AI TrendTrackers

生成式AI在机器人领域已经展现了巨大的潜力，应用包括自然语言互动、机器人学习、无代码编程甚至设计。谷歌的DeepMind Robotics团队本周展示了另一个潜在的结合点：导航。 在一篇题为《Mobility VLA: Multimodal Instruction Navigation with Long-Context VLMs and Topological Graphs》的论文中，团队展示了如何通过Google Gemini 1.5 Pro教机器人响应命令并在办公室中导航。DeepMind使用了一些自从去年谷歌在大规模裁员中关闭Every Day Robots项目后留下的机器人。 在项目附带的一系列视频中，DeepMind员工以智能助手风格的“OK, Robot”开场，随后要求系统在9,000平方英尺的办公室空间内执行不同的任务。 在一个示例中，一位谷歌员工要求机器人带他去一个可以画画的地方。机器人回答说：“好的，给我一分钟。正在用Gemini思考……”然后机器人带着穿着黄色领结的员工走向一面墙大小的白板。在另一段视频中，另一位员工让机器人按照白板上的指示行事。 一个简单的地图显示了机器人如何到达“蓝色区域”。机器人思考片刻后，带着员工绕了一条长路，最终到达了一个机器人测试区。机器人自信地宣布：“我已成功按照白板上的指示行事。” 在这些视频之前，机器人通过团队称为“Multimodal Instruction Navigation with demonstration Tours (MINT)”的方法熟悉了环境。这个方法实际上是带着机器人在办公室里走动，用语音指出不同的地标。接下来，团队利用层次化的视觉-语言-动作（VLA）方法，结合了环境理解和常识推理能力。一旦这些过程结合，机器人可以响应书面和绘制的命令，以及手势。 谷歌表示，在与员工进行的超过50次互动中，机器人有90%左右的成功率

OpenAI发布五级进化系统，跟踪AI超越人类的进展 OpenAI推出了一种五级评分系统，用于跟踪AI在超越人类智力方面的进展。 这意味着什么？ OpenAI的新AI评分系统从“能聊天”到“能管理整个公司”： OpenAI认为他们几乎要升级到第二级了。他们已经在内部展示了一些可能符合条件的GPT-4新功能。 这个评分系统并非一成不变——他们会根据员工、投资者和董事会的反馈进行调整。 为什么这很重要？ 如果你在家中关注“机器人是否接管世界”这个话题，这为你提供了OpenAI的路线图。它让你窥见了这家最大的AI公司如何看待通用人工智能（AGI）的发展路径。 Anthropic也有自己的框架，称为AI安全等级（ASL），分为三个级别，但它更侧重于安全性（而不是一般能力）。

AI正在改变药物发现和开发的革命 “我们希望将药物发现产业化，”Recursion公司AI和数字科学高级副总裁Imran Haque表示。Recursion成立于2013年，总部位于犹他州盐湖城。公司的愿景是通过AI支持的大规模数据来推动更多药物发现项目。 “我们知道许多[药物候选者]可能不起作用，但[AI将使我们]尽早识别这些失败，”他解释道。 AI的影响 Haque并不是唯一一个认识到AI变革性的人物。Lantern Pharma的首席执行官Panna Sharma也认为，“这将对整个发现和开发链产生巨大影响”。Lantern Pharma是一家位于德克萨斯州的临床阶段肿瘤生物技术公司，使用AI和基因组学创新精准癌症治疗方法。 目前还没有基于AI工具的获批药物，但随着许多AI药物发现公司的管线进入临床试验，突破即将到来。 连接新发现 制药行业已经成功使用计算机和数学模型来识别和设计新药物几十年，但生成式AI——基于深度神经网络和大型语言模型，能够理解和生成文本——带来了巨大变化。 Benevolent AI的首席科学官Anne Phelan解释道：“基于提供的信息，[AI模型]几乎能够思考并提出以前未知的东西。”Benevolent AI成立于2013年，总部位于伦敦，是AI增强药物发现的先驱之一。 