AI+低代码,打通企业大模型应用最后一公里!

简介: 在2024微软Build大会上,微软宣布50多项AI更新,包括GPT-4上云、Cobalt芯片、Team Copilot和小模型等。Team Copilot成为团队助手,管理会议并协助解决问题。GPT-4模型支持多模态处理,引领AI体验新标准。微软构建三个平台增强AI功能,推动AI应用于协同办公、低代码开发等领域。织信低代码平台结合AI技术,实现智能数据补充、内容分析和快速算法,提升企业效率,降低了对IT资源的需求。AI与低代码技术共同促进数字化转型,织信低代码已在多个行业广泛应用,其AI助手强化了用户体验和效率。未来,AI将成为软件交互的核心,低代码与AI的结合将进一步推动软件平民化。

一、AI的趋势与发展

一夜之间,微软的AI全宇宙似乎已成型。

5月22日凌晨,在一年一度的2024微软Build大会上,微软CEO萨蒂亚·纳德拉一口气宣布了50多项AI能力更新,涵盖GPT-4o上云、自研Cobalt芯片、团队版Copilot、SOTA小模型等。

image.png

此次大会核心亮点有:

推出Team Copilot,将Copilot for Microsoft 365从幕后的个人AI助手,扩展为团队助手。Team Copilot能够在会议中担任会议主持人,管理会议议程、记录会议要点,也可以在聊天中作为协作者,跟踪行动项目、解决未决问题。

宣布GPT-4o可以在Azure AI Studio中使用,也可以作为API使用,这一多模态模型集成了文本、图像和音频处理,为生成式和对话式AI体验设定了新标准。

升级AI功能Copilot,支持与ERP、CRM软件无缝集成,全面打造行业解决方案。

与此同时,微软还建造了三个平台(Microsoft Copilot、Copilot 堆栈、Copilot+PC),进一步把AI的能力拉满了。

AI发展的这一年多,在万众期待下,GPT也毫不谦虚,大笔一挥便融入到了协同办公、绘画、IT编程等诸多领域,并在悄然间,进入了大众同样期待的低代码赛道,筹划着一轮新的变革。

在此背景下,低代码技术兴起也为AI应用落地提供了一条可行的路径。这其中,织信低代码团队一直紧跟趋势,于近期的版本中顺利推出了“AI助手”这一创新功能,在丰富平台功能的同时也拓宽了自身的应用领域,旨在为企业打通大模型应用的最后一公里。

二、AI在织信低代码平台中的应用实践

经过一年多的研究与实践,织信低代码结合AI技术的应用已经开始发挥超乎想象的作用,并在一些企业和组织中逐渐展现出了其实用价值。

比如,用户可以通过语言描述让AI自动构建数据图表、自动创建任务、智能完善商机信息,智能读取本地表格数据并进行智能分析,智能核算员工任务状况并分配任务等等。

这里挑几个比较典型的场景带大家感受一下。

1、智能数据补充

借助互联网平台(如天眼查、爱企查、企查查),获取商机线索中系统内原本没有的一些信息内容(像行业、产品赛道、注册资本、地址、规模等),对原本的商机进行信息补充。

AI公司信息.gif

例如在“客户管理场景”中,销售人员可以针对现有商机,通过调用网络查询的能力,让AI助手自动补充行业、主营业务、法人、注册资本等关键信息,快速丰富商机内容。

以往要实现这个功能,我们得申请IT资源,让开发人员花上个一两天时间来开发爬虫工具。而且,开发出来的爬虫工具也会比较固化,它必须是基于预设的规则和算法去执行,不能像AI一样去理解和处理网页内容,只能按照设定的模式进行抓取。爬取所得到的内容也比较粗略,容易出现乱码和错误,这样的内容即使拿到了,也需要我们另外对内容重新进行分析归类、细致甄别整理,很是费时费力。

而织信的AI助手不仅可以智能抓取信息,还能根据场景和实际需求灵活调整优化。相比爬虫工具,AI无需依赖网页结构,能更全面准确获取各种类型数据,包括复杂语境下的信息。同时,AI还能直接分析和处理抓取到的信息,自动完成分类整合,极大提高了效率和质量。比如在处理精准行业分析、全面客户信息整合等需深入理解语义和上下文的任务时,它优势明显,能为企业提供更有价值的信息。

2、智能内容分析

深度发挥AI智能语义分析能力,智能获取word、pdf、png等文档图片内容,并输入到系统中,降低基层员工的重复劳动工作。

AI简历助手.gif

例如在“人员入职管理”流程中,公司HR可以通过上传文档/图片内容,让织信AI助手进行内容识别,完成对员工信息档案等关键信息的录入。此功能大幅减少了以往HR需要逐一复制+粘贴的重复录入操作。

