


Le géant de l'immobilier CBRE CDTO explique comment accélérer ses ambitions en matière d'IA
Sandeep Davé comprend la valeur de l'expérimentation aussi bien que quiconque. En tant que directeur du numérique et de la technologie chez CBRE, Davé a reconnu très tôt que le secteur de l'immobilier commercial était mûr pour l'adoption des améliorations de l'IA et de l'apprentissage automatique, et depuis lors, lui et son équipe ont testé de nombreux cas d'utilisation.
Ces expériences ont porté leurs fruits. Au fil du temps, CBRE a réussi à réduire les délais de traitement manuel des baux de 25 % et à réduire de 65 % les faux positifs dans les installations commerciales gérées en tirant parti de l'apprentissage automatique et de l'IA. CBRE utilise également l'IA pour optimiser les portefeuilles de plusieurs clients et a récemment lancé un produit d'IA générative en libre-service qui permet à vos employés d'interagir de manière conversationnelle avec CBRE et des données externes.
Récemment, CBRE a annoncé une étape majeure : le déploiement des solutions de gestion intelligente des installations basées sur l'IA de CBRE sur plus de 20 000 sites clients de Global Workplace Solutions, totalisant 1 milliard de pieds carrés. Malgré cela, Davé a déclaré que "nous en sommes encore aux débuts" en matière d'intelligence artificielle.
Les réalisations de Davé et de son équipe dans le domaine de l’IA sont en grande partie dues à la création d’opportunités d’expérimentation et à la garantie que ces expérimentations sont cohérentes avec la stratégie commerciale de CBRE. Alors que de nombreux DSI se demandent encore comment démarrer l’aventure de l’IA dans leur organisation, le travail de Dave chez CBRE montre que stimuler l’expérimentation, même en cas d’échecs, peut conduire à d’énormes succès.
Voici le point de vue de Davé sur la façon de rendre les expériences d'IA rentables pour CBRE, et ses conseils aux responsables informatiques qui cherchent à faire de même dans leur organisation.
Construisez une base de libre-service et capturez des idées innovantes
De nombreuses organisations sont désireuses de déployer l'IA, alors commencez par définir et hiérarchiser les cas d'utilisation. Mais ceux qui veulent réussir dans le domaine de l’IA savent que les données de formation sont essentielles. Une meilleure approche pourrait donc consister à créer une base de données et à donner aux employés le temps de prendre les devants dans l’exploration des possibilités.
Lorsque Dave et son équipe ont réalisé le potentiel des données à grande échelle, ils ont commencé à mettre en œuvre ce plan. CBRE détient de grandes quantités de données de transaction, ainsi que de grandes quantités d'informations sur les actifs générées par les capteurs, les flux de travail et les milliards de pieds carrés d'espace physique qu'elle gère à l'échelle mondiale. Grâce à ces premiers travaux, ils ont réussi à automatiser des domaines d'activité tels que l'abstraction des baux ou la classification des bons de travail
Alors que le battage médiatique autour de l'IA générative s'intensifiait, l'équipe CBRE a développé une IA générative multilingue et en libre-service. La plateforme permet aux employés d'utiliser l'IA générative pour effectuer une série de tâches, telles que l'obtention d'informations à partir de données et de documents propriétaires, l'utilisation de chatbots pour résoudre divers problèmes, la génération de nouveaux contenus et la transformation de formulaires, etc. Davé a déclaré que grâce à l'utilisation généralisée de la plate-forme, « nous avons suscité de l'intérêt et de l'attention dans toute l'organisation, [le produit] compte désormais des centaines d'utilisateurs et grandit chaque semaine, et il a libéré beaucoup de productivité », ajoutant Poser les bases de plus d'innovation dans l'ensemble de l'entreprise.
Malgré cela, Davé a quand même souligné l'importance des restrictions de sécurité en matière d'IA. Il a déclaré : « Il y a beaucoup de prudence dans la façon dont [IA] est utilisée et comment éduquer les utilisateurs, l’intervention humaine est toujours nécessaire et la validation est nécessaire. Il est important d’être conscient des limitations techniques (telles que les hallucinations) et des obligations légales. sur la manière dont les données clients sont utilisées. «
Choisissez des cas d'utilisation qui correspondent aux priorités de l'entreprise
Une fois que vous avez donné à vos employés le temps et les ressources pour expérimenter et que vous avez de bonnes idées, il est temps de choisir les meilleures opportunités pour les utiliser. pour les mettre en œuvre, l’essentiel est d’incorporer le flash distinct du fond. « Nous constatons que de nombreuses initiatives sont prises pour le bien de la technologie et que la technologie mène à l'échec », a déclaré Davé. Il a suggéré deux façons d'éviter cette erreur : Mettre en place un modèle de priorisation cohérent avec la stratégie commerciale et les partenariats stratégiques.
