Uplimit 今天推出了一套由 AI 驱动的学习助手系统,旨在帮助企业快速提升员工技能,同时大幅减少传统企业培训相关的管理负担。
这家总部位于旧金山的公司发布了三类专门设计的 AI 助手:技能培养助手、项目管理助手和教学辅导助手。该技术旨在解决 AI 发展速度超过大多数劳动力适应能力而产生的技能差距问题。
"当前对持续学习的需求前所未有,其规模和速度远超传统系统的处理能力,"Uplimit 的 CEO 兼联合创始人 Julia Stiglitz 在接受 VentureBeat 采访时表示。"最有竞争力的公司不会在 AI 和人才之间二选一,而是会同时投资两者。"
Uplimit 的 AI 助手如何改变传统企业培训模式
Stiglitz 曾在美国教育项目任教,负责过 Google 教育应用程序,还是 Coursera 的早期员工。她在疫情期间创立了 Uplimit。她发现课堂体验的互动性与第一代在线学习平台的静态特性之间存在差距。
"我开始思考,是否有办法兼顾两者,既能获得 Coursera 那样的规模效应,又能保持一对一导师辅导的互动体验," Stiglitz 解释道。
该公司的新型 AI 助手针对企业学习中的关键痛点。技能培养助手通过 AI 角色扮演和个性化反馈促进实践学习;项目管理助手分析学习者进度,自动识别困难学员并提供个性化干预;教学助手则提供全天候支持,解答问题并促进讨论。
Uplimit 方法的独特之处在于注重主动学习而非被动内容消费。传统企业在线学习通常依赖视频和测验,完课率平均仅为 3-6%。相比之下,Uplimit 的客户报告的完课率超过 90%。
企业客户报告显著的效率提升和完课率
早期客户反馈显示效率大幅提升。Procore Technologies 估计通过 Uplimit 创建课程比传统方法快 95%,而 Databricks 的讲师时间减少了 75% 以上。另一家未具名的大型科技公司将原本需要三年的领导力培训周期压缩到一年内完成。
Uplimit 的发布时机正值人们对 AI 对就业影响的担忧日益增长之际。Uplimit 引用的麦肯锡报告估计,到 2030 年可能会有 4 亿个工作岗位被淘汰。这一现实使得有效的技能提升方案变得迫在眉睫。
对于担心 AI 取代工作的员工,Stiglitz 提供了务实的建议:"最好的建议是找出如何利用 AI 来增强自己的技能。在许多职业中,我们看到 AI 能显著提高人们的生产力。"
AI 驱动的学习解决对技术的恐惧和误解
行业分析师、Josh Bersin 公司 CEO Josh Bersin 将 Uplimit 的方法描述为企业学习的未来。"尽管有许多创新,企业学习在过去十年中一直停滞不前。如今,借助 AI 的力量,我们已准备好在这个庞大的行业掀起一场革命,"Bersin 在发给 VentureBeat 的声明中说道。
该公司通过构建企业级安全功能解决了潜在的隐私问题。"我们有 SOC2 合规认证。数据是隔离的。我们不会用他们的数据训练我们的模型,"Stiglitz 强调说。"我们具备与财富 500 强公司合作所需的企业级安全和隐私功能。"
有趣的是,Uplimit 发现 AI 培训本身就是一个重要机会。例如,卡夫亨氏使用 Uplimit 创建了 AI 技能提升项目,解决了人们对这项技术的恐惧和误解。
学习的未来:将技能发展与业务成果联系起来
虽然学习的许多方面可以实现自动化,但 Stiglitz 认为某些元素仍将保持其独特的人性化特征。"同伴之间的互动,人们分享经验和想法仍然非常有价值,"她说。"向经历相同经历的人学习,获得这种情感支持,这对领导力和管理课程特别重要。"
展望未来,Stiglitz 设想 AI 能够实现学习与可衡量的业务成果之间更紧密的联系。"如果你思考学习的本质,它实际上是关于提升人的表现,"她说。"之所以学习目标与实际目标之间出现割裂,是因为衡量这些联系一直很困难。"
在 Salesforce Ventures、Greylock Ventures 以及 OpenAI 和 DeepMind 的联合创始人等知名投资者的支持下,Uplimit 在即将转型的企业学习市场中占据有利位置。当企业面临整合 AI 的同时确保员工适应能力的双重挑战时,Uplimit 的方法表明,AI 本身可能是解决它所造成的颠覆性影响的最可行解决方案。
好文章,需要你的鼓励
机器人和自动化工具已成为云环境中最大的安全威胁,网络犯罪分子率先应用自动化决策来窃取凭证和执行恶意活动。自动化攻击显著缩短了攻击者驻留时间,从传统的数天减少到5分钟内即可完成数据泄露。随着大语言模型的发展,"黑客机器人"将变得更加先进。企业面临AI快速采用压力,但多数组织错误地关注模型本身而非基础设施安全。解决方案是将AI工作负载视为普通云工作负载,应用运行时安全最佳实践。
MBZUAI研究团队发布了史上最大的开源数学训练数据集MegaMath,包含3716亿个Token,是现有开源数学数据集的数十倍。该数据集通过创新的数据处理技术,从网页、代码库和AI合成等多个来源收集高质量数学内容。实验显示,使用MegaMath训练的AI模型在数学推理任务上性能显著提升,为AI数学能力发展提供了强大支撑。
面对心理健康专业人士短缺问题,谷歌、麦肯锡和加拿大重大挑战组织联合发布《心理健康与AI现场指南》,提出利用AI辅助任务分担模式。该指南构建了包含项目适应、人员选择、培训、分配、干预和完成六个阶段的任务分担模型,AI可在候选人筛选、培训定制、客户匹配、预约调度和治疗建议等环节发挥作用。该方法通过将部分治疗任务分配给经过培训的非专业人员,并运用AI进行管理支持,有望缓解治疗服务供需失衡问题。
这项由多个知名机构联合开展的研究揭示了AI系统的"隐形思维"——潜在推理。不同于传统的链式思维推理,潜在推理在AI内部连续空间中进行,不受语言表达限制,信息处理能力提升约2700倍。研究将其分为垂直递归和水平递归两类,前者通过重复处理增加思考深度,后者通过状态演化扩展记忆容量。