随着移动性、物联网、大数据分析和云计算的不断发展,数字技术正在改变全球的企业,强调个性化的 “私人定制” 受到越来越多企业和消费者的追捧!
戴姆勒卡车北美公司(DTNA)就是其中之一。在它的波特兰制造工厂里,共有四种型号的Western Star 车可针对特定要求定制,每种车型都是按照客户的需求专门设计的,这在大规模生产环境中并非易事。
我们需要确保构成一辆卡车的所有零件都能良好地协同工作。人们常说没有完全相同的两片雪花,我们生产的每一辆卡车也是如此。我们提供不同配置的轴距、车轴、颜色、空气滤清器和其他选项,并严格按照客户需求定制每一辆卡车。——Paul Erdy,Western Star Trucks工厂经理
那么,如何尽可能不影响生产的情况下,通过提高制造效率控制成本, 提高灵活性和可扩展性,以及快速升级其基础设施,从而更快地为消费者交付更优质的定制卡车呢?
戴姆勒卡车北美公司首席信息官(CIO)DieterHaban 也表示:
我们需要新的网络环境,新环境不仅要能支持我们的当前和未来的制造流程,而且应该能帮助我们实现可靠、灵活、安全的服务交付。我们还需要运用创新技术来优化我们的制造和工程环节,同时改善成本管理并最大限度提高可扩展性。
在评估若干方案后,DTNA 决定选择思科和 Rockwell Automation 作为战略合作伙伴,为其工厂提供适当的技术。
为员工和机器提供无处不在的无线连接,使其能够在整个工厂的任何位置保持连接。
通过全面借鉴思科和 Rockwell Automation 提供的统一工业以太网(CPwE)验证设计指南,Haban 和他的 IT 基础设施团队在依托灵活的架构的基础上,为 DTNA 构建了一套融合 IT 基础设施,以推动工厂车间创新,并为大数据和分析、流程优化,以及各种新工具和新应用提供支持。
如今,新网络使 DTNA 能够在车间和办公区的任何位置提供安全可靠的 Wi-Fi 连接。工厂经理可以使用他们的 iPad 实时查找零件并检查状态,而不再需要翻阅厚重的活页资料。工厂工人现在也可以连接到可靠的生产 Wi-Fi,从而使卡车构建数据包的开发和更新实现了电子化。凭借遍布工厂各处的Cisco Aironet 接入点,员工可以在工厂的任何位置实现安全连接。
利用共享网络帮助经理掌握更多信息,从而更快预测并应对生产或供应链中的问题。
借助新架构,DTNA 可以将其 IT 和自动化网络环境整合至一个安全且可管理的融合环境中。这种整合提高了对整个制造过程的可视性和洞察力,从而使经理能够了解流程的运作情况,更快、更好地做出决策。
提供稳定、基于标准的安全保护,帮助满足合规需求。
通过这次网络升级,戴姆勒公司还有效地提高了网络安全性,他们部署了坚固可靠的防火墙和入侵防御软件,来阻止可能试图渗入企业的病毒、特洛伊木马和其他恶意软件。值得一提的是,在如此庞大的网络升级中,竟然没有对生产造成任何影响!
通过利用物联网解决方案,工厂自动化巨头和 IT 领袖之间的跨领域协作,确保了 Western Star 工厂和戴姆勒卡车公司的其他工厂现已拥有实现制造运营转型的蓝图,不仅满足当前需求,而且能够推动未来的成功。
在数字化进程中,只有网络才能整合移动性、物联网、大数据分析、云计算等技术要素,让企业充分发挥它们的数字化潜能。从 UCS 服务器,到 ACI 数据中心网络,到全数字化网络架构(DNA),思科致力于 IT 基础架构的简化、打造一个全面的、可扩展的平台,使之具备连通性、安全性、全自动化和分析能力,促成真正的数字业务转型。也使得 IT 人员可以从耗时、重复的任务中解放出来,投入到积极改变业务的创新之中。
好文章,需要你的鼓励
阿里巴巴集团正在马来西亚和菲律宾新增数据中心以推动AI驱动增长。该公司云计算部门本周在马来西亚启用第三个数据中心,并计划10月在菲律宾开设第二个数据中心。阿里云还在新加坡设立全球能力中心,帮助超过5000家企业和10万名开发者使用先进AI模型。未来三年内,阿里巴巴将在全球多个地区加速云网络建设,承诺在AI基础设施上投资超过530亿美元。
Unbabel团队开发的TOWER+模型系列实现了翻译专业性与通用AI能力的完美平衡。通过创新的四步训练方法,即使2B参数的小模型也能在翻译质量上匹敌70B大模型,同时具备出色的对话和指令跟随能力。研究还创建了IF-MT基准来评估复杂翻译场景下的综合能力,为AI模型的专业化发展提供了重要参考。
在人工智能与神经科学交叉领域的研究中,科学家正在探索自然发育的生物大脑与人工神经网络之间的异同。如今,实验室培养的生物类器官大脑为这一领域带来了新的复杂性。科学家使用干细胞培养出梨形大脑类器官,这些类器官甚至能够自主生长出眼睛。研究人员通过探索视觉与智能的关系,以及大脑-眼部缩放关系,为人工智能研究提供启发。
莫斯科科学家开发出"听众机制"训练方法,解决AI视觉偏好判断中推理不一致问题。通过让两个AI模型相互"对话"验证推理过程,新方法在ImageReward基准上达到67.4%准确率,并在现代图像数据集上显著提升泛化能力,为开发更可靠可解释的AI系统提供新思路。