许多公司使用AI提供新目标的路径，允许他们做出新的推论和连接。Benevolent AI最近宣布其BEN-8744在Ia期试验中取得了积极的安全数据，这是一种口服磷酸二酯酶10（PDE10）抑制剂，正在开发用于治疗中重度溃疡性结肠炎。 Benevolent的平台将临床和化学数据库中的结构化数据与科学文献中的非结构化数据连接起来。Phelan表示，这给了他们“一团巨大的互联事实”，对于人类来说“太快无法导航”。 “非结构化数据通常是书面文本，我们开发了许多自然语言处理能力，训练了许多非常科学的词典，可以读取书面文本并进行解释，”她解释道。 Benevolent使用这一过程识别PDE10作为溃疡性结肠炎的新目标。“在现有的生物医学文献中没有明确指出PDE10对溃疡性结肠炎有用，”Phelan说。但Benevolent的平台能够将目标在调节炎症和肠道离子通道中的作用信息联系起来，做出新的推论。 “即使所有这些外围信息存在，没有人真正将其汇集在一起……我们能够跨越整个生物医学数据。” 精准肿瘤学 AI在研究和开发中的早期应用之一是重新利用现有药物，被认为是“低垂的果实”。例如，Recursion的当前管线包括三种用于罕见疾病的重新利用药物——两种肿瘤药物和一种超氧化物清除剂——在II期临床试验中。然而，公司现在已经转向肿瘤药物。2023年，Recursion与AI支持的精准医学专家Tempus签署了合作协议，使Recursion能够访问Tempus的去身份化患者中心肿瘤数据集，包括DNA、RNA和健康记录，并结合其自己从基因敲除调查中生成的体外数据。这样，Recursion能够训练其AI模型发现新的肿瘤生物标志物和目标。 Lantern Pharma也选择专注于精准肿瘤学。这个疾病领域具有吸引力，因为已经生成了大量数据，可以用来训练AI模型以指导决策，这比其他疾病领域的数据更多，Sharma说。 Lantern的AI平台——‘药物重新定位和救援反应算法’（RADR）——目前拥有超过600亿个专注于肿瘤学的数据点，预计到2024年将进一步增长到1000亿。这些数据来自内部和已发表的研究、临床试验和公共存储库，并由Lantern的200多个高级机器学习算法库分析，以预测患者对药物候选者的反应。 新分子开发 Benevolent还利用其AI能力加速新分子开发，使用算法来模拟和预测蛋白质中的结合口袋。这种方法用于开发其PDE10抑制剂BEN-8744，因为现有的用于验证目标的抑制剂会渗透到大脑中，可能产生不良副作用。Benevolent能够迅速设计出一种具有选择性但周围受限的强效替代分子。“我们从将这个项目引入我们的投资组合到交付临床质量候选者仅用了两年时间，”Phelan说。“下一步将是将其推向患者。” Recursion采用不同的方法来发现药物，基于其AI驱动的成像技术创建所谓的“生物学地图”。其1536孔高通量系统可以从人类细胞测定中收集显微图像，探测在不同基因被敲除或添加不同化合物时的变化。“然后我们字面上拍照，看看它们在疾病状态与健康状态下是否看起来不同，以及我们的化合物是否让它们看起来更健康，”Haque解释道。 该公司然后将图像输入其内部训练的AI模型，以提取指示样本间生物差异的特征。目前，该系统可以在每个图像中识别出1000种不同的特征。“这被证明是一种非常强大的能力，”Haque说，这是其同时推出数百种药物管线的基础。 未来展望 虽然AI在药物发现中的应用还在发展，但其潜力巨大。通过减少早期发现的时间和成本，提高临床试验阶段的成功率，AI有望彻底改变药物发现和开发流程，为患者带来更好的结果，并在开发未来药物中发挥关键作用。 总结 尽管面临许多挑战，AI在药物发现和开发中的应用正在逐步显现其巨大潜力。通过加速新药开发过程，减少成本，并提高成功率，AI正成为制药行业不可或缺的工具，推动药物发现进入新时代。

