微信扫一扫
分享到朋友圈

北美电商真的落后于淘宝?亚马逊爸爸表示不服!

作者:InfoQ 来源:InfoQ 公众号
分享到:

03-18

 点击关注 InfoQ,置顶公众号

接收程序员的 8 点技术早餐


编辑|Vincent
视频剪辑 | 汪春良
电子商务 (E-commerce) 在当今发达的互联网背景下正蓬勃发展,而近两年火起来的数据科学和 AI 技术将会让电商行业如虎添翼,茁壮强盛。AI 前线请到了在电商领域经验丰富的讲师和大家交流分享他对北美电商行业的现状观察,探讨行业中代表性 AI 技术前沿(eg. 机器学习 (ML)/ 深度学习 (DL), 语言处理 (NLP))和实践案例,并从技术的角度展望电商行业未来的发展趋势。更多精彩内容,请关注AI前线公众号,ID:ai-front



本直播视频为极客Live&AI前线推出的“深度学习入门”专题直播第3场

视频时长约 1 小时,wifi 用户及流量土豪请随意

Hello,大家好,我是 Wenkel。今天很高兴能借贪心科技这个平台来和大家交流分享,我在电商这个行业的经验和体会。

我个人之前是在南加州的 KPMG 做数据相关的资讯服务,后来转到 Revolve,就是洛杉矶最火,北美也是挺流行的一个时尚电商做 Fashion 相关的东西;在去年我又跳槽到了 Beverly Hills,就是比弗利山庄的一家红酒电商,名字叫做 Drinks,是一个创业公司。

今天我们的主题是电商新宠,就是数据科学和 AI 技术。这两大行业在这几年是汹涌澎湃,电商也肯定对他们有很大的青睐。

电商的分类与应用

那么先来看一下什么是电商以及北美电商的分类与现状。

什么是电商呢?我个人认为这个下面的定义比较妥当,它是一个:Business  model  enabling  a  firm  or  individual  to  conduct  business,就是可以让商家、一个公司企业和个人之间产生商业的交易,是通过一个 electronic  network,typlically 就是我们所熟悉的 world wide web,是互联网 internet。

电商现在已经是无所不在了,可以说是贯穿于大家的吃穿住行,就像右边这个图画的一个购物车,什么都是可以和它离不开,buy  and  sale 买卖都可以在购物车里面进行,或者跟它相关。

我们来看一下主要的传统的电商的分类是有四大类:B2B、C2C、B2B 和 C2B。它最重要的两个点一个就是 Business,就是 B 代表商家企业,还有一个不可缺少的部分就是我们的 Consumer。

Business-to-Consumer

一个最常见的 Business  model 就是 B2C,所谓的 商家和个人之间的买卖交易。这里举一些例子,北美的话,目前最大的两家应该都是比较有耳熟能详了,amazon.com 和 Netflix。

amazon.com 股票已经是从去年的 九百块涨到了现在的一千五、一千六,估计会很快翻倍,它的价值是越来越高。那 Netflix 是做 Video,就是视频类的电商,之前是从一个小光碟寄到家里,只要是会员用户就可以每个月免费的选片,换想看的电影,现在已经变成了是直接在网上视频可以观看。这两家就是目前最典型的 B2C。

那传统行业来说,像沃尔玛,Walmart.co,还有塔吉特 Target,Best Buy 百思买,他们都是传统的线下的零售行业,现在也是都迫不及待,或者说必须被强迫着弄在网上做.com 的各种买卖,你也可以在网上下单,浏览商品,直接去店里配套。

Consumer-to-Consumer

第二种常见的模式就是 Consumer-to-Consumer,所谓的 个人与个人之间的交易交换,这个图画的比较潦草,但意思大家应该会很容易理解。

这个 Consumer-to-Consumer 和之间交换的鼻祖应该是从易趣 EBay 开始,个人把自己想出售的物品放在网上,EBay 提供这个平台,可以让其他人去购买,去竞价这些物品。

这里还有其他例子,像 airbnb 这是最近几年流行的湾区独角兽公司,是做闲置的房屋还有个人的空间的一种租赁,把用户觉得多余的或者暂时不需要的房间、房子可以通过这个平台租给其他人。

Etsy 是个比较有意思的 DIY 的爱好者,也就是手工爱好者 APP 交流的网站,你可以把你做的艺术品、纯手工的东西放到这个平台,让其他的手工爱好者、艺术家互相交流买卖。

Uber 对于大家来说应该是很熟悉的,像国内的滴滴一样,滴滴已经把它的中国业务给合并了。Uber 刚开始是从做个人的私家车的搭车业务,或者是临时司机,帮用户搭顺风车的服务。现在它已经开通 Uber  eats 开始做外卖,像美团、饿了么一样,它也是可以又接客又送货。

这边我想提一下元老级的 amazon.com,它开通了 Prime  now 服务,也开始尝试食品业、餐饮业的服务,蔬菜、水果都可以卖,用户也可以在 amazon 上面开自己的网店进行交流。

Business-to-Business

第三种类型,就是 Business-to-Business  B2B,所谓的商家与商家之间直接的交流,就是企业级的。

我先举个例子, amazon  web  services 就是 AWS,也是 amazon 旗下的一个云技术提供服务中心。

AWS 长久不衰的几大产业:

第一个就是 数据库,快速的并行的数据库的连接比如 Redshift,这是云端的;

第二种就是 存储,S3(Simple Storage Service),这是云端的存储,它自称是没有限制的,可以无限制的储存,只要你付费;还有 EC2(Elastic Compute Cloud),就是弹性的云端计算,它是专门做企业级的服务器,像我们公司就是用了很多 EC2,很多 Compute Cloud 在云端的服务器,这样我们就不用自己再开一个机房,或者是开一个数据中心去存这些数据和网页的服务器,只要付钱给 Amazon 他就可以保证你能畅通的运行,这是 Amazon 是绝对盈利的部门。

微软也开通了 Microsoft Azure,云存储、云计算相关的服务,应该是跟 AWS 是相竞争的,他们也是差不太多的内容。同样 Google 肯定也不会闲住,他们也是提供了 Google Analytics 服务,但这个稍微有点不一样:GA 不是云端的服务器的 solution,不是解决这种问题,它主要提供的是一种 tracking,数据流的记录。怎么说呢?相当于你在各种电商网站的一举一动,比如说点击哪里、浏览多长时间、用什么样的设备,是平板还是电脑来浏览,它都会把这些所有的用户的行为全部记下来。很多电商网站都会用 GA 来做相关的 reporting,就是数据的分析和处理。

这里还有一个例子是 Square,它是也比较有意思新颖的一种 B2B model,主要是用在中小型的商家,比如 food truck(流动餐车)那种在北美很常见的移动型餐车、个体户,他们可以通过手机端,现在也有使用 NFC,或者 Apple pay 这些手机的网络连接、4G 连接进行刷卡的服务,Square 方面会收取一定的服务费,但是这个就很 mobile,很移动性,不需要专门连到 POS 机上面。

Consumer-to-Business

最后一种常见的分类就是 Consumer-to-Business,顾客和商家之间的的交易。

举几个常见的例子:

第一个是 Google 的广告部门。在北美打开免费的网页,或者免费的 APP,虽然很多网页或 App 上面说是免费,但是它是自带广告,这些广告都是用 Google AdSense 提供。

举个例子,在网页的左下脚或者右下脚经常会弹出一些广告连接,一般是 AdSense 自动决策,帮助筛选出来你可能感兴趣的广告。你点击的这些广告,实际上是相当于是帮 Google 挣了一些广告费,但是你也是在使用免费的功能,所以其实你就花了自己的时间去交换了免费的功能。

下面这两个例子应该比较好理解:Survey  Monkey、Survey Gizmo 是做商业调查的,通过用户在网上完成调查以后,商家得到反馈就会付钱,相应的佣金到这两个平台上。作为消费者,你如果花了时间,还有你的个人信息去做这些调查的话,你可能也会得到一定的报酬,像打折卡、打折券、代金券,不一定是现金的回馈,这是从 Consumer 角度出发到之间的合作。

数据科学和 AI 技术在电商的应用

我们下面再看一下数据科学和 AI 技术在电商的应用。

数据科学这里说了,也是数据驱动科学,Data  driven  class,它是一种跨科学的方法,通常它是结合了多种算法和系统领域,用于提供数据各种形式的数据中提供支持和间接,那么就像左边这个示意图一样。

通常来说电商行业从刚开始第一步,Customer 是在电脑前浏览物品下单,放在购物车,然后刷卡、买单,到下面这个单被接收,刷卡成功,发给你一个确认邮件,顾客和商家都接到相应的邮件,在 warehouse 去打包准备,发货。

整个流程会产生很多的数据,这里列举了像 Traffic  Data,流量数据,比如说 User 的 Activity,即用户的行为,包括 Impression,看到的印象流量;Click Though,点击的行为;Session 就是花多少时间在看相应的物品;Email  Activity 就是邮件端的 traffic,包括了打开点击,还有订阅,或者取消订阅,这些都是流量数据。

相应的交易数据有这样几种:这里主要的例子是 Order  History,就是下单的记录,买卖过什么样的东西;Membership  Subscription 就是会员订阅,从什么时间开始、订阅多久、是什么样的会员。

还有用户信息数据,用户信息就是个人相关的,这里我列举的例子就是 Demographic 和 Geographic。Demographic 是人口调查,比如用户的性别、年龄、还有收入情况,住在哪里、有没有买房、有没有车,这些都算人口普查数据;Geographic 就是地理信息,你的常用住址是住在大城市,还是二三线城市,或者是在郊外,这些是地理信息。

同样呢,每个顾客都会有自己的 Traffic/Transaction Data,就是浏览的信息和下单交易的数据。在电商里有很多种不同的数据,数据科学 AI 技术就应用在这里,就是从数据里面提取出知识和一些有用的见解。

下面我们来具体看一下比较有意思的三个实例。

  • Amazon  GO,就是今年年初亚马逊才正式对广大人民群众开放的;

  • Smart  Speaker 是我们现在已经比较流行的智能音响;

  • Netflix  Artwork,之前有导师也提到过怎么样做用户级的推荐,关于影片的推荐。

Amazon  GO

Amazon  GO,它是一家无人商店,国内像阿里巴巴也有开这种相应的无人商店,估计是差不多的技术形态。

Amazon  Go 目前在西雅图开了一家试用,据说进门是需要排队的,因为想去看的人太多。

像这一幅图展示的,这家店没有具体的营业员在出门的时候做结算,它主要的技术,我这里查了相关资料是说有 Computer  Vision 做动态识别、用 Deep  learning 做动作的一些行为判断,还有各种 Sensor、Sensor  Fusion 进行会员身份和物品的探测。

进门时候是要下载一个 Amazon  GO 的 APP,扫了以后就可以通过这个 Sensor 把用户是什么样的形态、相关的信息、买过什么东西、是会员还是非会员都查到。扫了二维码以后,用户就可以进入。进去以后,天花板上应该到处都是摄像头,照片里没有体现,但是你的一举一动应该都是被完全记录下来的。

我们先看一下 Computer  Vision 动态识别,这个技术的核心是怎么回事呢?

Computer  Vision 它主要的技术核心是用卷积神经网络,就是叫做 Convolutional  Neural  Network。

这里举一个简单的例子,就是从最基础开始,通常一幅图片,一个英文它可以分成三个颜色:RGB;有些时候你可能会有些图,有些透明度:RGBA。每个 RGB,红绿蓝都会有相应的数值,卷积实际上是对每一层的颜色做了一个 fillter(滤镜)。

这里我举个例子:用 3×3 的滤镜,滤镜的意思是想把图像的各个框框角角都可以把各个框角的 feature(特征)给抽取出来,像图中描述的,它将 3×3 的滤镜从左到右规定一个 Stride(步数),这里的步数应该是 1,从左到右再从上到下,全部扫出来以后,相应的图层就会简化成一个 Convolved  Feature,就是一个缩小的矩阵。那这种矩阵通常可以做卷积层,就是 Convolved。

像这种套用滤镜做卷积,也可以用简单的 Max  pooling,直接取它的最大值,这里的例子是 2×2 的滤镜,和两步的部署,在每个 2×2 的框里就取最大的值,像这个框我们就取 6,相应的 8,每一个图层里面取最大的 Value 值。这种做法就是帮助我们可以减小整个图片,把图片的各种颜色的各种特征提取出来。

从这里看到,如果用不同的滤镜和不同的步数可以得到缩小化的矩阵图,然后我们可以相应的图层,做 convolution 和 pooling 以后,放到不同的矩阵,这样直接输出到下一层神经网络就可以把它从各个角度、各个方向相应的特征都提取出来。

这里的例子,就是卷积神经网络可以做的,把一幅静态的图片分成 3 个图层以后,每个图层做卷积和 max pooling,然后提取它的最大的特征,再做几次的卷积和 max pooling,可以做不同的结合,通常来说这样应该是可以起作用。到后面,把它们全部进一步的压缩减小,最后可以告诉你这个图里面它是有狗还是有猫,还是有船和鸟。

每一个识别带有一个概率值,概率值就是越高的概率越大,说明这个图片里所有的物品的概率就越大,或者说就可以确认这个图片里面有什么样的物品,这里是船,可以看出来它是的确有两条船。

刚才说的卷积神经络它是一个静态的图片的一个判断,就可以判断图片有什么样的东西,实际上 Amazon  GO 大家都是移动的,挑选商品的时候都是走来走去的,我们必须要进一步的利用 CNN 卷积神经网络的动态识别。

动态识别算法也是有一段的历史,近十年发展的很快。简单介绍一下从刚开始的 Sliding  Windows,一种滑动窗口的算法,它的概念就是:每一幅静态的图片里,定义一个像滤镜一样的窗口,在这个窗口从左到右,从上到下不断的扫描,每个窗口都会做一个判断,每个小窗口都有对应的图片,来判断这里面有没有我想要的物品。这里是判断有没有车。

滑动窗体算法中的窗体基本上可以固定扫动,一直到扫描到目标物体,比如这辆车的匹配度是零点九几,那就可以找出最高概率的这个窗口,进而确认这里确实是有一辆车。

这个算法的缺点就是会非常的效率低下,因为刚开始一幅大图把它分解成很多小图,不断的扫描,对计算能力来说也是个挑战,因为要花很多的时间不断的扫,扫到还要判断哪个图片是最有可能有这个物品。

到最近几年来比较流行的算法叫做 YOLO,就是 You  Only  Look  Once,只扫一眼。它的意思是说给你一幅图片,某个时段的样片,你可以很快的去判断这个图片里面的物体。

它是怎么实现的?主要的精神是说把这个图片按照网格(grid)分析,分成了很多小网格,在每个网格里判断物品的重心(Center)会在哪里。我们就用这个车作为例子,判断这些重心在哪里。同样它也会判断小网格里面有没有目标物体,如果有的话就会提供一个很高的概率。

当把这些发现有车的小窗口全部合在一起,变成一个大的窗口,那就需要设一个相应的一个域值,域值超过一定的量,说明物品确实存在小窗口。把小窗口全部连接起来,就会得到大一点的图片,同样再通过 CNN 做一次判断,判断这是不是对概率有所提高,或者降低,这样就可以知道:大图通过每个小图拼凑起来的应该是个完整的物品。

当然了,这里面还有很多复杂的过程,比如说有可能会发现其他框也可以体现一个车,可以有很多的连接各种小的 grid 也可以得到一个比较完整的 object(物体),你就要判断哪一个框是最能代表这个物品的。

总而言之,有了 YOLO 这种算法可以再加上目前最火的 GPU,可以很快的把动态的图片提取出这个物品的小框,可以确定是什么样的物品,是人、还是商品,这样的话,可以很快的确定这张图里面的用户有没有拿东西。

