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
zip2zip是一项创新技术,通过引入动态自适应词汇表,让大语言模型在推理时能够自动组合常用词组,显著提高处理效率。由EPFL等机构研究团队开发的这一方法,基于LZW压缩算法,允许模型即时创建和使用"超级tokens",将输入和输出序列长度减少20-60%,大幅提升推理速度。实验表明,现有模型只需10个GPU小时的微调即可适配此框架,在保持基本性能的同时显著降低计算成本和响应时间,特别适用于专业领域和多语言场景。
这项研究创新性地利用大语言模型(LLM)代替人类标注者,创建了PARADEHATE数据集,用于仇恨言论的无毒化转换。研究团队首先验证LLM在无毒化任务中表现可与人类媲美,随后构建了包含8000多对仇恨/非仇恨文本的平行数据集。评估显示,在PARADEHATE上微调的模型如BART在风格准确性、内容保留和流畅性方面表现优异,证明LLM生成的数据可作为人工标注的高效替代方案,为创建更安全、更具包容性的在线环境提供了新途径。
这项研究由中国科学技术大学的研究团队提出了Pro3D-Editor,一种新型3D编辑框架,通过"渐进式视角"范式解决了现有3D编辑方法中的视角不一致问题。传统方法要么随机选择视角迭代编辑,要么同时编辑多个固定视角,都忽视了不同编辑任务对应不同的"编辑显著性视角"。Pro3D-Editor包含三个核心模块:主视角采样器自动选择最适合编辑的视角,关键视角渲染器通过创新的MoVE-LoRA技术将编辑信息传递到其他视角,全视角精修器修复并优化最终3D模型。实验证明该方法在编辑质量和准确性方面显著优于现有技术。
这项研究提出了ComposeAnything,一个无需重新训练的框架,可显著提升AI图像生成模型处理复杂空间关系的能力。该技术由INRIA、巴黎高师和CNRS的研究团队开发,通过三个创新步骤工作:首先利用大型语言模型创建包含深度信息的2.5D语义布局,然后生成粗略的场景合成图作为先验指导,最后通过物体先验强化和空间控制去噪引导扩散过程。在T2I-CompBench和NSR-1K基准测试中,该方法远超现有技术,特别是在处理复杂空间关系和多物体场景时表现卓越,为AI辅助创意设计开辟新可能。