学术与研究对接会：趋势与实践

自去年以来，大学-工业界的尊贵突破展示了利基合作，以及当技术转让团队和工业研发之间有共同的议程和理解时可以取得什么。
几乎所有人都在关注高调的Covid-19合作关系，如阿斯利康-牛津大学的疫苗，这种关注一直在激励着世界各地的合作。然而，尽管这种成功的合作，特别是对生命科学来说，在一些合作领域，研究仍然被商业化的过程中出现了挫折。
为了使学术研究产生尽可能大的影响，并保持和提高他们在大学和研发界的声誉，在技术转让办公室工作的学术界团队在其角色和形象方面面临许多挑战。
为了实现这一点，技术转让团队需要从他们学院的学者那里找到最有前途的研究，以吸引最分类的和类似的产业来关注。值得一提的是，在寻找最佳匹配的过程中，不仅需要确定相关的公司，还需要确定这些公司中合适的人，以建立起网络。
学术和研究的明确挑战是如何在工业界找到正确和全面的合作伙伴。鉴于研发驱动型公司的规模、复杂性和全球分布，这是接近商业化时面临的最常见的问题，这一点不足为奇。工业界的专业人士和学术界的教师也强调，他们面临着有限的时间和资源，导致他们面临着有效管理其机构内产生的所有研究和为个别技术定制营销策略的挑战。
从技术上讲，对于这样的学术和研究合作伙伴，将潜在的配置文件和要求与大学/学校的计划相匹配，并分为两个主要方法。统计机器学习（SML）和多标准决策分析。
首先，一个受统计机器学习启发的系统在一系列观察到的数据样本上操作，从数据样本中学习执行一个给定的任务。SML方法被应用于解决符合大学/学校的特定研究主题（形成一组选定的合作关系）或不符合（一组拒绝的合作关系）。

这种方法的预测价值在某种程度上有助于提高申请人选择过程的准确性。然而，统计机器学习方法的有效性被认为是由于决策过程的复杂程度、所做的假设以及所实现的匹配前移水平。

另一方面，多标准决策分析是一类多标准优化方法，它结合了决策矩阵的使用，提供了一种系统的方法来评估，或对一组备选方案（在这种情况下，将目标合作者匹配到大学/学校）进行排名，相对于一组决策标准（大学的选择标准）。这些决策标准通常与权重有关–以反映其相对重要性。

Must’s Matchmaking（正在申请专利）是一组新兴的算法，它也可以促进研究和工业伙伴的合作，因此在自动匹配方面更全面的发展将很快显现出来。

关注我们 LinkedIn