À partir d'un modèle, Davé et son équipe ont adopté une méthode simple et ancestrale de filtrage des cas d'utilisation : les tracer dans une grille bidimensionnelle avec « valeur » et « faisabilité » comme axes. Davé a commencé avec des cas de grande valeur et de grande faisabilité et a rapidement connu le succès, suscitant ainsi l'enthousiasme et la reconnaissance des parties prenantes. Il a déclaré : « Ces technologies ont le plus grand potentiel car elles exploitent souvent les données auxquelles nous avons accès et que nous exploitons déjà. Pour l'intelligence artificielle, bon nombre de ces technologies peuvent améliorer la productivité et éliminer les processus manuels et répétitifs. »
Ensuite, Davé a jeté son dévolu sur deux quadrants : « valeur élevée, faible faisabilité » et « faible valeur, haute faisabilité ». Le choix dépend de leurs objectifs, qui nécessitent de choisir entre des résultats faciles et des investissements importants. Pour l’intelligence artificielle, c’est dans le quadrant des valeurs élevées que l’on trouve les modèles les plus prédictifs. « Même si ce n'est pas facile, si vous le faites correctement, cela peut avoir un impact énorme », a déclaré Davé, ajoutant que les responsables informatiques devraient envisager de choisir un cas d'utilisation parmi ces deux quadrants : un cas d'utilisation de grande valeur, un cas d'utilisation hautement réalisable. De cette façon, votre équipe peut démontrer des résultats précoces et donner une impulsion à des initiatives plus vastes.
Bien que cette matrice valeur-faisabilité soit excellente, elle présente un sérieux inconvénient : comme presque tous les modèles de priorisation, cette matrice souffre également d'ambiguïté. Après tout, comment évaluer la valeur et la faisabilité de cas d’utilisation qui s’appuient sur des technologies émergentes peu connues ou qui nécessitent de créer des fonctionnalités qui ne génèrent peut-être pas d’avantages immédiats ? C’est là que les partenariats peuvent jouer un rôle majeur dans l’atténuation des risques et la réduction des délais de commercialisation.
L'importance des partenariats stratégiques
Trouver un partenaire technologique approprié peut améliorer considérablement votre évaluation de la valeur et de la faisabilité. Les partenaires les mieux adaptés peuvent tirer parti d'une expérience approfondie de leurs technologies et outils respectifs pour garantir que vous ne sous-estimez pas un cas d'utilisation trop difficile, ni aucun cas d'utilisation qui gagne rapidement
Un excellent partenaire peut vous aider à créer de la valeur que vous ne pouvez pas réaliser par vous-même. C'est pourquoi les partenariats font désormais partie intégrante de la stratégie de CBRE. Davé a déclaré : « Nous avons toujours adhéré au concept « Build-Buy-Partner ». Nous n'avons pas besoin de tout faire pour accélérer la rentabilisation. Nous avons identifié une série de domaines prioritaires dans lesquels nous considérons CBRE comme un centre. Des innovations intéressantes en matière d'IA et l'identification de partenaires potentiels pour chaque domaine. Alison et son équipe ont joué un rôle déterminant dans cette démarche.
Contenu réécrit : il faisait référence à Bell mondial de CBRE, responsable de l'accélération de la stratégie numérique et technologique et des partenariats numériques. Bell et son équipe s'engagent à prendre en charge de nombreuses fonctionnalités puissantes que de nombreuses autres entreprises tentent d'intégrer au lieu de travail. Elle et son équipe développent des stratégies numériques et technologiques, recherchent des technologies et des entreprises émergentes dans le domaine de la proptech et évaluent comment intégrer étroitement les meilleures technologies et entreprises dans l'écosystème de CBRE.
Bell a déclaré : « Regardez ce que nous faisons. Lorsque nous nous associons ou investissons dans le domaine des technologies immobilières, nous collaborons ou investissons pour capturer une valeur stratégique. Tous nos partenariats ou investissements sont axés sur la réalisation de notre activité principale et des résultats pour nos clients. "
Grâce à ces relations stratégiques. , CBRE et ses partenaires ont créé quelque chose que vous ne pouvez ni construire ni acheter vous-même, une relation symbiotique dans laquelle les deux parties apprennent l'une de l'autre, se rendant mutuellement plus compétitives et plus uniques. Davé estime qu’il s’agit d’une tendance évolutive qui différenciera les leaders numériques actuels de ceux de demain. Il a déclaré : « Le rôle traditionnel du DSI... est une question d'exécution, le numérique est avant tout une question de stratégie et d'être un conseiller commercial de confiance, accélérant la croissance des revenus et intégrant une technologie qui transforme le cœur de métier.
En intégrant l'IA dans la stratégie. » flux de travail opérationnels et en le combinant avec un réseau de partenaires stratégiques profondément intégrés à la fondation de données, Davé, Bell et leur équipe conduisent CBRE au-delà de la réduction des coûts et de quelques idées banales vers des innovations plus convaincantes. Cette capacité leur sera très utile à mesure que de nouvelles technologies émergeront
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière
