就在上周,科技网站The Information刚刚披露了亚马逊AWS(云计算服务)销售与市场总监Adam Selipsky离职的消息,而今天,他的新东家与新职位也被公开:将在可视化数据分析巨头Tableau(市值在59亿美元左右)担任新的CEO。消息公布后几个小时内,Tableau的股价就迅速上涨5个百分点。
作为亚马逊AWS的得力干将,Selipsky是这个价值78亿美元业务板块任职时间最长的管理团队成员之一。据其LinkedIn记录显示,早在2005年AWS还处于幼苗期时,Selipsky就加入亚马逊并成为唯二被率先任命的两位高管之一。
在一份个人声明中,Selipsky称自己非常兴奋能够加入Tableau。据一份提交给美国证监会的文件显示,除了50万美元的基础年薪外,Selipsky还将有资格获得与基本薪水数额大致相同的年度激励奖金。此外,他也将得到价值100万美元(现金)的签约奖金。
“Tableau将自己定位为分析领域的世界新标准,并具备了强大的客户基础、主导产品及顶尖的技术人才。我有幸成为其中的一员,将与团队共同加强Tableau在商业分析领域的‘破坏力’。”
从Tableau方面来看,这也是公司在创立14年以来第一次迎来了他的新Boss。公司已宣布Selipsky将在今年9月16日正式上任。而作为公司的前CEO,Tableau联合创始人Christian Chabot仍将继续留任公司董事长一职。
在昨天的一次采访中,Chabot将Selipsky称为“具有轰动效应的新领袖”,这明显点明了后者在亚马逊AWS任职期间积累的丰富“作战经验”。要知道,Selipsky刚加入时的AWS只是一个低阶项目,而如今它却是让亚马逊获得投资者支持的最大筹码,每年可以为亚马逊带来将近100亿美元的销售额。
Chabot在谈到AWS时,将其称为“世界上最成功的科技平台之一”,并表示:
“很显然,AWS是一项惊人的创举。我相信Adam将会帮助Tableau走出一段相似的发展旅程。”
股票几乎被腰斩,连续季度性亏损,这名AWS老将难道是Tableau的一根救命稻草?
当被问及为何选择在此时进行领导层重组时,Chabot表示这家汇集了3200名员工的企业已经为进入下个阶段做好了充分准备——成为地球上举足轻重的科技公司之一。他强调:
“在2013年IPO之前,我们从未扩大过自己的领导团队。但在上市以后,公司成长速度更为迅猛,各种机遇与挑战也层出不穷。这些变化让管理层的拓展变得水到渠成,也让我们为进入下个发展阶段做好充分准备。”
从根本上来看,在过去一年中Tableau令华尔街焦虑的动荡表现催生了这次“高层大洗牌”:2015年第4季度,尽管公司营收总额创下了2.03亿美元的新高,但净亏损却达到4100万美元。因此,其股票价值几乎被“腰斩”,甚至到现在都没有完全恢复。而在今年第一季度,公司股票又一次遭遇寒霜。目前,其交易价格维持在54.8美元上下。
股票市场的动荡反映了Tableau的业务状况——由于数据分析行业的竞争愈发激烈(与微软、AWS及其他大公司进行正面交锋),公司不得不想尽办法来提高自己的收入水平。例如在今年早些时候,公司削减了近50%的招聘计划。
当然,雇佣Selipsky的另一个重要目的是为了推广Tableau最新的云端产品——Tableau Online。Chabot这样解释:
“未来5年内,我们在云计算领域的扩张将尤为密切。实际上,我们邀请Adam加入团队的重要原因之一就是看重了他在云服务方面的特殊专长。如果他以后决定将发展战略的重点放在云服务领域,我也完全不会惊讶。”
文章来源:36氪
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。