我们再继续看一下 Patent,2014 年 Amazon 就已经申请了相关的专利。

可以看到:每一个物品它都是有编号的,摄像头还有网络都是有相关的代码,录像机、摄像头全部都可以实时的处理,顾客每走到不同的货架旁边取相应的货架的一个编码,在用户取了之后系统就知道这个物品是否还存在,它的重量会变化,它相应的图像也会有变动。

每个物品都会有自己对应的编码,可以帮助系统来判断物品是不是已经被拿走。所以这里可以判断商品的数据源就有很多,首先从卷积神经网络得出的图片的判定,还有重量和压力的变化,物品的格间是不是有东西在,同时还可以结合用户过去的交易记录来判断它是不是有交易的行为。

这里也可以用到 Deep Learning,就是深度学习,作为 input 可以判断出,用户是有购买或者是有拿取得行为,或者是不是放回去,从而做出相应的决定。

Smart Speaker

我们接着讲 Smart Speaker。

从 2014 年开始,Amazon 就投入了大量的资金,研发出 Alexa 这个智能音箱的产品,然后紧跟着大家发现这个市场特别的好,Google 也推出了 Google assistant,微软也是在 2016 年就推出了音箱 Cortana,好像不是特别著名;到去年为止,亚马逊又提出升级版本,推出了 Show 还有 Look 这种带摄像头的产品;苹果也推出了自家的 Homepod,也是个智能音箱,好像就是今年会推出它的更新版,和 Siri 联系在一起;三星也是相应的推出 Bixby,广告上也经常在提到。

智能音箱是非常火爆的产品,各大电商技术巨头都推出相应产品,帮助大家在网上下单,买卖东西。那么我们就专注一下 Amazon  Echo 这个最先驱的产品,或者说从 Echo 开始智能音箱才打开了这个市场。

Echo 现在的功能已经非常的强大了,图像化的它可以连上手机的各种 APP,听音乐、听电台、听新闻、看电视、叫车,放在家里可以用来看 Amazon fireTV,同时智能家电像温度开关,还有家里的电灯开关,都可以通过智能音箱去控制。

主要的技术背景这里我们应该看得到,就是语音识别和语音分析。语音识别就是通过不管是英语还是中文,还是其他阿拉伯语、日本语都可以让智能音箱能了解到大家想要做什么样的事情。

这里介绍一下语音识别的技术,近几年也是发展迅猛:

从刚开始把每个语音波段,像这幅图里面语音波段提取相应的音素叫做 Phoneme,每一个 Phoneme 提取特征,就像我们拼音的元音、辅音,一些比较有代表性的发音,就是由音素组成,把这些元素提取出来,拼凑成相应的字,或者词组,这是刚开始的语音识别的比较工程化的技术,现在已经发展到用 RNN,就是递归神经网络。

递归神经网络它不同于传统的神经网络,它是有递归性的,意思就是说:每一个神经元(见上图),他们是互相连接的,上一层的 a,也就是激活函数,它处理完的输出可以直接输出到下一个函数,这样不断的迭代。同时,每一个相应的输入,不同的单词、词组都会分别输入到每个神经元里面,但是这些神经元又是跟之前的神经元相连,更复杂一点的网络,我们可以说从正方向相连,也可以从反方向互相联系。

最后训练成功的这个网络,每个神经元都会输出 Y1Y2 这样的值,就会判断每一个 Y 代表什么意思。如果你需要提取名字的话像“Teddy bear”输出可以这样表示:0011000。现在更复杂的情况,Y 可以变成一整个向量性的输出,它在一个词库里面,比如“Teddy”对应的值为 1,词库里面其他不相关的词就会判断为 0。

意思就说它判断出来,某个词在相对应的阶段的语音,接近于对应的单词。它直接跳过音素这种比较传统的步骤,直接通过整个语音的长度和广度,就可以判断出这段声音的文件它代表的什么意思。这个就是 Voice  Recognition 的大概的工作原理。

