微软有三朵云,Microsoft365、Power Platform、Azure。
通过这三朵云为企业数字化转型提供多种多样的技术和解决方案。但是企业要基于这三朵云进行数字化转型,来提升自身业务创新并不是一件容易的事情。对于企业而言,数字化转型本身包括内部运营、外部运营以及智能生产等各个环境,因此必须有专业的基于微软云平台的合作伙伴来助力企业用好这三朵云,从而实现企业数字化转型。
依托微软云平台,微钉科技提供个性数字化服务
微钉科技就是专注于微软三朵云提供应用解决方案的创新企业。微钉自2016年加入微软生态以后,实现了高速发展。目前已经有数百个非常知名的企业客户,也有上千个项目的成功案例,同时也是微软比较值得信赖的技术型的和ISV的合作伙伴。“微钉科技,创立的时候就希望基于微软生态,做一个服务企业数字化转型的螺丝钉,如果把微软比喻成汽车,那么微钉就是汽车里面很重要的零部件。”微钉科技负责人黄震这样谈到企业名称的意义。
微钉科技负责人黄震
针对企业加速数字化过程中对于内容自动化、流程自动化、数据可视化等需求。微钉科技提供的解决方案就是基于微软Microsoft365和Azure云平台上,提供流程自动化、文档自动生成、流程挖掘、流程发现等功能。帮助企业解决从数据、内容、流程做数字化运营和自动化应用的解决方案,从而实现对企业数字化内部运营的有效管理和加速创新。
微钉科技确保数据安全,助力中国企业出海
基于“一带一路”倡议在走向全世界过程中,中国企业在海外进行业务拓展中会遇到各种当地法规的信息安全规则。比如到欧洲、到美国,就会有很多数据安全、数据合规等等信息安全的要求,在欧洲、在美国有各种各样的文件内容时,就要符合当地的个人隐私法、GDPR等等信息安全方面的要求,在这过程中,微钉科技通过使用微软的Microsoft365以及Azure来作为一个基础平台,提供了在数据安全、数据脱敏等安全合规的情况下,来满足当地法规的要求,整体上能够实现业务的连续,符合当地法规的需求。
“微软的云平台提供了比较趋完整的API或者功能点,我们需要根据客户的业务逻辑、业务流程把这些功能点组装起来,形成一个完整的全生命周期的信息安全类的或数据脱敏类的解决方案。” 黄震解释到。
微钉科技与中国某车企的故事
在经济全球化的大背景下, “走出去”是中国企业产业升级的一条必经之路。某汽车股份第1个基于Microsoft 365 的项目:“东盟整车Microsoft365协同办公项目”就是由微钉负责实施。按照该汽车信息化建设的统一规划,为东盟整车项目搭建统一协同办公平台,确保业务处理合规,从而支持公司的全球化战略落地。
该汽车IT部门、东盟整车业务部门、 微钉三方共同协作努力。以M365为基础,搭建协同办公平台实现与内部ERP (SAP)、Success Factors、MDM、数据中台等系统的集成。涵盖PC端和移动端(Teams)应用。支持简体中 文、英文、泰语3种语种。期间克服了新冠疫情、春节等各种不可控的情况,历时半年实现系统上线。包括6个定制开发功能模块(SharePoint + Teams)和 39支业务流程。 满足了中籍和泰籍员工8个业务部门业务需求。并实现了 与(国内/外)其他业务系统(HR、SAP、SF、MDM) 进行整合。
Ignite大会关注自动化和数字化转型两个方向
微软每年的Ignite大会都会有新的技术来公布,从帮助企业运营和管理的角度来看微钉科技负责人黄震表示,在2022年的的Ignite大会上,更多的是关注在数字化转型、超级自动化有哪些新的技术和创新实践。
未来,微钉希望继续跟上微软新的技术步伐来为企业数字化转型提供助力,一方面是在Data & AI,就是数据的分析通过机器学习的方法来帮助企业提供决策。另一方面在超级自动化方面发展,相信微软的产品越来越会种类更多、功能更强,尤其是在AI领域的一些产品功能更强。通过这些新的技术,来增加微钉科技的服务的范围和解决方案的能力。
>>> 2022年1月6-7日,锁定Microsoft Ignite China(微软在线技术大会中国站),点击了解微软与合作伙伴的更多故事
好文章,需要你的鼓励
这篇研究论文介绍了"Speechless",一种创新方法,可以在不使用实际语音数据的情况下训练语音指令模型,特别适用于越南语等低资源语言。研究团队通过将文本指令转换为语义表示,绕过了对高质量文本转语音(TTS)系统的依赖。该方法分三个阶段:首先训练量化器将语音转为语义标记;然后训练Speechless模型将文本转为这些标记;最后用生成的合成数据微调大型语言模型。实验表明,该方法在越南语ASR任务中表现出色,为低资源语言的语音助手开发提供了经济高效的解决方案。
《Transformer Copilot》论文提出了一种革命性的大语言模型微调框架,通过系统记录和利用模型训练过程中的"错误日志"来提升推理性能。研究团队受人类学习者记录和反思错误的启发,设计了一个"副驾驶"模型来辅助原始"驾驶员"模型,通过学习错误模式并在推理时校正输出。这一方法在12个基准测试上使模型性能提升高达34.5%,同时保持计算开销最小,展现了强大的可扩展性和可迁移性,为大语言模型的优化提供了全新思路。
德克萨斯大学Austin分校的研究团队提出了RIPT-VLA,一种创新的视觉-语言-动作模型后训练范式。该方法通过让AI模型与环境互动并仅接收简单的成功/失败反馈来学习,无需复杂的奖励函数或价值模型。实验证明,RIPT-VLA能显著提升现有模型性能,在轻量级QueST模型上平均提升21.2%,将大型OpenVLA-OFT模型推至97.5%的前所未有成功率。最令人惊叹的是,仅用一个示范样本,它就能将几乎不可用的模型在15次迭代内从4%提升至97%的成功率,展现出卓越的数据效率和适应能力。
北京大学与华为诺亚方舟实验室研究团队共同开发了TIME基准,这是首个专为评估大语言模型在真实世界场景中的时间推理能力而设计的多层级基准。该研究提出了三个层级的时间推理框架,包含11个细粒度任务,并构建了涵盖38,522个问答对的数据集,针对知识密集型信息、快速变化的事件动态和社交互动中的复杂时间依赖性三大现实挑战。实验结果表明,即使是先进模型在构建时间线和理解复杂时间关系方面仍面临显著挑战,而测试时扩展技术可明显提升时间逻辑推理能力。