今年春季,我参加了HPE Aruba的年度Atmosphere大会,并就他们最新的NaaS产品发表了一点自己的看法。几个月过去,客户的积极部署已经证明了该系列产品的市场成功。为此,我最近专门与零售巨头Home Depot讨论了他们同Aruba的合作关系,以及NaaS如何在改善员工/客户零售体验方面发挥重要作用。希望这段对话也能给大家带来一点启示。
Home Depot的技术愿景
Daniel Grider是Home Depot公司负责基础设施和运营工作的技术副总裁。作为一家在全美设有2000多家门店,地跨1400座城市和54个州/地区的零售巨头,Home Depot的技术运营工作显然不好做。除了极广的业务覆盖面外,Home Depot每家门店的平均规模也达到惊人的10万平方英尺之巨,意味着提供稳定的网络连接本身就是个艰难挑战。
考虑到这些现实问题,Home Depot当然有必要认真规划自己的技术部署路线。根据Grider的介绍,Home Depot的主体思路是优先关注零售体验,其次才是具体技术选型,同时强调减少客户摩擦。作为在零售业拥有多年工作经验的从业者,我个人完全同意这个基本判断。技术应该悄无声息地发挥作用,取悦客户和零售门店员工,而不是额外给他们增加使用负担。Grider先生还分享了所在部门建立基础设施的三大基本原则。首先是与能够提供单点责任和分析支持的厂商合作,确保提供无故障体验。其次是将工程师从缺乏附加价值的日常故障修复中解放出来,专注于利用自身技能为门户吸引客户。第三,考虑到网络设备资本支出巨大、IT更新周期较长等现实情况,寻求更可预测的财务计划。Aruba NaaS的拥有“即服务”类方案最引以为傲的可预测定价优势,因此特别适合Home Depot的IT更新周期。
有预料中的成效,也有计划外的惊喜
Home Depot与Aruba的合作历史可以追溯到2016年。而此番逐步走出新冠疫情阴影,推动下一轮网络更新之际,Home Depot决定先明确定义一系列预期业务成果。首先,新网络必须能够支持员工们总计超过10万台移动设备。Grider分享称,他们的计划是为每位门店员工配备食品,帮助他们随时搜索产品库存、查阅产品信息,借此提供最佳客户体验。虽然支持这么多设备绝非易事,但Aruba Central管理平台正是为这类需求而生。Aruba Central具备云原生特性,支持规模化场景并基于AI洞见提供智能线路切换功能。此外,它还提供无线门店网络支持,为Home Depot高度分散的零售体系集成威胁防御管理方案,且通过零接触配置实现了关联设备的快速激活。
Home Depot此番IT更新计划的第二大业务目标,就是把店内的网络覆盖范围扩大到大堂和各季节性波动区,解决因金属货架和产品本身造成的网络信号缺失。Aruba Central在这项工作中同样发挥着重要作用,能够从12万家客户的现有使用场景下提取匿名数据,通过分析提供快速便捷的优化建议。
这样一套精心设计的方案,也会带来不少计划之外的惊喜回报。与其他零售商一样,Home Depot在新冠疫情期间开始提供路边取货服务,而且计划在疫情消退后继续保持。Aruba则提供必要的自助服务来支持这一新用例,包括天线调谐、接入点密度和布局调整等。此外,Aruba的工具部署便捷、易于使用,只需要几小时到几天即可落实到位。
Home Depot当然可以通过传统的整体采购型基础设施达成上述业务成果。但Aruba的NaaS产品HPE GreenLake for Aruba能够显著缩短零售商的规模化转型周期,以更顺畅的IT更新流程支持财务规划、保障运营收益。将基础设施转化为运营成本,也消除了企业在极不确定的宏观经济背景下对于资本投入贬值的担忧。
总结
在访谈末尾,我拜托Grider先生为其他打算使用NaaS技术的企业提几点技巧和心得。他的建议是把地域跟财务等因素纳入考量,核算将基础设施的资本支出转化为运营支出能带来哪些好处。至于如何选择市场上多种多样的网络解决方案供应商,Grider认为需要通过磋商和试点等方式认真开展尽职调查。最后,他建议组织适当放宽投资预算,以成功部署为核心目标。从Home Depot的成功部署和高质量零售体验来看,Grider指出的这条道路确实值得参考。
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。