-
机器学习
机器学习和人工智能这么火，初创企业在哪些领域会有机会？
注：本文原载于 Elad Blog，作者 Elad Gil，由 ONES Piece 翻译计划 徐雪儿编译。
编者按：最近，特斯拉无人驾驶汽车发生的事故让人们对无人驾驶技术有了一丝质疑，但这仍是许多科技巨头公司趋之若鹜的发展方向。可以说，人工智能和机器学习已经从原先电影里的概念性设定跳脱出来，小到监测健康数据的可佩戴式仪器，大到智化的机器人，这些都真实的发生在现实世界。而对于机器发展最大的争议，或许就在于大量劳动力的替代和道德层面的探讨。Twitter战略总监，同时也是著名投资人的Elad Gil在本文就预测了他认为围绕机器学习和人工智能可能发展起来的领域，以及真正AI时代给社会带来的影响和冲击。
在可预期的未来，人工智能科技将在多个商业领域发挥其不可估量的影响。在接下来的10-20年里，机器学习也许会渐渐取代白领和蓝领的工作，最终导致全社会范围的大量动荡。
目前，大多数的主流报道都还停留在讨论人工智能的一般用途上（也就是所谓的AGI强人工智能，指能完全胜任人类脑力劳动的人工智能），但很少有人去关注最近五年内，人工智能和机器学习最有可能转变的具体垂直市场。简单来说，我认为要达到真正的强人工智能水平，我们还有十多年的距离，但是由人工智能驱动的垂直产品在近年就会带来一场巨大的变革。
下面列出的都是企业家和投资者们估值过低的领域，而在这些不被看好的领域里，我相信一大批大型的AI公司很快就会成长起来。在所有围绕机器学习发展的领域里，一家创业公司想要成功，有两个关键点：1、搭建用来训练模型的有用的数据库的能力，以及拥有对模型进行递归性测试和闭环反馈的模拟环境；2、选择一个市场，让机器学习根据市场需要创造产品。为了做AI而做AI的产品就像一个找不到问题的答案，通常这类创业公司都容易失败或者是被谷歌、Facebook、Uber 等其中一家收购。(在这个市场里还会有成千上万的收购案，因为所有公司都想要提升自己的在这块领域的能力。)
下面是我认为在未来五年内能产生大AI公司的领域：
硬件和集成电路
无人驾驶汽车不可抵挡的发展势头，以及大量使用机器学习技术的其它市场的发展，将会带动对更高效、为机器学习模型专门优化的硬件的需求。很少有创业公司或者投资者投入到能更快速运行的机器学习系统基础芯片构架开发上。许多使用专业集群来运行机器学习的公司都会选择NVIDIA的GPU（图形处理器），但其实这款处理器没有进行过特殊优化，并不是机器学习模型的最佳选择。所以在这方面的硬件上仍然有很大的创新空间（ASIC或者是其他方式），可能会有ARM或者高通这样的大企业诞生。这不仅是机器学习在各个行业的应用发展促成的，也是无人驾驶汽车和其他硬件对处理器的大规模需求所驱动的。说不定，在人工智能领域的第一个百亿美金公司会是做芯片的。（你确实可以说谷歌搜索/广告是世界上应用机器学习模型最成功的垂直应用，它的市场价值和收益早已经超过100亿美金了。所以我的意思是，下一个会成功的初创公司。）
像 Cerebras 和主攻深度学习的Nervana公司目前就正在这个领域发展。
金融科技
WealthFront 和 FutureAdvisor（被BlackRock收购） 在“智能投顾（robo-advisors）”领域的崛起，表明金融服务公司开始关注由机器驱动的投资组合管理和交易模式。无论是投资组合的组建和交易，还是从不同类型的金融数据中提取分析结果上，机器学习都会产生越来越显著的影响。
机器学习和大数据在金融科技上的应用至少会有三个方向：
提高交易效率或者收集独到分析的工具。OmegaPoint公司就专注于打造“新生代的Bloomberg”，将机器学习模型建立在数据服务上用于交易。
