麦当劳制订了一项大计划来改善客户体验,同时改善员工的日常工作,加强柜台后面的小型食品工厂。
一年前,麦当劳推出了一项长期增长战略,其重点是增强数字功能,例如售货终端下单、交付并加速其未来体验(Experience of the Future)餐厅的部署。在该公司的首席执行官Steve Easterbrook的领导下,麦当劳在2017年的全球同店销售额增长率达到了5.5%。
麦当劳的技术与建筑高级总监Joel Eagle并不负责店面的前端体验,但是他的团队是推动者。Eagle正在越来越多地关注人工智能、机器学习和云计算,希望用这些技术改善"内部客户体验"。
Eagle解释说:"我们希望缩短解决问题的时间,并在系统之间跳跃。" 总的来说,Eagle正在考虑用机器人代理和自然语言请求减少厨房的停机时间,并加快基础设施的修复。
麦当劳也在押注Astound等小厂商,这家公司简化了通过人工智能和直观界面提交帮助请求并解决问题的方式。Astound希望实现服务管理的自动化,为各种不同的系统提供人工智能支持的包装并提供见解。简而言之,Astound可以管理大规模的机器学习模型。
规模比较小的技术供应商对于后端流程改进正在变得越来越重要,而这些后端流程的改进可以改善员工的体验。例如,T-Mobile已经利用WalkMe来改善客户体验了。多家企业正在使用Sapho之类的公司来连接记录系统,并提供现代化的移动友好用户界面。Astound也是如此。
几年前,Eagle在一次ServiceNow Knowledge活动中看到Astound。他表示,与一家较小的供应商合作具有优势,因为这对于他们是利益攸关,对于锚客户来说,他们会投入时间和精力让项目成功。具体而言,Eagle正在寻找一种可以绕过"ITIL说法"的技术,快速地解决问题。
Eagle解释说:"在麦当劳,我们不会一下子就大动干戈或者花很多钱。我们会下很多小的赌注,然后再逐渐加大。"
Eagle正在寻求用人工智能改进的其他领域包括:
Astound的联合创始人Dan Turchin表示,麦当劳在推动自动化和改善内部客户体验方面已经明确了重点。Turchin 表示:"让我有共鸣的是,你可以在整个生命周期中自动化服务请求的流程。" Turchin 表示:"对于我们来说,面临的挑战是如何在请求通过各种供应商提供的设备并升级时自动处理请求。这是一个令人困惑的网络来维修摇动机器。就像其他任何一家公司一样,麦当劳的工具、供应商和记录系统都是拼凑而成的。
提升的效率对麦当劳来说算得上物有所值吗?Eagle表示:"在内部,如果你思考一下,就会觉得一家餐厅确实就是一家小工厂。客户来到工厂并点餐。他们是想来得到点什么东西的。整个未来体验(Experience of the Future)的前提都是要员工在适当的时间和适当的地点交货。" Eagle表示:"我们通过提供良好的员工体验间接地影响客户的体验。"
人工智能可以帮助即时制造,并可根据需要让机器运转起来。Eagle指出,麦当劳刚刚开始其自动化之旅,但正在考虑通过节省时间来改善招聘经理的流程。Astound的技术可以更快地找到合适的人。餐厅的智能设备最终也可以增加预防性维护。
Eagle解释说:"如果我们能够开发出一些技术,给员工更多的时间,这个工厂里人的体验就会更好。" Eagle表示:"如果我们消除了这种需要,让员工不再需要为坏掉的机器操心,我们就可以更多地关注体验了。"
好文章,需要你的鼓励
研究人员基于Meta前首席AI科学家Yann LeCun提出的联合嵌入预测架构,开发了名为JETS的自监督时间序列基础模型。该模型能够处理不规则的可穿戴设备数据,通过学习预测缺失数据的含义而非数据本身,成功检测多种疾病。在高血压检测中AUROC达86.8%,心房扑动检测达70.5%。研究显示即使只有15%的参与者有标注医疗记录,该模型仍能有效利用85%的未标注数据进行训练,为利用不完整健康数据提供了新思路。
西湖大学等机构联合发布TwinFlow技术,通过创新的"双轨道"设计实现AI图像生成的革命性突破。该技术让原本需要40-100步的图像生成过程缩短到仅需1步,速度提升100倍且质量几乎无损。TwinFlow采用自我对抗机制,无需额外辅助模型,成功应用于200亿参数超大模型,在GenEval等标准测试中表现卓越,为实时AI图像生成应用开辟了广阔前景。
AI云基础设施提供商Coreweave今年经历了起伏。3月份IPO未达预期,10月收购Core Scientific计划因股东反对而搁浅。CEO Michael Intrator为公司表现辩护,称正在创建云计算新商业模式。面对股价波动和高负债质疑,他表示这是颠覆性创新的必然过程。公司从加密货币挖矿转型为AI基础设施提供商,与微软、OpenAI等巨头合作。对于AI行业循环投资批评,Intrator认为这是应对供需剧变的合作方式。
中山大学等机构联合开发的RealGen框架成功解决了AI生成图像的"塑料感"问题。该技术通过"探测器奖励"机制,让AI在躲避图像检测器识别的过程中学会制作更逼真照片。实验显示,RealGen在逼真度评测中大幅领先现有模型,在与真实照片对比中胜率接近50%,为AI图像生成技术带来重要突破。