面向任务的对话是更广泛的对话式 AI 领域内的一个研究领域，是一个令人兴奋的领域，以构建对话系统来解决任务为中心。随着自然语言系统在消费者应用程序和企业中变得越来越普遍，这是一个具有高影响力的研究领域。此外，该领域的研究人员开始致力于具有高度科学影响的开放研究问题。

作为该领域应用研究科学家的成功在很大程度上取决于三个主要目标：确定产品目标背后的计算问题，定义成功的正确指标，以及以已发表的研究论文和产品的形式对最先进技术进行创新影响。我们已经确定了新研究人员可以确保他们准备好在工业人工智能研究中取得成功的四种关键方式，特别是在面向任务的对话中。

1)不断学习的培养

人工智能作为一个领域发展非常迅速。机器学习的最新进展可以显着提高性能，这似乎是每月一次。论文每天都有，主要领域和方向每隔几年就会发生变化。作为研究科学家，随着最先进技术的进步，及时了解性能最佳和最有效的模型非常重要。举个例子：GPT-3可能是一个有用的预训练模型，但较新的 GPT-Neo 在基准指标上优于 GPT-3，并且计算效率更高。跟上这些进步可以带来巨大的优势。

也就是说，要掌握所有研究几乎是不可能的。我们发现最好专注于几个领域以获得深度关注，同时保持对更广泛领域的普遍认识。所以，虽然你在阅读面向任务的对话中的最新论文时可能不需要知道 GPT-3 或威震天-图灵如何工作的细节，但你至少应该知道这些预先训练的语言模型存在，它们是如何使用的，以及它们的局限性(因为新的并不总是更好)。

2)点击导师和同行

随着最新的最先进方法和论文的快速发表，拥有一个思考类似研究问题的同行网络可以帮助研究科学家随时了解最新研究。与同行一起使用 Slack 频道来策划相关论文是一种有用的做法，可以让您了解最新方法的脉搏，并讨论进一步的探索领域。关注一个年会并与同行分享相关论文比每年跟踪所有会议的所有论文更可行。

在可能的情况下，确定您可以选择谁作为导师。这可以是您的经理或在行业其他地方担任类似角色的人员。导师可以为您指出该领域的相关论文，并指导您跨团队跨职能工作。特别是当来自机器学习的不同领域时，内部导师和同行可以帮助新的研究科学家熟悉众所周知的模型和技术术语。

3) 跨团队整体工作

从学术界转向工业/产品可能是一种范式变化。在学术界，您的同龄人使用相似的语言并持有与您相似的世界观。在工业界，研究科学家需要能够跨不同学科、部门和团队进行跨职能工作——他们可能每个人都在思考相同的问题，但方式却截然不同。您将与工程师、产品经理、用户/市场研究人员和数据科学家一起工作。有效协作需要学习同行的语言和观点，并了解他们在解决共同问题中所扮演的角色。获得这种共同理解可能需要一些时间，但有意识地努力促进这种整体合作可以帮助实现有影响力的结果。

在此过程中保持谦虚也有助于促进富有成效的协作。有时，头衔和博士学位可以给人一种在解决问题时具有不同权威级别的印象。重要的是要认识到，在不同的学科和团队中，每个人都是各自领域的专家，致力于将他们的努力用于解决集体问题。在这种合作中保持谦虚可以让每个团队成员都能把他们最好的工作推进下去。除了谦虚之外，开放的心态可以帮助你学到很多东西，更有效地解决问题。

4)对您正在解决的问题有产品级的看法

有时，为了更好地理解您正在解决的跨职能问题，暂时让自己摆脱研究人员的心态会有所帮助。与不同团队沟通的目的通常是为了更好地定义你们共同努力解决的问题。一旦你定义了问题，就可以更容易地回到你的研究人员的心态，并专注于你将如何为解决方案做出贡献。

面向任务的对话特别令人兴奋的是，针对这些产品级解决方案的大量研究工作是前所未有的。该领域仍然存在的开放式研究问题包括生成模型的控制和抽象+提取总结。

不要害怕潜入并犯错误!

随着您了解更多并熟悉研究科学家的角色，我们的经验是您开始意识到您对重点领域或研究专业还有多少不了解。那感觉可以是艰巨的，但你可以让你吃惊多少就已经知道和了解如何补充你的同事提供的更全面的了解。拥有不同的知识和技能组合是一件好事。事实上，面向任务的对话本身的未来可能会专注于如何最好地为互补的 AI + 人类团队创建人在环系统。

如果你是一名完成学位的研究生，作为一名研究科学家进入行业似乎令人生畏，但随着时间的推移，这个角色确实变得更容易了。在入职并熟悉专业领域、与跨职能团队合作并了解如何构建问题时，犯一些可衡量的错误是可以的。最重要的是保持开放的心态，并在您融入该领域时从新的方法和环境中学习。