念，更容易 表现出高胜 任力。 创造高绩效 与特定工作 相关 包含人的 个性特征 胜任力拓展 胜任力的冰山模型 胜任力特点 知识 技能 水 下 水 上 心理契约分类 交易型 关系型 团队成员型 强个体 超出价值预期展开交换 承担长久的开放性责任 主动与组织构建事业关 系并愿意为此承担责任 心理契约是员工以自己与 组织的关系为前提，以承 诺、信任和感知为基础， 心灵完 整性 组织成 为自进 化的生 命系统 基于团 队的自 主管理 模式 进 化 型 组 织 三 大 突 破 组织发展 共同规则 共同价值观 共同体 自组织 组织按进化 形式分类 自组织 他组织 自组 织 n n 综合是管理的真正精髓 组织的不同比喻，把组织看作： 管理需要回归“整体论”， 按 照企业是一个整体的视 角 理解企业的经营与管理 机器 政策系

20 % P5 1 产品生命周期分类 l 明星类产品 l 问题类产品 l 金牛类产品 l 瘦狗类产品 地域性 / 市场区域 l 亚洲 l 欧洲 l 北美洲 l 南美洲 l 非洲 客户类型 / 细分市场 l 例如，在财富管理设定中，客户类型可 以 是建议的客户和不建议的客户，或者 使用人口统计数据进行客户细分 三层地平线模型分类 ① 维护 / 拓展现有业务 ② 业务增长与组织重构 ③ 探索新业务 投资组合分类 0l 04 03 02 P52 第 5 章、价值度量与优先级排 序 05 P53 在 EDGE 中使用 MoS 的三个主要原因 在整个交付过程中使用 MOS 来展示进度、确定 工 作的优先级排序，并 支持 增量资金的决策 MOS 有助于领导者计划 和 调整工作，而无须指 定具 体的解决方案 MOS 取代了可交付成果，

润的客户。然而零售客户却各不相同，因为对于这类客户的分类，依然 不是很清晰。图2-1用一条连续的线段将客户分为几类：在线的左端是 单纯的采购者，而右端则是单纯的购物者。 ·单纯的急买家是在短时间内需要车的人。这种类型的客户会考虑 价格和价值，并且会考虑车辆的规格。另外一类买家也许由于各种原因 需要更换车辆，有的是因为正在使用的车辆需要大修或者租约到期。他 们希望去经销商那里购买一辆新车。 图 2-1 客户分类 ·单纯的精买家 入生产 月的范畴。比如，如果4月30号是周一，那么这一整周都要包括在4月生 产月中。 由于一年365天通常有52.5周，某些年份就必然会有53周。生产日 程在每个自然年开始前就公布，包括每周的分类和各工厂的假日安排。 制定这样一种生产日程，可以防止跨月生产计划可能产生的混乱，维持 了每周计划流程的顺利实施。 生产计划流程 一旦生产日程公布，就可用来向各工厂下月度生产订单。月度订单 流程 将 订单月指定为“N”月，第1个预测月就是“N+1”月，第2个预测月就 是“N+2”月。因此，如果7月份是订单月“N”月，那么8月份就 是“N+1”月，9月份就是“N+2”月。一些参考文献把这些月份分类为 PPR1、PPR2和PPR3，PPR指的是“生产计划要求”。 每家销售公司都要把其产量分摊到各个销售区域或国家。例如，在 美国，产量被分摊到12个销售区域，在欧洲，产量被分摊到25个以上的

实现了云原生架构，为 AIoT 应用提供了更加灵活和高效的支撑。 AI 模型是智能系统的核心，经历了从专用模型到通用大模型的演进。早期的 AI 应用主 要依赖针对特定任务训练的专用模型，如图像分类、语音识别、异常检测等。随着 Transformer 架构和自监督学习的突破，通用大模型展现出了强大的泛化能力和少样 本学习能力。GPT、BERT 等语言模型，CLIP、DALL-E 等多模态模型，正在改变 图像、音频、视频等。这些模 型正在实现真正的多感官 AI，能够像人类一样综合处理不同类型的信息。 视觉-语言预训练模型连接了视觉和语言理解。CLIP 通过对比学习对齐图文表示，支 持零样本图像分类。ALIGN 扩大数据规模到十亿级别。ALBEF 通过动量蒸馏提高对齐 质量。BLIP 结合理解和生成任务。Flamingo 展示了强大的少样本学习能力。CoCa 统 一了对比和生成目标。这些模型为多模态理解奠定了基础。 生态环境类应用 智能环保拓展为环境监测网络（大气、水质、土壤、噪声全要素监测）、污染溯源治 理（排放监管、联防联控、精准治污）、生态修复（智慧林业、河湖管理、生物多样 性保护）、循环经济（垃圾分类、资源回收、绿色供应链）等领域。智慧农业（虽未 在原列表中）作为重要补充，包括精准农业（土壤监测、精准施肥、病虫害预警）、 设施农业（温室控制、水肥一体化、环境调控）、农产品溯源（区块链溯源、品质认

提供了个性化的治疗建议。 （2）机器学习 20世纪80至90年代，随着统计学习和神经网络等技术的兴起，机器学习逐渐成为AI 的主流技术，使机器能够从数据中自动学习并改进其性能。典型应用场景有“图像 识别与分类”“自然语言处理”（NLP）等。相关案例展示了机器学习在各个领域 中的应用潜力，例如：苹果的Siri和亚马逊的Alexa是自然语言处理的典型应用， 这些智能助手能够理解并回答用户的问题，执行各种任务，如设置闹钟、查询天 种类，引领烹饪艺术进入一个全新的领域。 在大模型和小模型之间，我们需要根据实际应用场景选择合适的模型。有的时候， “不是大模型用不起，而是小模型更有性价比”。对于一些复杂的自然语言任务， 如文本生成、文本分类等，大模型具有明显优势，可以更好地处理复杂的语言结构 和语义信息。而对于一些简单的自然语言理解任务，如命名实体识别等，小模型可 以更快地完成任务，且具有较低的成本。 如图4-1所示，在Ignite 否有鸟来的AI应用，当摄像头识别到有鸟时，发出尖锐蜂鸣驱赶鸟类。 59 ③具体需要学生学习如何收集照片（可以用一些假鸟放在摄像头前拍摄一些照片， 该应用只是demo，不会放到真实的农场中使用），如何标注数据，如何训练一个二 分类AI以识别是否有鸟在农场的上空（图形化编程平台中有可视化训练AI的功 能），如何使用图形化编程控制micro:bit（程序流程）。 我需要你结合以下人工智能课程纲要，帮助我理清头绪，并首先告诉我这个课程的

热点 “ 光谱思维”意思就是不做预设和定位，而是把一 个人的品质、品行、偏好、趣味、行为不断地细分， 变成越来越多的小标签，然后朝着全息化的方向把 这些标签整合成一个完整的人，使用这种分类思维 可以做到比消费者更了解自己。这样不仅能够做 出 爆品，而且还可以持续地做出爆品。 前台主要做各种各样成形的产品，而中台做各种 各样的半成品或模块。中台存储了大量的资源和