加入企业领导人信任的活动近二十年。VB变换汇集了建立真正的企业AI战略的人们。 了解更多
沃尔玛（Walmart）不购买企业AI解决方案 - 他们在其内部AI铸造厂中创建它们。零售商元素平台能够以使传统软件开发过时的速度创建AI应用程序。沃尔玛（Walmart）现在使用150万员工使用AI工具，因此通过创造完全不同的东西解决了Build-versus-Buy的困境。
沃尔玛设计的元素首先要牢记比例，并显示。该平台为每周90万用户的每日疑问处理300万个疑问。它已经支持跨44种语言的实时翻译，将Shift计划时间从90分钟减少到30分钟。但是这些应用是一个更大，更有强大的转变的领先指标：沃尔玛有工业化的AI开发。
``我们以使其对不同的大型语言模型（LLM）不可知的方式建立了元素。对于我们所追求的用例或查询类型，元素允许我们以最具成本效益的方式选择最佳的LLM。
在定义其平台时，沃尔玛无人看不见，可以迅速整合最新的LLM保持其竞争优势。寻找平台独立性的设计决定固有的也是对开源的坚定承诺，该承诺被融入了元素的集成选项和结构中。
第一波揭示了铸造模型的原理
元素的初始生产运行验证了铸造模型。正如Musani所解释的那样：'与元素的愿景一直是，我们如何拥有一种工具，使数据科学家和工程师可以快速跟踪AI模型的开发？
在同一平台上制造了五个应用程序：
- AI任务管理：将计划从90分钟减少到30分钟，每天节省60分钟的时间。Musani指出，任务管理工具正在查看所有这些供应链数据 - 我们建造的一切通常都围绕着客户。
- 实时翻译：44种语言，每个语言对动态模型选择。
- 会话AI：30,000个每日查询，零人为升级，以进行常规任务。Musani指出：这么丰富的数据发生了大量的事情。
- AR驱动的Vizpick：射频识别（RFID）加上计算机视觉，导致85％至99％的库存精度。
- Mysassistant：公司文档和数据分析在相同的基础架构上。
共享的基础架构消除了冗余开发，统一数据管道将供应链连接到商店地板。正如Musani所解释的那样，元素是LLM不可知论。因此，对于我们所追求的用例或查询类型，元素允许我们以最具成本效益的方式选择最佳的LLM。
标准化部署模式加速生产时间，并且内置反馈循环确保不断改进。沃尔玛（Walmart）的合伙工具副总裁布鲁克斯·福雷斯特（Brooks Forrest）强调：“我们的同事们一直在向我们提供反馈，使我们能够迭代并敏捷地为他们提供能力。
铸造厂没有构建应用程序；它通过相同的生产线，质量控制和操作模式制造它们。每个应用程序都可以增强平台的下一个构建功能。
传统企业AI将每个应用程序视为一个独特的项目。元素将它们视为产品滚下组装线的产品。差异决定了AI部署是需要季度还是数周。当被问及速度时，Musani确认：我们想要敏捷性，这就是元素将继续迭代并创建新功能。
该模式已被证明。数据科学家提交规范，元素处理模型选择，基础架构，缩放和部署。新应用程序从以前的构建中继承了经过战斗测试的组件，开发摩擦接近零。工厂随着每次生产的运行而加速。
沃尔玛的铸造模型如何改变发展经济学
传统企业AI部署遵循可预测的模式。公司确定用例，评估供应商，协商合同并实施解决方案。每个新应用程序都重复此周期。
沃尔玛的元素平台旨在处理多个应用程序和产品开发请求以及最少的浪费，就像一家达到精益制造业水平的工厂一样。数据科学家和工程师提交要求。铸造厂处理模型选择，基础架构提供，缩放和部署。
结果是，应用程序迅速通过开发，并在没有元素作为基础的情况下为构建所花费的一小部分时间提供价值。每天节省经理一个小时的班次计划工具？建立在元素上。会话AI处理助理问题？元素。AR驱动的库存系统？元素再次。
Foundry模型解释了为什么沃尔玛可以大规模部署而其他驾驶员。当基础架构，数据管道和模型管理作为制造能力而不是项目要求存在时，唯一的限制因素就会成为思想产生和验证。
供应链数据成为开发燃料
Musani透露，元素不仅连接到供应链系统。它将运营数据转换为开发资源。当拖车到达分销中心时，该数据会流过元素。客户购物模式为相同的管道提供。协会反馈创建培训数据集。
Musani说，最初的Foundry Run的最令人惊讶的好处之一是沃尔玛拥有丰富的供应链数据的力量。元素旨在利用多种数据源来促进快速应用程序的开发。AI任务管理系统知道卡车何时到达，因为元素提供了对物流数据的统一访问。由于元素标准化零售分析，因此根据客户行为将任务优先考虑。它适应了当地条件，因为元素可以启用分布式模型部署。
该建筑将沃尔玛的运营复杂性视为一种优势，而不是挑战。美国4000家商店中的每一个都会产生独特的数据模式。Element的Foundry模型允许团队构建利用这些差异的应用程序，而不是平均它们。
