Kelle O’Neal作為商業(yè)和IT咨詢公司First San Francisco Partners的管理合伙人兼創(chuàng)始人,幫助企業(yè)認(rèn)識企業(yè)信息管理以及新興大數(shù)據(jù)戰(zhàn)略的重要性。她在Potential at Work上對數(shù)據(jù)治理成熟度評估進(jìn)行了探討,并介紹了免費自我評估工具的優(yōu)勢,以及需要專家協(xié)助的幾種情形。最重要的是,她還介紹了如何實施評估。
企業(yè)為何應(yīng)進(jìn)行數(shù)據(jù)治理成熟度評估?
O’Neal:成熟度評估可以幫助您認(rèn)識數(shù)據(jù)治理的重要性。您可以通過了解數(shù)據(jù)對企業(yè)和品牌、客戶忠誠度、為股東帶來的價值等產(chǎn)生的影響來衡量數(shù)據(jù)的價值。您可以將數(shù)據(jù)治理成熟度與數(shù)據(jù)價值直接聯(lián)系起來。例如,如果提高了成熟度,則數(shù)據(jù)價值也會提高,進(jìn)而會提高品牌的價值。
成熟度評估最佳實踐是什么?
O’Neal:您應(yīng)該對人員、流程和技術(shù)進(jìn)行評估,而不僅僅是評估技術(shù)的使用或采用情況。不僅要評估方案的內(nèi)容,還要評估方案所產(chǎn)生的影響。成熟度級別提高后,對內(nèi)容本身并無任何影響。為每種評估類別提供標(biāo)準(zhǔn),這些標(biāo)準(zhǔn)實際上就是讓企業(yè)變得更加成熟的標(biāo)準(zhǔn)。您必須能夠利用該成熟度評估制定行動計劃。
自我評估工具與咨詢服務(wù)有何區(qū)別?
O’Neal:最好首先使用自我評估工具進(jìn)行評估。但是,完成評估的人員越少,可能出現(xiàn)的偏差也就越大。通過有效的第三方咨詢評估,可以詢問一些問題來嘗試消除這種偏差,并努力覆蓋更多職能部門。此外,大多數(shù)第三方解決方案都會考慮行業(yè)情況,而并非所有自我評估工具都能做到這一點。聘用第三方顧問可以幫助評估從自我評估中獲得的見解的質(zhì)量,并對結(jié)果進(jìn)行驗證。
信息負(fù)責(zé)人如何在其組織中將此知識轉(zhuǎn)化為實踐?
O’Neal:先查看公司內(nèi)部員工的級別和職能。然后召集大量人員完成同一自我評估,并對結(jié)果進(jìn)行比較。您需要獲得不同職能部門的不同觀點和多層次的觀點。例如,包括財務(wù)、銷售、營銷和產(chǎn)品管理以及初級、高級和行政級別。
問問自己為何要進(jìn)行此次評估,這樣可以幫助確定偏差并客觀地表述評估的目的和結(jié)果。評估的偏差越大,其價值就越低。
當(dāng)您意識到您已從數(shù)據(jù)治理中獲得最大價值后,企業(yè)其他人員會不知不覺地受到影響。目標(biāo)正在于此,因為它表明數(shù)據(jù)治理已經(jīng)成為一項核心能力。
企業(yè)是否已經(jīng)準(zhǔn)備好進(jìn)行數(shù)據(jù)治理自我評估?請使用GovernYourData.com上的免費在線工具完成多個成熟度評估。然后,您會收到基準(zhǔn)報告,并會將您的得分與您所在行業(yè)和區(qū)域規(guī)模類似的企業(yè)進(jìn)行比較。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團(tuán)隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊通過對比實驗發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強(qiáng)于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。