演示与技术示例

一次诚实的演示首先要清楚地说明正在展示什么。我们会在每次会议开始时说明正在使用的模型、训练模型的数据、我们预期它能很好处理的输入类型以及我们预期它会处理不当的输入类型。这种框架使我们有权要求利益相关者带来自己的示例——包括那些令人尴尬的示例——并防止演示变成一场营销活动。

在可能的情况下，我们会在观众熟悉的数据上进行演示。例如，质量团队亲自检查过的零件的缺陷检测演示；最近一批联络中心通话记录的情感演示；以及过去一个季度的实际数据上的预测演示。当数据属于他们自己时，房间里的反应会立即改变，提出的问题会变得很有用，而使用通用数据时则不然。

会议特意结构化为双向对话。我们对观众提出的问题和模型对他们提供的输入的反应同样感兴趣；问题通常比任何基准更能可靠地指导技术是否是他们问题的正确答案。

• 实时、互动会话——非预先录制的视频
• 鼓励观众提供输入
• 清晰说明模型的优点和缺点
• 应要求匿名使用观众数据
• 后续记录观察和限制
• 可选的后续重点价值证明

我们的演示库持续更新，目前包括涵盖制造业缺陷检测、文档理解（表格、发票、身份文件、合同）、零售货架分析和视觉相似性搜索的视觉演示；涵盖基于方面的情感、意图和主题分类、多语言分类、检索增强型问答和命名实体提取的自然语言处理演示；涵盖分层需求预测、间歇序列、运营指标异常检测和库存策略概率预测的预测演示。

我们还维护着一套不断增长的生成式人工智能演示：针对精选知识源的基于事实的问答、从非结构化文本中提取结构化输出、针对特定文档类别调整的摘要，以及针对特定工作流程范围的助手模式。我们对在生产环境中需要开放式生成的生成式用例持谨慎态度；演示库反映了我们实际能够负责任地部署的用例。

知识系统演示完善了整个库：一个经过实际操作的基于规则的决策系统、一个从开放数据构建的知识图谱，以及一个结合了实体提取和基于规则推理的混合神经符号示例。这些演示对于那些被告知机器学习是解决问题的方法，而该问题几乎肯定无法仅靠统计数据最好地解决的受众尤其有用。

“最有用的演示是那些能揭示出没人想到要问的问题的演示。”

当标准库不能很好地匹配问题时，我们会在两到三周内根据您的数据构建一个定制样本。这不是一个价值证明；它是一个更敏锐的演示，利用您的输入对抗一个足够接近用例以提供信息预构建模型。输出是一个可运行的原型、一份我们观察到的书面评估，以及关于是否需要进行全面价值证明的建议。

定制样本特意保持范围较小。我们不针对生产性能调整模型，不设计周围的流水线，也不将用户界面构建到可部署的标准。目标是比全面验证提供更快、更便宜的洞察力；权衡是该样本不能按原样部署。

我们许多最成功的客户关系都始于一个定制样本，该样本揭示了原始规范未曾预料到的问题，并更好地重塑了后续项目。

对于技术受众，我们提供半天或全天的实验室会话，我们的工程师将与您的工程师一起解决您选择的重点问题。这些会话部分是演示，部分是研讨会，部分是关于哪些是可实现的坦诚对话。它们对于正在评估是建立内部能力还是寻求外部帮助的团队尤其有价值；由此产生的对话通常比任何供应商推销都更有助于最终的决策。

实验室会话在适用情况下在保密协议下进行，产生的所有成果——代码、笔记、评估结果——都将留给您的团队。我们不会保留在这些会话中与我们共享的专有数据，期限超过工作持续时间。

演示默认以远程方式进行，如果受众或数据需要，可提供现场会话。标准的远程演示持续六十到九十分钟，可容纳多达十二名参与者进行工作对话；规模更大的会话是可能的，但互动性会降低。如果能帮助内部协调一致，我们乐意为多个利益相关者群体分别提供相同的演示。

标准演示库或入门级实验室会话不收取费用；定制样本和扩展研讨会根据所涉及的工作进行报价。通常，一次简短的发现电话即可确定合适的格式和内容；我们不会提议一个不明确其价值的会话。