XiaoMi-AI文件搜索系统
World File Search System人性化
千字战略
罗杰：这是我下一本书的主题。理论上，组织的规模越来越大。公司的规模没有限制，沃尔玛就是一个例子。组织规模和人类规模之间的差距越来越大。扩大规模的组织正在采取三项措施来管理规模，其中之一就是您刚才谈到的标准化。他们说：“你们都是客户服务代表，所以你们的工资是这样的，你们的工作时间是那样的。”第二项是划分。我们听到了很多关于公司过于孤立的抱怨。处理规模问题的一种方法是说，你的财务、营销等等，我们可以在其中进行组织。第三，我们有从属关系。随着规模的扩大，金字塔会越来越高。其结果是，人们开始感到自己越来越渺小，因为他们身处一家越来越大的公司，这家公司的标准化程度越来越高，划分程度越来越高，从属程度也越来越高。这就是为什么人们会悄悄辞职，员工敬业度低，人们觉得大公司的核心不是他们想待的地方。这对现代公司来说是一个巨大的问题。因为扩大规模有各种各样的理由，对吧？在许多行业，除非你具备规模，否则你就无法投资于在行业中生存所需的东西。所以，我不是说你不应该做大，也不是说你一定不能标准化、条块分割或从属化。正是公司做这三件事的方式在它们内部创造了非人性化的环境。我认为公司要做的是弄清楚如何以人性化的规模制定战略，弄清楚如何让组织感觉人性化，而不是非人性化。
识别推荐系统的特定组精神模型：一种新颖的定量方法
摘要。用户如何与智能系统进行交互是由系统内部工作的主观心理模型来确定的。在本文中，我们提出了一种基于卡片排序的新方法，以定量地识别推荐系统的这种心理模型。使用此方法，我们进行了在线研究（n = 170）。将分层聚类应用于结果显示出不同的用户组及其各自的心理模型。独立于所使用的建议系统，一些术语具有严格的基于程序性的，而另一些则是基于概念的心理模型。此外，心理模型可以被描述为技术或人性化。虽然基于程序的心理模型与透明度感知呈正相关，但人性化模型可能会影响对系统信任的感知。基于这些发现，我们在透明智能系统设计中考虑了用户特定的心理模型的三个含义。
智能工作站 (IWS) - BAE 系统
IWS 融合了一系列工业 4.0 技术和系统，以协助操作员应对各种复杂、安全和苛刻的环境。 IWS 在设计时考虑到了操作员，旨在最大限度地发挥人性化的价值。
2020 年年度报告 - 计算机科学学院
“人类和计算机”。来自德语国家的 800 多名 IT 专家在马格德堡 FIN/Otto von Guericke 大学举行数字会议，集中讨论了以下问题：我们如何将数字化影响的日常生活与银行番茄、无数密码、辅助系统结合起来？飞行员或外科医生，更人性化、更安全、更全面使其更加人性化？数字化中的安全漏洞何时变得明显，软件开发人员如何更好地了解他们的用户以及他们使用什么方法来了解他们的个人偏好和个人经历？今年的不同寻常之处在于：该会议传统上被设计为开发人员和从业者之间的接口，但首次完全以数字方式举行。只有与会议合作举办的可用性测试晚宴才能将这些不同的目标群体聚集在现实世界中，并确保现有产品能够测试其用户友好性。
帝人集团 Renegade Materials Corp. 的低介电石英纤维预浸料首次获得 NCAMP 认证
关于帝人集团 帝人集团 (TSE: 3401) 是一家技术驱动的全球性集团，拥有两大核心业务：高性能材料和医疗保健解决方案。帝人集团成立于 1918 年，是日本第一家人造丝制造商，目前在 20 个国家/地区拥有约 170 家公司，拥有 20,000 名员工。通过“人性化化学，人性化解决方案”，帝人集团坚持不懈地致力于成为一家通过保护全球环境和满足人民和社区需求来支持未来社会的公司。截至 2024 年 3 月 31 日的财年，帝人的综合销售额为 1,0328 亿日元（66 亿美元），总资产为 1,2510 亿日元（80 亿美元）。新闻联系人 企业传播部 帝人有限公司 pr@teijin.co.jp
对于抗体序列生成建模，混合模型可能是您需要的