生成式AI推动药物发现革命：加速开发过程，降低成本 基于大型语言模型（LLMs）的生成式AI技术，正彻底改变多个行业，包括药物发现领域。通过利用AI解码和操作生物和化学语言，制药公司如今可以更快、更经济地开发新药。本文将探讨生成式AI如何转变药物发现，加速开发过程并降低成本。 生成式AI在药物发现中的作用 生成式AI传统上与理解和生成人类语言相关，但其潜力远不止于此，还包括生物和化学的复杂语言。例如，人类DNA可以被视为一个由30亿个字母组成的独特语言。蛋白质是生命的构建模块，其字母表由20种氨基酸组成。化学物质使用简化分子输入行表示法（SMILES）定义其结构。 生成式AI能够解释这些语言，帮助发现和开发新药疗法。通过将LLM类型的方法应用于这些生物和化学语言，AI模型可以揭示以前无法观察到的见解，加快药物发现过程并显著降低成本。考虑到新药疗法的高失败率——只有10%在临床试验中成功——任何提高效率、减少时间和成本的技术都具有高度价值。 在每个阶段增加价值 生成式AI可以应用于药物发现的各个阶段： 生成式AI使制药公司能够以前所未有的规模、速度和准确性探索潜在的新药物，加快进入临床试验的进程。 AI在药物开发中的案例研究 多家公司在利用生成式AI进行药物发现方面处于领先地位。一个值得注意的例子是Insilico Medicine，该公司使用AI开发了一种用于特发性肺纤维化的药物，这是一种导致肺功能逐渐衰退的罕见疾病。传统上，这个过程需要六年时间和超过4亿美元的成本。通过生成式AI，Insilico将成本降低到十分之一，时间缩短到两年半。 Insilico的AI在药物发现的每一步都发挥了作用：识别靶标分子、生成新的药物候选物，并预测临床试验结果。他们的成功还包括开发一种对所有变种有效的AI生成的COVID-19药物，并启动了超过30个其他项目，针对包括癌症在内的各种疾病。 药物开发的未来 生成式AI对药物发现的影响是革命性的。它承诺以更低的成本更快地治愈多种疾病。凭借AI解码复杂生物和化学语言的能力，可以预见一个新药开发更快、更高效且成功率更高的未来。生成式AI不仅是技术进步，更是医疗保健的颠覆性变革，承诺为全球患者带来更好的结果，并在开发未来药物中发挥关键作用。

新HIV预防药物临床试验取得重大突破：每半年注射一次可实现100%保护 在南非和乌干达进行的大规模临床试验显示，一种新的预防性药物（PrEP）每半年注射一次，可以让年轻女性完全免受HIV感染。 试验背景和目标 这项名为Purpose 1的试验涉及5,000名参与者，在乌干达的3个地点和南非的25个地点进行，旨在测试lenacapavir（Len LA）与另外两种每日口服的药物相比，在预防HIV感染方面的效果。 Lenacapavir是一种融合壳体抑制剂，通过干扰HIV的壳体（保护HIV遗传物质和复制所需酶的蛋白质外壳）来发挥作用。它每六个月皮下注射一次。试验由药物开发商Gilead Sciences赞助，采用随机对照试验方法，测试了以下几个方面： 试验分为三组，以2:2:1的比例将年轻女性随机分配到Len LA、F/TAF口服和F/TDF口服组，采用双盲方式进行，即参与者和研究人员在试验结束前都不知道参与者接受了哪种治疗。 试验结果 在试验的随机阶段，接受Lenacapavir注射的2,134名女性中没有一人感染HIV，显示出100%的有效性。相比之下，服用Truvada（F/TDF）的1,068名女性中有16人（约1.5%）感染HIV，而服用Descovy（F/TAF）的2,136名女性中有39人（约1.8%）感染HIV。 试验的意义 这一突破为HIV预防提供了一种高度有效的新工具。去年全球有130万新发HIV感染病例，尽管比2010年的200万有所减少，但按照目前的速度，很难实现联合国艾滋病规划署（UNAIDS）设定的2025年全球新发感染少于50万的目标，更不用说2030年结束艾滋病的目标。 PrEP并不是唯一的预防工具，应与HIV自我检测、避孕套使用、性传播感染的筛查和治疗以及育龄女性的避孕措施等结合使用。此外，还应为年轻男性提供健康原因的医学包皮环切术。 