沃尔玛有模型套利策略
Element的LLM-Agnostic体系结构在部署企业AI时具有前所未有的灵活性水平。沃尔玛（Walmart）在AI提供商中运行连续的成本效果套利，从简单查询路由到基本模型进行了比较。Abritrage检查了复杂的问题如何驱动高级服务。该路由会根据实时评估自动发生。
Musani说：“元素使我们能够以最具成本效益的方式选择最好的LLM，也可以为我们提供最好的答案。”该能力将AI从固定成本转变为动态优化问题。
这些含义超出了成本节省的范围。当新模型出现时，沃尔玛可以在没有建筑变化的情况下立即测试它们。随着现有模型的改善，收益将自动扩展到所有元素构建的应用程序。当价格改变时，平台会调整路由策略。
这种灵活性证明对支持44种语言的翻译工具至关重要。不同的语言对需要不同的模型功能。Element为每个翻译请求选择最佳模型，将精度要求与计算成本平衡。
沃尔玛如何整合实时反馈
沃尔玛的反馈循环方法是他们高级铸造厂的关键。员工不使用元素构建的应用程序；他们通过结构化的相互作用模式不断改善它们。
为了实现这一目标，对话式AI系统每天处理30,000个查询。每个交互都会生成有关模型性能，查询模式和用户满意度的信号。元素捕获这些信号，并将它们送回开发过程。新应用程序在启动之前从现有部署中学习。
创建可以扩展的反馈循环的技术实施需要复杂的数据管道，模型版本控制系统和传统企业为单个应用程序构建的部署编排。
为什么内部铸造厂击败外部平台
元素铸造模型挑战了围绕企业AI部署的传统观念。沃尔玛不使用供应商专业知识，而是建立了供应商可以匹配的功能。原因是结构性的，而不是技术性的。
外部平台优化概括。他们建立了跨行业，公司和用例的功能。这个广度需要妥协。沃尔玛的元素为一个具有特殊独特需求的客户优化。全世界有210万合伙人共享没有外部平台无法完全解决的共同工作流，术语和目标。
铸造模型还改变了创新周期。当沃尔玛（Walmart）确定新用例时，开发立即开始：没有供应商评估，合同谈判或整合计划。这个想法使用现有的铸造能力直接从概念转移到生产。
评估竞争的影响
沃尔玛的元素铸造创造了随着时间的流逝而复杂的竞争优势。每个新应用程序都可以加强平台，每个用户交互都改善了模型选择，并且每个部署都会教授Foundry关于生产要求的信息。
沃尔玛的每个竞争对手都面临着一个不舒服的选择，可以为其销售员工，渠道和合作伙伴提供支持AI支持的应用程序和工具。建立类似的功能需要大量的投资和技术专业知识。购买解决方案意味着接受供应商的限制和较慢的创新周期。等待意味着随着沃尔玛的铸造加速越来越落后。
零售环境和行业的迅速步伐，包括需要保持财务竞争力的速度，这扩大了这些优势。随着利润率较小和激烈的竞争，运营改进会直接影响盈利能力。每天每天节省60分钟的轮班计划工具可节省数百万美元的劳动成本。将其乘以数十个元素构建的应用程序，并且财务影响变得战略性。
从沃尔玛的企业AI铸造蓝图中学到的经验教训
沃尔玛的元素为企业AI转换提供了蓝图，从根本上重新定义了部署策略。几十年来涵盖了从ERP到云迁移的企业技术变革，我很少见到这种变革性的方法。
四个原则定义了元素体系结构：
首先，将AI模型视为可互换的组件。元素是LLM不可知论，可以防止困扰着企业软件的供应商锁定，同时可以连续优化。
其次，在构建应用程序之前统一数据访问。Musani的见解：通过LLMS拥有世界知识，并且有公司沃尔玛的知识。元素将它们汇集在一起，创建工具，从等式的两侧访问数据。与供应链，客户和操作系统的集成为AI开发奠定了基础。
第三，工业化开发过程。Element的Foundry模型将AI应用程序创建变成了可重复的，可扩展的制造过程。Musani指出，我们需要一种工具，使数据科学家和工程师能够快速进行AI模型开发。”
第四，设计从成立开始。内置反馈循环确保应用程序通过使用改善，从而创造了Musani所谓的变革而不是增量影响。
沃尔玛刚刚创建了企业的新命令
沃尔玛刚刚解决了企业最复杂的问题：规模。它们没有购买或构建单个AI工具，而是创建了元素。认为丰田的生产系统，但对于AI。
真正的见解不是技术的转变。沃尔玛（Walmart）将AI开发（如制造业）视为：标准化过程，模块化组件和连续细化。每个关联互动使系统更聪明。每个部署都会教下一个。
对于观看AI飞行员而努力扩展的企业领导者来说，Element提供了重要的教训。成功不是选择合适的模型或供应商，而是建立组织能力，以将AI潜力变成一致的运营现实。
沃尔玛（Walmart）已经证明了企业停止将AI视为安装软件的可能性，并开始将其视为创建功能。理解这种区别的企业将定义未来十年。