虽说以前也有一些技术(如OCR)可以实现类似效果,但OCR功能主要是对图像中的文字进行识别提取,它往往只能处理较为规范的文本,对于一些特殊字体、手写体或排版复杂的内容,识别准确率可能会大打折扣。比如在一些老旧文档或低质量扫描件中,OCR通常会把一些模糊的字符识别错误,在遇到艺术字或特殊装饰性字体的文档中,OCR也难以把握文字的形态。

而织信的AI助手能够深入理解文档图片中的语义信息,不仅能准确提取文字内容,还能根据语义进行分析和整合。它不受文档格式和内容复杂程度的限制,无论是word/pdf/png等材料内容,AI助手都能直接对获取到的内容进行分析处理,自动分类和整理,能为用户提供更全面、准确且有价值的信息,尤其在处理需要深度理解语义的任务时,优势更为明显。

3、智能快速算法

智能解析Excel表格内容,并对表格数据进行自动归类,形成可分析的关键指标。同时还可以让AI助手根据整理的数据内容直接生成相应的数据图表或分析结果。

AI数据分析1.gif

例如在“企业业务运营场景”中,可直接调用文件上传功能,导入本地的Excel 表格,让AI助手智能识别数据内容,整理成数据概要。当我们关注表格中某个数据趋势时,可直接让AI根据上下文理解,自动生成所需的数据报表。

以往运营部门如果有一些数据处理和分析的需求,通常会让数据分析师或者技术部门预先进行算法研发。就像数据分析师,在接到任务后会先通过编写SQL来拉取数据,而后再将数据导出,接着通过Excel工具对相关数据进行整理排版,并利用函数公式计算出数据结果,最后还得运用图表功能选定数据源,设定数据的X/Y轴,最终才能得出想要的数据图表。

而有了织信AI助手后,就可以大大降低在数据分析方面对IT的需求,让AI自动生成数据图表,省去了过去写SQL拉数据再做分析或是配置临时性BI报表的环节,全面为数据分析岗位赋能。

以上这些看似细微的业务场景改进,不但显著提升了业务处理效率,更为重要的是,它们充分激活了企业最为宝贵的资源——数据,进而为企业带来了更为深远的影响。更为关键的是,织信AI助手的使用门槛并不高,只需要通过语言描述或简单的点击操作,就能完成以往较为耗时且需要通过计算才能获得的重复劳动工作。

三、写在最后:

AI大模型和低代码技术这两股看似不同却都备受瞩目的力量,正在共同助推数字化转型的浪潮。

早在2020年,织信团队就洞察到了这一趋势,并率先开启低代码战略,当时这一举动并未引起太多关注。然而,在AI时代的浪潮下,这一战略竟然意外地得到了AI技术的助力,使得低代码得到了飞速发展。尽管低代码在软件行业初期曾备受争议,但经过多年的发展,它已经逐渐在市场中占据了重要地位,尤其在制造、军工、金融等领域已得到了广泛应用。

与OpenAI主要关注 C 端市场不同,织信低代码的核心定位是在 B 端市场。作为一个应用搭建平台,在低代码战略的推动下,织信与众多企业携手共建,成功开发了上万个业务应用,不仅提升了企业整体的协同办公效率,还深入渗透到企业的各项业务中。

同时,织信低代码还为企业提供了丰富的组件工具和资源服务,有力地推动了低代码技术的普及和应用。低代码的普及为AI奠定了优良的“系统”和“数据”基础设施。AI时代本质上是在变革数据的产生和消费方式,而AI正在推动这一变革的逐步实现。

织信低代码研发的AI助手,不仅继承了大型模型的常识理解和生成能力,更重要的是,它能够与企业的业务应用、业务数据以及特定领域的知识实现无缝对接。这一特性使得传统应用软件能够快速融入AI助手的新颖界面和交互模式,极大地提升了用户体验和效率。

在未来的软件生态中,AI不仅会成为最上层与所有人交互的媒介,而且整个产业的发展,包括底层技术、商业模式、中间组件,甚至人们的生活习惯和行为,都将围绕AI进行转变。这也标志着AI时代的真正到来。此外,低代码与AI的结合无疑为推动软件平民化提供了重要途径。