下一步计划 Purpose 1试验将继续进行，但将进入“开放标签”阶段，参与者将被告知他们属于哪一组，并可以选择他们更喜欢的PrEP方法。 药物推广时间表 Gilead Sciences表示将在未来几个月内向多个国家的监管机构提交所有结果，特别是乌干达和南非的监管机构。世界卫生组织（WHO）也将审查数据，并可能发布建议。 希望这种新药物能被纳入WHO和各国的指南，并在更多的研究中进行测试，以了解如何在现实环境中整合使用。价格是确保在公共部门获得和分发的关键因素。Gilead Sciences表示将向生产仿制药的公司提供许可证，这是降低价格的关键途径。 在理想的情况下，政府将能够以可负担的价格购买这种药物，并向所有需要HIV保护的人提供。

AWS推出App Studio：生成式AI助力企业级应用开发 在AWS Summit纽约站，亚马逊旗下的Amazon Web Services, Inc.（NASDAQ: AMZN）宣布推出AWS App Studio。这是一项由生成式人工智能（AI）驱动的服务，使用自然语言即可创建企业级应用程序。用户只需描述所需应用、功能以及要集成的数据源，App Studio便能在几分钟内构建出一个专业开发者可能需要数天才能从零开始完成的应用。 功能与特点 AWS App Studio通过其点击式界面简化了应用的修改过程，用户还可以通过生成式AI助手获得即时任务指导。App Studio为没有软件开发技能的技术专业人员（如IT项目经理、数据工程师和企业架构师）打开了应用开发的大门，使他们能够快速构建由AWS安全管理的内部应用，免除了操作方面的复杂性。 背景与需求 每个公司都有内部流程和活动，这些需要员工每日管理以保持运营。例如，医院采购团队需要跟踪医疗用品的库存，广告公司的客户主管在设计、审查和批准广告时需要遵循特定工作流程，物业管理人员需要监控房屋库存和租赁维修需求。这些流程通常通过电子表格和文档管理，费时费力，容易出错且难以扩展。 尽管定制应用可以大大提高效率，但开发资源稀缺，导致许多内部应用无法实现。当前的低代码工具往往学习曲线陡峭，需要特定平台知识，且开发出的应用常无法满足公司的安全要求，导致IT部门关闭这些应用。使用量增加时，这些应用也难以扩展，用户不得不将托管和运行应用的任务交给公司的开发团队。 AWS App Studio的优势 AWS App Studio是构建企业级应用的最快捷方法，适用于有一定技术经验的人群。其生成式AI助手消除了典型低代码工具的学习曲线，加快了应用创建过程，并简化了用户界面设计、工作流构建和应用测试等常见任务。用户只需通过下拉菜单识别公司需要连接的数据源，并编写简单的提示，如“创建一个用于跨店铺跟踪库存的应用”，App Studio便会生成一个多页面用户界面、数据模型和业务逻辑的应用大纲。 具体案例与用户评价 Campus Life & Style的国家收入经理Scott Puntenney表示，通过App Studio，两人团队能为150人团队构建一个完整的应用，简化数据输入、管理和报告流程，提高市场调研效率，并减少手动数据输入相关的人为错误。Deloitte的US AWS联盟领导者JB McGinnis指出，App Studio帮助技术员工在几分钟内构建安全、可扩展的应用，简化任务并提高运营效率。HealthVerity的工程副总裁Jeremy Stewart提到，App Studio让公司首次能够利用低代码工具，节省开发资源，并专注于面向客户的项目。 总结 AWS App Studio为新一代应用开发者提供了强大的工具，使他们能够用自然语言快速创建和部署企业级应用。通过生成式AI和全面管理的安全性，App Studio消除了传统低代码工具的局限，促进了业务创新和生产力提升。AWS App Studio现已在美国西部（俄勒冈州）地区预览发布，欢迎用户前往aws.amazon.com/app-studio了解更多信息。