有了 Voice  Recognition 语音识别,我们可以进一步的识别出了相应的文字就可以做 NLP,自然语言分析,也是语义分析。

语义分析也是很热门的学科,可以做各种各样的事情,比如说最常见的:

  • 词频统计,通过公式算词频在某个文件、某个文档里面出现多少次,或者是统计它在这篇文章或者整个文库里边,它出现的频率做一个层级,就可以算出它正交化的词频统计。有了这个相关的数据可以作为数据输入。

  • NER 就是 Name  Entity  Recognition,是专门做名字、名词相关的物品的一个识别。

  • POS 就是 Part  Of  Speech,词性解析,像中文的主谓宾是主语,在英语里边就是形容词、名词、代名词。

  • N-Gram 就是组合词频,比如:Cat 就是一个单词, Running  Cat,就是一个词组,它是有两个单词进行,就是 2-gram,N-gram 就是把这些高频组合的词去挖掘出来。

  • Word embedding 很有意思,可以把各个词,按照它们的类别进行分类,比如 Man、Woman 可以按照性别等等进行分类,可以把它作为一个相关性的向量展开,这就是单词嵌入,每个词就赋予了更深的意义。

有了以上的这些,我们就可以做进一步的分析,比如情绪分析,喜欢还是不喜欢,正面的色彩是负面的色彩,像一些打分系统,就是用情绪分析来做。

也可以继续做 GloVe/Word2Vec,用的是 Word  Embedding,把词展开到对应的向量空间,从而可以判断这个它在整个句子的成分,或者说跟上下文相关,在一段内容里表示的具体意思,或者对将要出现的下文做个判断预测。

同样还可以开发聊天机器人,有了这些 NLP 的手段可以去跟真人聊天,或者是解决一些简单的真人的问题。比如开灯关灯、开电视,从语音分析里面提取想要的重点,达到要完成的愿望。

Netflix  Artwork

我们再最后看一下 Netflix  Artwork。

也是挺有意思的一个实例,用上了数据科学和 AI 技术。上图左边的是一个在北美挺有名的科幻电视剧,主要的情节是小朋友到了虚幻的空间探险,从真实到虚幻。

对不同的人群来说,这些海报应该怎么样宣传?这里就可以把影片的各个情节都提取相应的插图作为海报,喜欢恐怖片的朋友可能会看带血腥的,或者带火焰的;喜欢小朋友的观众可能看到有很多小孩的海报;还有个人喜欢某一个明星,那么他个人的海报作为粉丝你应该是感兴趣。

这里需要一个有效的推荐引擎来给用户推荐,用户看了这个宣传海报以后,是不是要去点击播放。

传统的方法就是首先收集数据,建好模,做好各种 A/B  testing,然后把这个 Model 正式出品,执行在前端。这个时间实际上是会很久,短暂来说可能要花上几星期,可能也会是数个月。在这段时间内,可能用户的喜好就会发生很大的变化,可能在最后把这个模型推出以后,跟之前预测的用户在这个时间点的品位又不一样,模型反而不清晰,产生很大的分歧,并没有达到想要的功能,或者并没有推荐到用户真正喜欢的东西。

Netflix 最新的算法是一种强化学习的手段,叫做 Reinforcement Learning,它的主要特点就是:可以快速的迭代,持续的优化。

我们来看一下它是怎么样实现的,从简单开始,它的核心思想简单来说是:多臂带宽(Multi-Arm Bandit)的算法,在 RL 里面定义一个 state,通过 reward function Q,就会得出 reword 是多少。像这个章鱼一样,每执行不同的步骤就会有不同的效果,每一台都像赌博机一样,启动了赌博机 A 和赌博机 C,可能会输或者都会赢,value 都不一样。

上图中的公式在这里就定义了:功效应该等于 reward 加上γ乘以未来的功效。假如γ是 0,就不考虑未来期望值,上一次得到的 reward 是多少,就一直按照这个方式去进行,不会去考虑其他的可能性。