基于机器学习的投资组合管理和交易运作。
通过机器学习模型来理解金融产品，并为其定出合理的价格。
像保险、房贷和其他衍生产品将会大大受益于人工智能的应用。如果一家创业公司或目前行业内的玩家能用新的统计方法和机器学习为客户计算出更优惠的房屋贷款分期方案，那它肯定会做成一家大公司。
无人驾驶汽车和卡车
无人驾驶汽车的出现，将会扰乱现在价值数十亿美元的交通运输市场。汽车和卡车的生产商已经意识到，一场关乎生存的危机正在悄悄降临。而特斯拉公司的出现无疑加剧了这些汽车行业公司的危机，因为前者现在似乎终于有了一款面向大众的汽车，并且正在无人驾驶领域大力推进。更加雪上加霜的是，谷歌和百度这样的科技巨头也要在无人驾驶技术上参一脚。许多汽车公司更愿意自己发展，避免依赖于这些科技公司——因此美国通用汽车花10亿美金并购初创公司Cruise，Uber花1%的股权收购了自动驾驶卡车公司Otto。在接下来的1-3年，无人驾驶汽车领域的收购合并案还会持续频繁地出现。
无人驾驶技术的发展，必将掀起数百万人的失业浪潮和不可小觑的社会变革（很大程度上会是经济上的通货紧缩）。尽管产业革命已经在150年前发生过了，但随着多种职业的消失，人工被取代，在接下来10-20年中爆发更大型的失业潮也不足为奇。如果政府没有为这些失业者提供另谋生路的机会，政治上的动荡不可避免。
医药
人们一讨论到人工智能或者机器人，就会举例说蓝领工人要面临失业了，然而我倒觉得大部分的白领们会被人工智能所取代。
医药领域将会迎来一次大颠覆。从疾病的定义、诊断到治疗方案，机器学习将改变整个医疗系统。“技术领域”投资之王VinodKhosla在这方面就有不少的高见。
在医疗护理方面，机器学习也有很大的发展潜力，能替换掉原有的大部分构架。想象一下在未来，只要有一部智能手机，每个人就相当于拥有了世界上最好的医生，不仅成本低，而且随叫随到。
a. 诊断
记得之前看医生的糟糕历经吗？排队等了45分钟，轮到你却只看了5分钟就草草了事，给点无关痛痒的治疗建议。糟糕的客户服务和高昂的医药费用，在任何有竞争力的行业都是存活不下去的。
从医生诊断到机器诊断的转变，将会促进每种疾病单独的产业发展——比如IBM的Watson认知计算项目就宣布了自己在肿瘤学的进步。类似的还有，在抑郁症诊断方面的惊人进展和通过计算机深度学习对其他精神疾病的研究。机器诊断的限制往往在于可利用的数据量，以及是否能对诊断和结果进行闭环反馈。
想要加速机器学习技术在医学上的应用发展，一个方案是收购一座现有的放射治疗中心或诊所。这座放射治疗中心将会被连上网络，优化数据生成环节，用以生成数据训练机器学习模型去诊断和治疗病人。通过在诊所推行机器模型与传统的标准诊所服务齐头并进的做法，你在获得机器闭环反馈的同时，还能减少监管和病人护理的问题。
同时，机器学习模型的推行会提升诊断测试的准确性。比如，用机器学习模型来决定DNA测序仪上的变体识别是否正确，或者在荧光激活细胞分离器上观察到了哪种细胞类型。我的公司Color Genomics已经开始用不同的方式，将机器学习应用到基因学研究上了。
b. 治疗
和诊断方法相似，机器学习将能帮助病人选择正确的治疗方案。而最大的限制可能(又)在于数据的访问。
c. 持续的监测和分析
为机器学习模型增加可利用数据的一个方法，就是采用以消费者为主导的新型技术进行持续的监测。健康数据的自我监管背后，有一小簇忠实的拥护者。像Cardiogram公司就通过持续的脉搏检测和其他数据监管的方式，让消费者掌握更多的自主权。硅谷的一批居民都用上了The FreestyleLibre血糖监测仪，自己来检测血糖水平。推动“全民科学”的发展，和激发人们积极关注自己医疗保健和健康状况的意识，可能会改变现有的医疗实践。
教育