相关文章
|
2天前
|
人工智能 供应链 算法
未来AI技术的革新与应用前景
随着人工智能(AI)技术的快速发展,未来的创新与应用前景变得更加广阔。本文探讨了AI技术在各个领域的应用,以及未来可能出现的革新,展望了AI技术对社会、经济和科技发展的深远影响。
|
1天前
|
机器学习/深度学习 人工智能 算法
AI - 决策树模型
决策树算法起源于古希腊的逻辑推理,20世纪在军事策略研究中首次提出。它通过构建树形模型模拟决策过程,每个节点代表一个属性判断,分支代表可能结果。ID3算法基于信息增益,C4.5则引入信息增益率,解决了ID3偏好多值属性的问题,还能处理缺失值。CART决策树适用于分类和回归任务,使用基尼系数或信息增益来选择特征。在Python的`sklearn`库中,`DecisionTreeClassifier`实现决策树分类,通过参数如`criterion`、`max_depth`等控制模型。
|
1天前
|
机器学习/深度学习 资源调度 算法
AI-逻辑回归模型
逻辑回归是一种用于分类问题的统计模型,尤其适合二分类任务,如预测广告点击率、判断邮件是否为垃圾邮件、评估疾病风险和预测信用卡违约等。模型通过线性方程(logit函数)结合Sigmoid函数将结果映射到0到1区间,表示概率。损失函数通常使用交叉熵,优化时常用梯度下降。评估指标包括ROC曲线和AUC,后者衡量模型整体性能,值越接近1表示性能越好。在不平衡数据集上,可使用`class_weight='balanced'`来调整样本权重。
|
1天前
|
机器学习/深度学习 算法 大数据
AI-线性回归模型(二)
这篇内容介绍了梯度下降法在机器学习中的应用,特别是在线性回归中的角色。它是一种迭代优化算法,用于找到损失函数最小值的参数。全梯度下降(FGD)使用所有数据计算梯度,适合大数据但计算成本高;随机梯度下降(SGD)随机选取样本,速度快但可能收敛到局部最小值。随机平均梯度下降(SAG)结合两者的优点,提高收敛速度。评估线性回归模型的性能通常使用平均绝对误差、均方误差和均方根误差。文中还展示了波士顿房价预测案例,使用SGDRegressor进行训练,并讨论了学习率的影响。最后提到了如何使用`joblib`库保存和加载模型。
|
1天前
|
人工智能 运维 监控
智能化运维:AI在IT运维中的应用与挑战
【6月更文挑战第21天】本文将深入探讨AI技术如何革新传统的IT运维领域,通过案例分析展示AI在故障预测、自动化处理和安全监控等方面的应用。同时,文章也将讨论AI运维带来的挑战,包括数据隐私、系统复杂性和成本问题,并提出相应的解决策略。
17 6
|
1天前
|
机器学习/深度学习 API Python
AI-线性回归模型(一)
线性回归是用于分析变量间线性关系的统计方法,常见于房价预测、销售额预测和贷款额度评估。通过最小二乘法寻找最佳直线方程y=wx+b,其中y是因变量,x是自变量,w和b是模型参数。在Python的`sklearn`库中,使用`LinearRegression`类可构建模型,通过`fit`训练和`predict`进行预测。损失函数通常用平方损失(均方误差)衡量预测误差,优化目标是最小化这些误差的平方和。
|
1天前
|
机器学习/深度学习 人工智能 运维
智能化运维的崛起:AI在IT管理中的应用与挑战
【6月更文挑战第21天】随着人工智能(AI)技术的飞速发展,其在信息技术(IT)运维领域的应用已成为推动效率和创新的关键动力。本文将深入探讨AI如何重塑IT运维的面貌,包括自动化故障检测、预测性维护、以及智能决策支持等方面。同时,我们也将分析在实施智能化运维时所面临的技术挑战和道德考量,并提出相应的解决策略。
|
2天前
|
人工智能 开发工具 Swift
ModelScope联手OpenDataLab:直接调用7000+开源数据集,赋能AI模型加速研发
魔搭社区和OpenDatalab浦数合作,共同开启一场模型与数据的深度融合,旨在为中国开发者打造更加高效、开放的AI体验。
|
2天前
|
人工智能 算法 安全
AI在医疗诊断中的应用与挑战
本文旨在探讨人工智能(AI)技术在医疗诊断领域的应用及其面临的挑战。随着科技的进步,AI已经成为医疗行业的重要工具,尤其在疾病诊断方面显示出巨大潜力。然而,AI在实际应用过程中也遇到了数据隐私、算法透明度和医疗伦理等问题。文章将分析这些挑战并提出可能的解决策略,以促进AI技术在医疗诊断中的健康发展。
|
3天前
|
人工智能 前端开发 搜索推荐
人工智能(AI)在前端设计中的创新应用
人工智能(AI)在前端设计中的创新应用
20 4

热门文章

最新文章