今天在Galaxy Unpacked发布会上，宣布了即将为三星最新设备推出的四项Google更新，包括Galaxy Z Flip6、Z Fold6和最新的Galaxy手表。以下是一些亮点： 在新的Galaxy Z系列中，Gemini将基于屏幕内容提供相关建议。只需滑动屏幕角落或说“Hey Google”即可调出Gemini。如果用户正在观看YouTube视频，屏幕上会出现“询问关于此视频”的建议。特别是在大屏幕的Galaxy Z Fold6上，用户可以在观看视频时调出Gemini进行分屏操作，实现多任务处理。 目前，Android版Gemini应用支持29种语言，覆盖超过200个国家。这些在Galaxy系列上的更新将在未来几个月内推出。 Circle to Search功能也支持平板电脑和折叠设备，如三星Galaxy Z Fold6和Flip6，并将在今年晚些时候推广到更多三星设备上。 Google与三星持续合作，将最新的更新带到Galaxy产品上，从智能手机到可穿戴设备，甚至是未来的XR平台等新技术。请查看今天在Galaxy Unpacked上宣布的所有内容。

语音识别中的可理解性评估：超越词错误率的意义保留 在自动语音识别（ASR）模型的评估中，词错误率（WER）及其逆值词准确率（WACC）是衡量句法准确性的常用指标。然而，这些指标未能反映ASR性能的一个关键方面：可理解性。这种局限性在针对具有非典型言语模式的用户时尤为明显，他们的WER往往超过20%，在某些情况下甚至超过60%。尽管如此，如果ASR模型能较好地保留其言语的意义，这些用户仍能从中受益。这在实时对话、语音输入文本信息、家庭自动化等对语法错误容忍度较高的应用中尤为重要。实际上，这些用户和应用场景最能从保留意义的ASR模型中获益，因为它们能显著改善交流。 WER的局限性与意义保留的重要性 尽管WER和WACC可以衡量语音识别的句法准确性，但它们并不总能准确反映转录错误的严重性。以下是一些示例，展示了WACC如何未能准确反映转录错误的严重性。在两个例子中，尽管WACC相似，第一个例子的错误相对无害，而第二个例子的错误则更为严重。 创建意义保留评估系统 为了解决这一问题，开发了一种新系统，以自动评估ASR模型有效传达用户意图的能力。在论文《利用大型语言模型评估语音转录的可理解性》（ICASSP 2024）中，介绍了一种新方法，使用大型语言模型（LLM）来确定转录是否准确捕捉了与参考文本相比的预期意义。基于这一方法，还报告了使用Gemini模型如何在不显著损失性能的情况下使用更小的模型，并在无需额外训练的情况下实现多语言意义评估。 意义保留作为替代指标 研究利用了Project Euphonia语料库，这是一个包含约2000名具有各种言语障碍的个体超过120万条语句的语料库。为了扩展对西班牙语使用者的数据收集，Project Euphonia与ALS/MND国际联盟合作，收集了来自墨西哥、哥伦比亚和秘鲁ALS患者的语音样本。同样，通过与巴黎脑科学研究所的Romain Gombert合作，Project Euphonia扩展到法国，收集了法国非典型言语者的数据。 在实验中，生成了4731个包含真实值和转录错误对的示例数据集，并附有人类标注，指示这些对是否保留了意义。将数据集分为训练集、测试集和验证集（分别为80% / 10% / 10%），确保三个数据集在真实语句级别上没有重叠。 训练与评估 在基础LLM上训练了意义保留分类器。通过提示微调（一种参数高效的LLM适应方法），将基础LLM调整为能够预测“是”或“否”的标签，以指示是否保留了意义。 在推理过程中，没有生成响应，而是获取LLM的logits作为两个类别标签（“是”和“否”）的分数。可以选择得分较高的标签，或在评估意义保留分类器时，使用“是”类别的得分。 使用Gemini进行意义保留评估 尽管在PaLM模型上取得的结果令人鼓舞，但最近AI模型的巨大进步激励评估其在此任务中的适用性。重新训练了意义保留分类器，现在使用Google的Gemini作为基础LLM。对于许多相关的用例，这一评估任务最好使用小模型（例如用于设备上的应用）。