从科技角度来看，美国的教育市场挺糟糕的，所以我从未投资过任何的教育类创业公司。即便如此，我还是抱着一丝悲观的期望，会有开发智适应教育系统的的公司出现，能因材施教地划分学生的线上学习内容和线下课堂教学内容。这种教育科技能大幅提升发达国家和第三世界学生的学习能力。
其他领域
还有许多已经、或者即将被机器学习颠覆的领域（制造业，广告业等等），本文没有涉及到。作为一个企业家和投资者，我个人最感兴趣的就是上述几个领域，以及围绕这些领域的许多发展机会。企业家们应该思考，机器学习是如何做到让一个市场里的某产品变强十倍的，而不是仅仅关注机器学习本身的价值。这也是围绕人工智能发展一家大公司的关键所在。
数据限制
从根本上来说，AI产业发展的限制大多来自对数据量的依赖。如果金融、医疗和其他领域的数据能大量利用的话，不少的先进机器学习应用也许能保留下来。大公司（谷歌，IBM等）和创业公司建立有用的数据库的方法有两种，购买数据接入途径或者合作找解决方案。数据将会改变许多的产业，成为科技廉价化和民主化的一股力量（比如贫富国家之间的医疗护理标准日趋相同），但同时也会取代发达国家相当一部分的劳动力。在未来5-10年间，机器学习的终极影响将体现在拓宽关键信息的接入渠道（如医疗诊断），和替代掉数百万人的劳动力。接下来还会有更多相关文章。
-
机器学习
将机器学习算法与销售运营相结合，People.ai协助企业提高工作效率
【来源：猎云网（微信号：ilieyun）】 编译：田小雪
People.ai将机器学习算法与销售运营相结合，是来自YC的夏季新创项目。
1
这一平台利用机器学习技术为销售代表提供预测性运营剧本，帮助他们总结以往成功的经验，促进团队间成员合作，提升其工作效率和销售业绩。
1
People.ai所试图解决的问题正是销售人员数据的缺失。
1
公司的联合创始人兼首席执行官Oleg Rogynskyy在将销售的成功案例与开发的成功案例相比较时，解释道：“在看到开发人员的工作成果时，你能够通过代码和GitHub了解他们的思路和想法。也就是说，虽然你不清楚他们具体做了些什么，但是大体工作方向和内容是了解的。”
1
但在追踪销售人员的工作进展时，整个流程是反着来的。你可以看到他们发了多少封邮件以及打了多少通电话等等，每一个具体的步骤你都清楚地掌握。虽然有的时候的确能带来收益，但你对具体内容却是摸不清头脑。
1
People.ai就专门追踪销售团队内部的数据，据此来找到成功的关键因素。
1
它通过扫描邮件、日历、电话、会议工具和WebEx等数据来源，记录销售人员在不同平台上发生的所有活动和事件，交叉对比，找到共同之处，将最能促进交易达成的事件独立标记出来。
1
另外，这一算法还能找出一些效率低下的、无价值的行为，比如说某位销售人员在某个阶段或环节，花费的时间过多或过少。
1
除了能追踪销售进程，People.ai还能够记录新员工培训进程，在人力资源主管提升招聘质量和效率的过程中起到重要作用。
1
有人会问，这些事Salesforce不是已经做过了吗？Rogynskyy指出Salesforce是存在缺陷的。首先，它的数据都是手动输入，费时费力；其次，它的分析不够准确，不能涵盖交易过程中的所有细节。
1
而相比之下，People.ai能够自动完成整个数据录入过程，Rogynskyy介绍道：“我们是行业中第一家做到完全覆盖销售人员工作流程的公司，我们的数据标准、均匀，可靠性高。”
1
目前，People.ai的在职员工约为10位，其产品受到了50家B2B公司的青睐。公司所有的运作事宜由YC和其他一些天使投资人提供幕后资金支持。
-
机器学习
除了为求职者省去岗位申请流程，Mentat还将机器学习技术融入招聘服务