现在看来要达到最好的办法,Netflix 采用了一个叫做 Contextual Bandit,环境带宽算法。

contextual 实际上是来定义用户是一种环境变量,每一个用户都有不同的背景和喜好,那这里就把刚才的公式复杂化,加入了 learning rate,意思就是说 Customer 它的未来的这个 Q,是需要通过建模来达到通预测的功效。

加入了 learning rate 之后,α如果等于 1,就可以去掉掉两边,换成刚才 MAB 算法。如果模型不需要太考虑未来,那就用刚才简单优化算法,按照每一次的结果,来选每次得到最高效用的那个模型;如果想让 RL 模型去学习更多、探索更多未来的未知的情况,假设α不是 1,这个时候 Q’ 的作用能够体现出来。Q’是用一个类似于深度神经网络这样的模型来做预测,这里举的例子就是把客户的浏览记录,还有个人的背景,还有可能一些像年龄性别这些相应的信息作为输入。也许你能够获得很多顾客的信息,可能是百万级,用这样的方法对这些信息做一个深度学习的 Training。

我这里是举的例子是股市交易,有相应的 budget 和 shares,加上交易的记录,可以做出一个深度学习的网络,它可以做出决策:你需要买还是卖,还是 hold。它这个例子呢,在这边就是最后可以用 Q’作为未来回报的预测。有了整套系统,你知道了近期的 return,然后又可以预测的未来的 Return,当然这个 Q 太初级,可能要在不断的迭代候才可以正式使用,这样的话,就会比刚才提到的单一的建模考虑到更多的变量,它会更加快速的迭代。

总  结

大概总结一下。

我们今天有提到的,电商行业的新宠,就是深度神经网络、卷积神经网络以及递归神经网络,再加上强化学习,我个人觉得在未来的行业里,通过积极的发展,它们运用的方向是非常广阔的,像行为预测,智能图像、还有语音识别、个性化推荐,在电商各个环节都是必不可少的。所以说在未来应该相信会很快的看到这些 AI 的技术运用于顾客的体验和买卖活动当中。今天我的讲课就到这里,谢谢大家来花时间来听,希望对大家在电商行业的认识和了解有进一步的作用,谢谢!

讲师介绍

Wenkel Liang,毕业于北美西雅图 University of Washington Ph.D. 现任职洛杉矶某酒类电商公司 Lead Data Scientist. 曾任职于 REVOLVE(美国最火 fashion brand)的 Data Scientist; KPMG 的 Senior Associate in Data Analytics; 生物医药软件行业工程师兼 Research Scientist。

5 年 + 工作经验,在互联网产品,电子商务 business analytics,在咨询领域有丰富的商业数据分析和数据建模经验。擅长商业问题的分析、把业务问题转换成数据问题,怎么设定数据指标、怎么用拿到的数据回答问题。精通主流建模语言工具,比如 Python/R, SQL/NoSQL, AWS, Google Analytics, Tableau,以及机器语言学习 (Machine Learning) 和自然语言处理 (Natural Language Processing) 相关的实际运用。


阅读9097
举报0
关注InfoQ微信号:infoqchina

用微信扫描二维码即可关注
声明

1、头条易读遵循行业规范,任何转载的稿件都会明确标注作者和来源;
2、本文内容来自“InfoQ”微信公众号,文章版权归InfoQ公众号所有。

评论
更多

文章来自于公众号:

InfoQ

微信号:infoqchina

邮箱qunxueyuan#163.com(将#换成@)
微信编辑器
免责声明
www.weixinyidu.com   免责声明
版权声明:本站收录微信公众号和微信文章内容全部来自于网络,仅供个人学习、研究或者欣赏使用。版权归原作者所有。禁止一切商业用途。其中内容并不代表本站赞同其观点和对其真实性负责,也不构成任何其他建议。如果您发现头条易读网站上有侵犯您的知识产权的内容,请与我们联系,我们会及时修改或删除。
本站声明:本站与腾讯微信、微信公众平台无任何关联,非腾讯微信官方网站。