因此，选择了Google的Gemini小版本（Gemini Nano-1，具有1.8B参数，详见Gemini 1.0技术报告）进行更高效的推理，其参数量不到最初使用的PaLM 62B模型的3%。在意义保留测试集上评估时，微调后的Gemini Nano-1表现非常竞争，AUC ROC得分为0.88，尽管其规模较小。 多语言意义保留评估 还创建了法语和西班牙语的意义保留测试集，作为Project Euphonia扩展数据收集工作的一部分。这些测试集基于收集的语句、说话者言语障碍的严重程度和病因学的元数据，以及从Google的高度多语言通用语音模型（USM）获得的真实转录和ASR转录。 西班牙语测试集由来自六名说话者的518个示例组成，而法语测试集由来自十名说话者的199个示例组成。对于两种语言，不同说话者具有不同的病因学和言语障碍程度，包括轻度、中度和重度。 基于Gemini Nano-1模型的意义保留分类器在法语和西班牙语测试集上获得了约0.89的ROC AUC性能。鉴于该分类器仅用英文示例进行训练，这一结果相当显著。由于基础Gemini模型的多语言能力，这些能力在无需重新训练模型或创建新语言的训练数据集的情况下得以显现。 结论 提出使用意义保留作为比WER更有效的ASR系统评估指标，特别是在高错误率的情况下，如非典型言语和其他低资源领域或语言。通过关注意义保留，可以更好地评估模型对个体用户的有用性，尤其是在Project Relate等助听技术中，这些技术旨在通过训练完全个性化的语音识别模型使非典型言语者得到更好的理解。 为了进一步推进意义保留工作，并将其惠及更多用户和语言，还探索了Google Gemini模型的能力。Gemini Nano-1使能够在使用显著较小模型的情况下实现类似的分类器性能。尽管仅在英文示例上训练，分类器显示出在其他语言中准确评估意义保留的能力，如法语和西班牙语的测试所示。这一激动人心的发展为构建更高效、更通用的模型开辟了新的可能性，使更多用户受益。

微软宣布立即放弃其在OpenAI董事会的非投票观察席，这一举措引发了广泛关注。 微软决定放弃其在OpenAI董事会的观察席位，称其对OpenAI的未来方向已足够自信。 微软表示，在过去的八个月里，OpenAI取得了“显著进展”，因此他们认为不再需要内部视角。这一决定是在微软去年11月关键推动萨姆·阿尔特曼（Sam Altman）回归CEO并重新构建OpenAI治理结构之后做出的。当时，微软和萨提亚·纳德拉（Satya Nadella）希望在OpenAI的运营中获得一定发言权，他们通过观察席位实现了这一目标。 自那时以来，OpenAI一直在重建其董事会，增加了如拉里·萨默斯（Larry Summers）和前NSA官员保罗·中村（Paul Nakasone）等重量级人物。曾有传言称苹果高管菲尔·席勒（Phil Schiller）将获得观察席位，但现在OpenAI决定取消整个观察席系统。 取而代之的是，OpenAI正在制定一种“新方法”，以便在不提供董事会席位的情况下，让战略合作伙伴和投资者保持知情。这些合作伙伴包括微软和苹果，以及Khosla Ventures和Thrive Capital等重要投资者，他们将定期与OpenAI的首席财务官萨拉·弗里尔（Sarah Friar）会面，了解公司的最新动态。 媒体关注的焦点在于反垄断角度。他们认为，这种调整可能会为两家公司带来更顺畅的发展。微软可以避免潜在的反垄断问题，而OpenAI则可以在没有大科技公司监督的情况下独立运营。 但这背后是否还有其他故事？传闻称，OpenAI与苹果的整合效果不佳，而且OpenAI并未从中获得报酬。给予苹果一个董事会席位可能会引发更多问题。也许，萨姆和董事会主席布雷特（Bret Taylor）取消观察席系统正是为了摆脱这种困境？这并非毫无可能。 微软退出OpenAI董事会观察席的决定标志着两家公司关系的一次重大调整。虽然微软表示对OpenAI的未来充满信心，但这一变化也可能是为了避免潜在的反垄断问题和其他战略考量。随着OpenAI继续推进其创新和发展，外界将密切关注其新治理结构和合作伙伴关系的发展。

