Forbes Technology Council
PulseAugur coverage of Forbes Technology Council — every cluster mentioning Forbes Technology Council across labs, papers, and developer communities, ranked by signal.
- employed by Joel Frenette 70%
- employed by Jagadish Gokavarapu 70%
- affiliated with Vibhor Kapoor 70%
- employed by Ajay Pandey 70%
- affiliated with Jagadish Gokavarapu 50%
- affiliated with Salice Thomas 50%
- affiliated with Joel Frenette 50%
- affiliated with Marc Fischer 50%
- affiliated with Ajay Pandey 50%
- affiliated with Margarita Simonova 50%
- affiliated with Andrew Siemer 50%
- affiliated with Sibasis Padhi 50%
10 天有情绪数据
-
专家揭示终止技术试点的9个警示信号
技术试点提供了一种在完全承诺之前测试新解决方案的方法,但知道何时终止它们至关重要。专家建议,如果成功标准不明确、技术功能无法清晰解释,或者其性能依赖于手动整理的数据,则应终止试点。其他迹象包括现有的工作流程孤立、试点仅在关键人物的参与下才能运行、业务成果不明确,或使用/成本指标与业务价值之间缺乏明确联系。如果用户停止使用该工具,这也表明应结束试点。
-
安全结合外部和专有数据的策略
公司正在制定策略,以结合外部和专有数据以获得更深入的见解,同时保持隐私和控制。关键方法包括将分析移至数据源而不是移动数据,利用数据洁净室在不交换原始数据的情况下进行安全匹配,以及在连接数据集之前映射敏感字段。此外,利用公共威胁情报和采用联邦学习进行AI模型训练对于保护敏感信息至关重要。
-
赢得高管对技术投资的认可:成功策略
为技术投资争取高管的认可,需要的不仅仅是列出功能;它要求与业务价值和战略重点建立清晰的联系。提供现有项目可能被取代的证据、确立业务成果的明确所有权以及预测竞争优势至关重要。此外,展示当前技术的有效利用,并提供带有明确的调整点的可衡量的成功记分卡,可以建立信任并加强新技术的业务案例。
-
Agentic AI 将实现量子计算机校准和维护的自动化
Agentic AI 可通过自动化系统校准和维护,显著提高量子计算对企业的实用性和可访问性。这种自调优能力有望减少停机时间、降低运营成本,并将专业人力资源解放出来以应对更复杂的计算挑战。通过持续监控和调整量子硬件,这些系统可以实现更高的可靠性和利用率,使量子技术成为企业更可靠的资源。
-
为分布式工作负载重新构想网络设计:专家建议关键变革
随着工作负载越来越多地跨越云、边缘和本地环境,围绕集中式基础设施构建的传统网络设计正变得过时。专家建议重新思考关于可预测流量和受信任内部网络的假设。关键建议包括将安全锚定在身份而非位置上,将网络访问限制在必需的范围内,并扩展跨分布式系统的可见性,以确保应用程序的可用性并在云连接中断时支持本地处理。
-
太空技术为企业基础设施和环境风险提供实际解决方案
天基技术正日益为各种商业挑战提供实际解决方案,从基础设施监控到环境风险评估。卫星雷达可以检测地面移动,为基础设施风险提供早期预警,而先进的天气预报则利用卫星数据为农业和物流等行业的运营决策提供支持。此外,轨道传感器现在可以检测工业甲烷泄漏,并且对卫星图像进行在轨人工智能分析可以减少延迟和带宽需求,从而加快对事件的响应速度。
-
Forbes 委员会:摒弃 8 个过时的身份安全假设
Forbes 技术委员会已确定了八个关于身份与访问管理 (IAM) 的过时假设,企业应重新审视。其中最关键的是,一次性的用户注册验证已不足够,现在需要持续监控和基于风险的身份验证。委员会还强调,仅靠强大的身份验证并不能保证安全,尤其是在人工智能代理和非人类身份日益增多的情况下,这些身份需要仔细的治理和最小权限访问。此外,文章还挑战了“更多的登录障碍等于更好的安全性”的观念,提倡实现用户不会绕过的无缝、安全访问。
-
专家警告:科技领导者的人工智能重组失误损害士气
科技领导者在人工智能整合方面常常管理不当,只关注生产力提升,却忽视了对员工士气的影响。常见的错误包括要求员工自动化自己的工作、以数字而非使命为先导,以及忽视全员人工智能准备度。未能明确人类判断何处至关重要以及屈服于人工智能炒作也会损害信任。领导者必须清晰沟通未来的角色,提供培训,并建设性地解决员工的担忧,才能有效应对人工智能驱动的重组。
