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
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。