美國貝伯森學院(Babson College)資訊科技與管理校聘傑出教授、麻省理工學院數位商業中心(MIT Center for Digital Business)研究員、國際資料分析研究所(International Institute for Analytics)的共同創辦人、德勤分析(Deloitte Analytics)的資深顧問。與尼廷.米塔爾(Nitin Mittal)合著《全力投入AI》(All In on AI)。
《富時》100指數成分股的報告,平均長逾200多頁,這就難怪人類分析師會被資訊淹沒,忽略真正有價值的細節。近來,有些企業開始運用生成式AI分析競爭對手發表的公開資訊,更精準掌握商業動態。換句話說,在競爭情報、行銷、策略等領域,生成式AI能成為慧眼,發現有用的洞察。
想讓生成式AI模型成效卓著,企業必須在數據上做好準備,必須好好整理那些相對非結構化的數據,讓數據更精準、更新、更獨特。
NVF銀行從Google挖角高科技人才麥可,希望大力推動AI化的服務策略,但財務長卻擔心麥可的計畫過與冒進,也會使銀行喪失「人味」。執行長該如何抉擇?
流程探勘(process mining)原是在流程效能出問題時用於調查的工具,但現在已經演變發展為一個平台,用於大規模監測和改善營運流程的執行,以提高流程效率,協助實現企業價值。企業領導人如何充分發揮數位探勘的影響力?關鍵在於從取得流程績效的洞見(流程探勘的初衷),發展到採取能持續改善的行動。
大家都知道生成式AI的能耐,但這些模型背後的環境成本呢?無論是訓練模型、部署模型進行推論,或是製造所需的相關硬體,都會留下龐大的碳足跡,因此,在生成式AI更普及前,應設法找到更環保的做法。本文建議公司採取8項步驟,既可以廣泛運用這項技術,又降低對環境的衝擊。
在當今瞬息多變的環境中,如何善用公司的專有知識,對競爭和創新能力至關重要。而生成式AI正好為知識管理燃起希望。本文介紹企業目前主要採取哪些方法,以及在內容編選、確保品質與法律治理方面,可能面臨什麼挑戰。
當生成式AI讓寫程式碼的專業性降低,我們似乎迎來「公民開發」的時代。使用者能夠自行開發符合需求的程式,專業人員也能撥出時間專注於複雜的系統研發;然而,相關的數據治理難題也應運而生……
企業流程再造,是上世紀90年代盛行的觀念,但實行成果卻沒有與期待相符。人工智慧做為一種用途廣泛的自動化預測與決策科技,將能為流程再造帶來新的氣象。本文說明人工智慧如何促成流程再造,並提供一些成功的案例。
為提供您更多優質的內容,本網站使用cookies分析技術。若繼續閱覽本網站內容,即表示您同意我們使用 cookies,關於更多 cookies 資訊請閱讀我們的隱私權政策。