短缺与数据困境,特别是赋能IT薄弱企业与数据分析薄弱企业,实现进一步降本增效,实现数字化转型升级。
讯能集思创始人兼CEO张宗尧表示:“讯能集思以赋能‘零IT’为愿景,致力于降低制造业数据挖掘与AI决策的门槛。特别强调的是‘零IT’并不是否定IT部门的价值,而是希望将IT团队从重复性工作中解放出来,专注于更有价值的事情。同时我们也帮助OT(运营技术)人员提升数据分析能力,并赋能企业全员运用决策AI平台应用分析,高效解决业务场景中的各种问题。”
有效的数字化转型,是制造业在多变的经济环境中提升竞争力的一大关键。讯能集思通过一站式的设备管理软硬件整合方案,打通数据收集、治理和分析全流程,让原本缺乏资源和技术能力的企业也能够轻松达到智能经管,实现设备预测性维护、库存优化、AI生产排程、良品率优化、动态报价智能优化等智能化升级,最终运用运营数据实现降本增效。
全球首创JarviX对话式决策AI平台结合全新智能网关Odin,整合数据治理全流程
讯能集思于2016年创立,并推出JarviX对话式决策AI平台。JarviX基于增强分析技术,是面向工业制造业的下一代数字化决策管理平台,其核心价值主张是“由无代码数据分析平台驱动智能制造,为每一家企业提升10倍以上的分析价值与决策效率”。通过JarviX平台,制造业从业者只需用中文输入后即可使用差异分析、分群分析等方法,快速找到影响良率的关键因子。同时,该平台也能关联制程、设备、人员、工单等数据,通过数据可视化提供运营优化建议,实现“指示型”数据分析。
讯能集思此次全新发布的JarviX 3.0版本将推动企业实现数智化愿景,完成从一般制造业迈向高端制造业的转型升级。JarviX 3.0新增加的功能包括用“拖拉点拽”的无代码操作方式,完成数据标准化、数据清洗、以及特征工程等数据处理工作,从而加速从数据转换到洞察分析的过程。由此,企业基于JarviX 3.0将能实现五大数智化应用:完整记录分析架构、自动推荐分析建议、快速获得优化解、快速建立知识库、团队共享知识库,真正实现不受制于工具,不受制于数据孤岛,不受制于人才困境,以数据应用的方式实现企业整体效率的提升,实现数字化的转型升级,实现企业竞争力的增强。
为了帮助制造业企业突破数据治理挑战,讯能集思推出了即插即用型支持5G网络的智能网关Odin,支持工业设备的预测性维护,打通工业设备数据收集、传输、处理的全过程。Odin的安装简便快速,更可以无缝连接JarviX平台,成为一站式设备管理软硬件整合方案,从而降低数据的导入及运维成本,提升数据传输及分析能力,推动实现产线效率的最大化以及生产系统状况的最优配置。
讯能集思推出即插即用型支持5G网络的智能网关Odin,
打通工业设备数据收集、传输、处理全过程
讯能集思的对话式决策AI平台JarviX已获多家全球500强制造企业采用,助力降本增效。其企业用户涵盖电子加工、汽车零部件和制鞋等行业,支持大幅提高产品良率、订单达交率、报表效率等。讯能集思于2021年在Gartner《增强分析市场指南》中获评全球前40供应商,并于同年成为唯一入选《大中华区AI新创市场指南》的工业AI分析新创企业。
好文章,需要你的鼓励
这项研究针对现代文档检索系统中的关键缺陷:独立处理文档片段导致丢失上下文信息。研究团队开发了ConTEB基准测试来评估模型利用文档级上下文的能力,并提出了InSeNT方法,结合后期分块和创新的对比学习策略。实验表明,上下文感知嵌入显著提升检索性能,尤其在处理非自包含文本片段时,同时保持计算效率,对分块策略更具鲁棒性,并且在语料库规模扩大时表现更佳。这一研究为更智能的文档检索系统铺平了道路。
这项由布朗大学和Cohere实验室研究者联合进行的研究全面分析了大型语言模型(LLM)安全研究中的语言不平等现象。通过系统回顾近300篇2020-2024年间的安全相关论文,研究发现LLM安全研究严重偏向英语,即使中文这样的高资源语言也仅获得英语十分之一的研究关注,且这一差距正在扩大。研究还揭示非英语语言很少作为独立研究对象,且英语安全研究常忽略语言覆盖文档化。为解决这一问题,研究者提出了三个未来方向:开发文化敏感的评估基准、创建多语言安全训练数据,以及深入理解跨语言安全泛化挑战。
这项研究提出了ChARM,一种创新的角色扮演AI奖励建模框架,通过行为自适应边界和自我进化策略大幅提升AI角色的真实性和一致性。研究团队创建了包含1,108个角色的RoleplayPref数据集,实验表明ChARM比传统模型提高了13%的偏好排名准确率,应用于DPO技术后在多项基准测试中达到了领先水平。这一突破将为娱乐、教育和心理健康支持等领域带来更加自然、个性化的AI互动体验。
这篇研究重新审视了循环神经网络中的双线性状态转换机制,挑战了传统观点。高通AI研究团队证明,隐藏单元不仅是被动记忆存储,更是网络计算的积极参与者。研究建立了一个从实数对角线到完全双线性的模型层级,对应不同复杂度的状态跟踪任务。实验表明,双线性RNN能有效学习各种状态跟踪任务,甚至只需极少量训练数据。研究还发现,纯乘法交互比加法交互更有利于状态跟踪,为循环网络设计提供了新视角。