对新上任的数据科学经理来说，管理团队是一项艰巨的任务。领导职责通常伴随着陡峭的学习曲线。然而，通过专注于建立一个支持性、充满雄心并且凝聚力强的团队环境，可以将团队表现提升到新的高度。本文将分享六个在领导一个八人数据科学团队过程中学到的重要经验，帮助任何团队转变为高效团队。 成长心态 每个加入团队的人都有自己的职业目标和愿望。他们加入团队是为了学习新技能、接触新工具和技术，并了解业务的新领域。最终，可能会有新的机会出现，你希望团队为这些机会做好准备。表明你致力于员工的职业成长和发展，可以激励员工，并随着时间的推移帮助团队成熟。为支持这一承诺，可以考虑以下策略： 例如，一个名叫阿瑟的初级数据科学家希望成为其金融科技初创公司的首席数据科学家。阿瑟统计背景强，但需要提高机器学习技能。他的经理阿曼达为阿瑟制定了职业发展计划，包括完成一个使用TensorFlow的小项目，并参加每月一次的AI研讨会。 在每两周一次的一对一会议中，阿曼达和阿瑟会审查这个发展计划，讨论具体的成功和挑战。这些会议为阿瑟提供了职业发展的透明度，同时也为他提供了表达对计划的任何担忧的安全空间，并获得建设性的反馈。阿曼达还将阿瑟与一位以高级机器学习技能著称的资深数据科学家配对。每隔几周，阿瑟都会与这位资深数据科学家会面，讨论技术挑战和应对策略。 到年底，阿瑟成功领导了一个提高客户保留率的机器学习项目，赢得了高级管理层的关注，并晋升为团队负责人。如果没有对技能差距的有意关注，阿瑟不太可能如此迅速地成长。这一成功突显了包括个性化规划、一致的导师关系和支持性反馈在内的全面发展策略的有效性。 民主化的优先级排序 作为经理，直接分配任务是很诱人的。然而，参与项目优先级排序和路线图开发，可以增加团队对特定项目的集体认可，从而带来更成功的结果。创建一个安全的空间，让团队成员对项目表示支持或提出担忧，有助于优化你的路线图。以下是一些建议： 阿曼达管理着一个八人团队，负责开发支持贷款业务的模型。在每个工作周期开始时，阿曼达审查项目待办事项并与优先级文件进行比较。团队成员讨论项目的优先级，表达担忧并提出改进建议。她鼓励共识而非简单多数决策。通过这种方式，阿曼达提高了团队的士气、对齐度，并提供了必要的信息，使团队能够做出有效的决策。 寻找适合团队的流程 管理团队的方法有很多种，选择合适的可能令人不知所措。在实际操作中，具体的方法不如每种系统的一些关键原则重要。需要考虑的主要方面如下： 阿曼达完成了优先级审查，团队同意开发一个利率预测模型。她为每个项目设定五周的工作时间，设立双周冲刺评审，以识别阻碍并实时调整。团队成员对项目进展负责，更具创造性，并且对推动项目成功有更高的个人责任感。如果五周内没有产生任何价值，团队可以继续前进，避免在失败项目上投入更多资源。 富有同情心的冲突管理 管理冲突是工作的一部分，冲突有各种形态。作为经理，无法逃避冲突，而是要确保有效处理冲突，并且不让冲突分散团队的注意力。关键在于： 假设阿曼达管理的两个团队之间由于计算资源问题而产生紧张关系。她早期识别到冲突，并决定干预。她分别与每个团队会面，花时间倾听并提出澄清问题，以确保她充分理解每个团队面临的挑战。然后，阿曼达安排了一个联合会议，两个团队共同头脑风暴解决方案。通过这种协作方式，冲突得到解决，团队合作和关系得到加强。 有效沟通 有效沟通不仅能保持团队专注，还能作为团队行为的模范，并有助于防止冲突。有效沟通者的特点如下： 例如，阿曼达组织了一次团队会议，讨论公司最近的裁员情况。她努力做到清晰简洁，自信地传达信息，确保团队了解情况。她展示了耐心，为问题留出时间 ，并在会后继续提供支持。这样，她确保了团队在不确定的时期感到舒适，并确保没有团队成员留下未解决的问题。 高效的一对一会议 一对一会议是团队成员直接接触经理的时间。这些会议对于建立关系、了解团队成员感受、识别和解决冲突以及推进职业发展至关重要。以下是提高一对一会议效率的建议： 管理团队不仅仅是完成任务。希望这些经验能够帮助新任经理更快地成为高效的领导者。