-
科技公司被敦促向买家简化复杂产品价值
科技公司面临着向非技术买家解释复杂产品的挑战,既不能过度简化也不能让他们不知所措。专家建议用买家能理解的语言关注可量化的价值,例如成本节约或增长影响,并强调切实的客户利益和成果。通过行业特定案例和真实用例展示投资回报率至关重要,技术细节应留待销售过程后期。目标是向买家展示他们错过了什么以及技术解锁的新可能性,同时隐藏底层复杂性。
-
专家建议:科技巨头可通过采纳创业公司习惯来保持敏捷
即使在规模化扩张的过程中,成熟的科技公司也可以通过采纳创业公司的习惯来保持敏捷和创新。这些习惯包括贴近客户以了解他们的直接体验,在明确的重点范围内保持敏捷,以及寻求早期客户反馈以完善产品和服务。此外,公司应培养挑战假设的文化,有选择地开展业务,并赋权给最接近问题的员工来做决策。
-
评估开源依赖:开发者的关键信任信号
选择开源依赖需要仔细评估,超越简单的流行度指标。开发者应评估传递性依赖足迹、发布稳定性以及可验证的软件来源等因素。OpenSSF Scorecard 等工具可以提供安全实践的自动化检查,而审查维护者审查流程和对漏洞报告的响应时间对于识别潜在责任至关重要。
-
扼杀科技团队创新的管理误区
科技领导者常常无意中通过实施管理实践来扼杀创新,这些实践使得冒险的创意显得成本过高或耗时过长。常见的错误包括将每次实验都视为交付承诺、禁止使用AI工具而非设定护栏,以及只奖励安全的绩效目标。为了促进创新,领导者应该将学习目标与交付日期分开,为AI工具建立自动化护栏,并通过不将每个冲刺(sprint)都填满来为实验创造空间。
-
专家称AI客户互动因数据孤岛而失败
企业正在增加在客户互动方面的AI支出,但由于数据架构碎片化,回报有限。相当一部分公司表示其数据尚未为AI做好准备,并将数据孤岛和集成困难视为主要障碍。提出的解决方案包括重新构建端到端的客户价值链以整合AI智能,确保AI模型基于完整的履约和账单结果进行训练,而不仅仅是初步互动指标。这种方法旨在改善决策,创造无缝的客户体验,并准确衡量AI的业务价值。
-
技术领导者对更广泛的商业决策至关重要,而非仅仅是IT
技术领导者,包括CIO和CISO,应参与更广泛的商业决策,而不仅仅是显而易见的IT事务。他们的意见对于预测AI故障相关的风险、管理数据安全以及评估潜在的收购至关重要。此外,技术领导者在定义AI代理的语音和能力、防止连接性的供应商锁定以及确保组织为AI驱动的变化做好准备方面也至关重要。
-
高绩效科技团队通过主人翁精神、协调和适应性脱颖而出
高绩效科技团队的区分之处不仅在于个人才华,更在于他们实现有意义的业务成果的集体能力。关键特质包括对客户结果的强烈主人翁意识、实现无缝协调和解决问题的有效组织智能,以及有意识地利用每位成员的独特优势。此外,这些团队通过超越过去的成功、将团队目标置于个人认可之上以及培养公开辩论和实验的文化来展示适应性。
-
科技领导者指出被忽视的基础设施差距阻碍业务增长
多位技术领导者强调了对持续业务增长至关重要的、被忽视的基础设施要素。关键领域包括强大的单一登录系统以减少用户时间,以及有效的上下文基础设施以确保AI模型做出准确的决策。此外,适当的队列管理、充足的内存带宽、高质量的实体数据、可靠的恢复机制以及自动化的身份管理对于防止瓶颈和实现可扩展性至关重要。
-
科技团队被敦促在构建解决方案之前深入理解问题
科技团队常常急于直接解决问题,而没有完全理解根本原因,这可能导致在无效的解决方案上浪费资源。为避免这种情况,设计思维等技术鼓励在承诺修复之前从多个角度深入审视挑战。诸如从客户需求倒推、分析行为数据、创建同理心地图和用户观察等方法,可以帮助团队准确识别并优先处理最关键的问题。
-
Vibe 编码加速开发,但存在遗漏关键步骤的风险
Vibe 编码是一种开发者用普通语言描述软件需求,然后由 AI 代理生成、运行和修改代码的方法,它正在迅速改变软件开发。虽然这种方法可以加速原型和内部工具的创建,但专家警告不要跳过关键的开发步骤,例如代码安全审查、开源软件包的审查以及架构规划。这些为了提高速度而采取的捷径,可能导致重大的技术债务、安全漏洞,以及无法满足用户需求或在生产环境中可靠运行的软件。
-
专家警告公司隐私承诺中的危险信号
专家指出,企业常常做出与其实际做法不符的隐私承诺。危险信号包括对数据管理的含糊解释、过度收集个人数据以及消费者对其信息控制权的限制。未能清晰概述数据治理、访问控制和删除流程的公司,可能不是负责任的用户数据管理者,尤其是在AI训练集的背景下。
-
在AI自动化之前准备客户支持工作流程
企业在实施AI自动化之前应优化其客户支持流程,以避免放大现有问题。关键步骤包括整合和清理客户数据、改进互动分类、简化工作流程、确保AI到人工的无缝交接以及更新知识库。全面的自助服务中心和完整的客户背景信息对于有效的AI集成也至关重要。