首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

「企业级产品设计」怎样跟客户讲故事——浅谈设计提案技巧

自接触企业级产品设计以来,设计提案便成为了重要的客户接触点,无论是以Presentation的方式与客户当面陈述提案,还是以邮件等线上形式呈现提案。设计提案的核心目的只有一个,便是说服客户,让他们接受我们的方案。 随着科技的发展和企业的日益成熟,当今企业中的每个商业决策的时间比以往更长,每一次达成决策所涉及到的人数也比以往更多。设计提案,作为我们与客户的关键接触点,我们的终极目标是希望将我们的服务、价值、主张,到位地传达给客户,籍此来让客户做出对更有利于我们的决策。 制作设计提案的过程,就像是在进行一次叙事

02
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    ICML 2024 | 基于重要功能位点与小分子底物的生成式酶设计

    今天为大家介绍的是来自Lei Li团队的一篇论文。酶是由基因编码的生物催化剂,能够加速化学反应。那么,如何能自动设计出功能性酶呢?在这篇论文中,作者提出了EnzyGen,这是一种学习统一模型来设计各个功能家族酶的方法。作者的核心理念是基于重要功能位点和对应期望催化功能的底物生成酶的氨基酸序列及其三维(3D)坐标。这些位点是从酶数据库中自动挖掘出来的。EnzyGen由一种新颖的交错注意力网络和邻域等变层组成,能够捕捉整个蛋白质序列中的远程关联和3D空间中最近氨基酸的局部影响。为了学习生成模型,作者设计了一个联合训练目标,包括序列生成损失、位置预测损失和酶-底物相互作用损失。作者还构建了EnzyBench,一个包含3157个酶家族的数据集,覆盖了蛋白质数据库(PDB)中所有可用的酶。实验结果表明,EnzyGen在所有323个测试家族中始终表现最佳,在底物结合亲和力方面比最佳基线高出10.79%。这些发现证明了EnzyGen在设计具有高亲和力并与特定底物结合的结构良好且有效的酶方面的卓越能力。

    01

    腾讯企点联合贝恩公司共同发布《360°智慧客户运营白皮书》

    过去20年,消费互联网市场繁荣,许多企业通过“跑马圈地”的方式快速拓展增量市场,获得客户资源及市场份额。如今,在日益复杂的宏观经济和营商环境下,获客难度不断攀升,企业应当转变增长思维:从“拉新获客”转向“深耕客户”,以实现长期且可持续增长。 值此转型变革之际,腾讯企点与贝恩公司于今日腾讯全球数字生态大会【智慧服务与营销】专场共同推出《 360°智慧客户运营》白皮书(文末下载),立足“未来回溯”理念,以终为始,帮助企业思考并规划未来客户运营愿景。 在今天的专场中,业内大咖围绕“数字化服务营销对于企业可持续

    03

    「企业级产品设计」金字塔原则在设计提案中的使用

    前言 行业项目设计提案的难点 设计提案是设计稿思维和过程的呈现。在行业的项目中,我们常常通过设计提案,在签单前助力项目达成,或者在签单后说服客户接受设计稿。然而,根据笔者和同组伙伴的经验,输出行业项目设计提案并不容易。它的难点包括: 如何应对这些难点? 采用结构化思维组织提案,可以有效的提高输出效率、稳定输出质量。那么何种结构化思维能应用在设计提案场景中呢? 金字塔原则是一种层次性、结构化的思考和沟通技巧,旨在帮助使用者高效的编写简明扼要的报告。这种技巧由芭芭拉·明托提出,经过多年的发展传播,常出现在各大

    02

    【GPT总结】Why Can GPT Learn In-Context?

    这篇论文提出了一种新的方法,利用大型预训练语言模型展示了惊人的上下文学习能力。通过少量的示范输入-标签对,它们可以在没有参数更新的情况下预测未见输入的标签。尽管在性能上取得了巨大成功,但其工作机制仍然是一个开放问题。在这篇论文中,作者将语言模型解释为元优化器,并将上下文学习理解为隐式微调。在理论上,他们发现Transformer的注意力具有梯度下降的双重形式。基于此,他们将上下文学习理解为以下过程:GPT首先根据示范示例生成元梯度,然后将这些元梯度应用于原始的GPT以构建一个ICL模型。通过在真实任务上全面比较上下文学习和显式微调的行为,提供了支持我们理解的实证证据。实验结果表明,从多个角度来看,上下文学习的行为与显式微调类似。受Transformer注意力和梯度下降之间的双重形式启发,作者设计了一种基于动量的注意力机制,类比于带有动量的梯度下降。改进后的性能进一步支持了我们的理解,更重要的是,展示了利用我们的理解进行未来模型设计的潜力。该论文的代码可在\url{https://aka.ms/icl}上找到。

    01

    Nat. Mach. Intell. | “数据+知识+AI” 解锁新靶标药物虚拟筛选

    精准的评估蛋白质-配体相互作用对药物发现至关重要。然而,开发可靠的评估方法一直是学术界和工业界的长期挑战。近年来,人工智能技术在该领域已经取得了显著进展,以AlphaFold为代表的深度学习方法在蛋白质三维结构,蛋白质-配体复合物结构预测方面表现卓越。但是,在新靶标的药物虚拟筛选场景中,高精度的活性预测评分方法仍然非常匮乏。许多研究表明,深度学习模型倾向学习数据中的分布偏差,对分布内的数据可以给出很好的性能指标。但在实际应用中,尤其面对训练集未见的新靶标和化学多样性空间,却无法展现出良好的泛化效果。

    01
    领券