通信：Wei Wang，电子邮件地址：wei-wang@ucsd.edu抽象抗体治疗候选者不仅必须与其目标表现出紧密的结合，还必须表现出良好的发展性能，尤其是免疫原性的风险。在这项工作中，我们将一种简单的生成型Sam拟合到600万人重和七千万人类轻型连锁店。我们表明，由模型计算出的序列的概率与其他物种在各种基准数据集上与其他模型中的任何其他模型相同或更高的精度区分了具有相同或更高准确性的序列，比文献中的任何其他模型都超过了大型语言模型（LLMS）。SAM可以人性化序列，生成新序列和人类的得分序列。它既快速又完全可解释。我们的结果强调了使用简单模型作为蛋白质工程任务的基准的重要性。我们还引入了一种用于编号抗体序列的新工具，该工具比文献中现有工具更快。这两个工具均可在https://github.com/wang-lab-ucsd/antpack上获得。引言良好的开发性能（例如免疫原性的低风险）对于抗体治疗候选者至关重要1-3。从接种动物中检索的抗体构成人类免疫原性的高风险，因此必须被人性化，例如通过将CDR区域“嫁接”到人类框架4。这种方法经常需要进一步的试用和错误修改才能恢复失去的亲和力4。理想情况下，这些方法应至少具有四个特征。人性化抗体序列的计算方法有可能加速这一过程5。1）分配区分人类和非人类变量区域序列的得分。2）提出可能使序列人性化的突变。3）生成新的高度人类可变区域序列，这对于机器学习辅助抗体发现的方法很有用。4）该方法应充分解释，即可以确定序列的不同区域对得分的贡献。已经提出了用于生成人类序列，分析曲目数据以及评分或人性化序列的各种计算机方法，但通常缺乏这些特征中的一种或多种。Prihoda等人报告了OASIS模型，该模型将输入序列分为9-mers，并通过人口中的患病率分为9-mers 7。他们分别训练大型语言模型（LLM）提出人性化突变。OASIS模型假定序列中所有9人之间的统计独立性，这可能是不现实的。另外，虽然绿洲模型是完全可解释的，但LLM无法完全解释为什么建议给定突变。诸如Immunesim 11和Igor 12的工具来分析曲目数据。其他各种作者已经训练了LLMS，可以按顺序预测下一个氨基酸，或者是掩盖的氨基酸的身份9,10,13。虽然一些LLM（例如尽管这些工具对于数据分析非常有用，但并非旨在模拟人类曲目中序列的分布，因此并非旨在评估序列的人性。llms可以生成新的序列并将得分分配给现有序列（可能性或假性时期），该序列可能与某些感兴趣的特性相关。progen2-oas）9接受了来自多种物种的数据的培训，因此无法评估人类（例如iglm）10在物种标签上进行调节，因此原则上应该能够将人类的重链与其他物种的重链区分开。这些模型的黑框性质使得很难确定该模型“学到了”或评估预测的可靠性。其他作者已经训练了分类器，可以预测序列是否是人类，包括ABLSTM 8，抗纤维13（可以作为物种分类器运行的LLM）和Hu-Mab 5,8。分类器可以实现训练集中存在的物种的高精度，但是如果被要求得分更多的序列，则可能会失去准确性。例如，Marks等人。请注意，Hu-mab最佳用于人性化鼠起源序列，仅是因为它主要在人类和小鼠序列上进行了训练5。分类器不是生成模型，也不直接生成
应用人工智能来加速和降低风险......
与所有科学和工业领域一样，人工智能 (AI) 有望在未来几年对抗体的发现产生重大影响。抗体的发现传统上是通过一系列实验步骤进行的：动物免疫、相关克隆的筛选、体外测试、亲和力成熟、动物模型体内测试，然后是不同的人性化和成熟步骤，产生将在临床试验中进行测试的候选物。该方案存在不同的缺陷，使整个过程非常危险，流失率超过 95%。计算机方法的兴起，包括人工智能，已逐渐被证明能够以更强大的过程可靠地指导不同的实验步骤。它们现在能够覆盖整个发现过程。在这个新领域的参与者中，MAbSilico 公司提出了一种计算机流程，可以在几天内设计抗体序列，这些序列已经人性化并针对亲和力和可开发性进行了优化，大大降低了风险并加快了发现过程。