据科技媒体Techcrunch报道，美国目前50%~70%的公司员工不满目前的工作现状。与这个统计数字相对应的还有一个事实：美国有超过90%的千禧一代预计每三年换一次工作。这难道是促进招聘行业发展的一个好时机？
而在中国，尽管没有权威而系统的员工满意度调查，但今年年初前程无忧发布的《2016年中国离职与调薪调查报告》却能告诉我们一些信息：平均离职率达到17.7%，特别是高科技、金融等热门行业跳槽较为凶猛（大部分行业离职率都超过18%）。
虽然我们现在根本就不缺堆满招聘信息的网站，但一家刚刚从创业孵化器Y Combinator“毕业”的招聘公司却宣称要做点不一样的东西。
这家初创公司叫Mentat，专门帮助那些确实需要一份新工作，但是却没有做充分准备（或者说没有勇气迈出这一步）或忙于其他事而无暇申请新职位的员工。
为了帮助这一群体，在得到申请人授权后，Mentat将会“接手”并充分利用他们的个人社交平台（例如LinkedIn）与个人简历，然后为他们准备手写求职信，并安排特定人员为他们申请工作岗位。
在这一线上申请过程中，公司也会在现实生活中为用户安排一名个人咨询师，通过电话、聊天工具以及邮件等形式与用户保持及时沟通。目前，Mentat拥有50名来自不同行业的专家级咨询师，因此，他们会根据你选择的特定行业给出最好的职业建议。
所以，科技因素究竟在哪儿（以上很多求职中介都能做到）？Mentat表示，公司正在利用机器学习技术为求职者匹配潜在的工作岗位，精准率极高；同时，后台也能够将不同行业的求职者信息自动分发给负责该领域的咨询师。用Mentat的话来说就是“除了写求职信和提交申请，其他的事情都会交给机器。”
Mentat这项服务套餐，目前的价格是249美元。如果用户没有收到任何面试通知（规定是至少一个），那么公司会将全部款项退给他。当然，他们也有类似于传统求职网站的免费会员等级，比如会向公众开放大量的招聘岗位。
但这是否意味着用户自己不用费工夫就能得到一份工作？Mentat给出的答案是：大多数工作申请流程只是要求用户无数次重复地提交简历，而他们要做的是帮助用户将这些被浪费的时间节省出来，让用户集中精力准备面试环节，这才是求职者充分展现自己个性与技能的平台。
有意思的是，Mentat正在尝试与教育机构进行合作，把自己的服务介绍给学生。他们认为，在当前的就业市场，找工作是毕业生们唯一关心的事情。而Mentat的求职产品可能会成为未来院校确保毕业生们获得面试机会的一种附加保障。
本文参考了信息来源：techcrunch.com
-
机器学习
高速发展的机器学习，会给企业运营带来怎样的改变？
来源：猎云网（微信号：ilieyun） 编译：Mancy
毫无疑问机器学习正处于 hype curve （发展规律周期）模型的顶峰位置。当然，反响也异常激烈，仅在过去一周我就听了 20 遍这样的笑谈：机器学习就像青少年的情欲，人人都在谈论它，但是没有人真正了解它。但就在我身处的地方，有人运营了一家公司，让现实世界中大量的机器学习项目都变得可以施行，很明显，机器学习将极大程度地改变公司的运营方式。
它并非只应用于 Siri 和 Amazon Echo 这样新潮的产品，它的研发公司也不局限于我们通常认为的拥有大量研发预算的谷歌和微软。在现实中我敢打赌，几乎所有的 500 强公司都因使用了机器学习而获得了更高的效率和利益。所以机器学习身在何方呢？在这里我们介绍几款能让生活变得更美好的幕后应用。
赋予用户生成内容以价值
一般的用户生成内容有点吓人，实际可能比你想象的还要糟糕，这些内容充斥着错别字、低俗内容和完完全全的错误信息。机器学习模型可以确定用户生成内容的好坏，筛除糟糕的内容，让优秀的内容展示给别人，而这些过程都无需人工审核。
与之类似的情况还有垃圾邮件。还记得那些关于垃圾邮件的辛酸往事么？机器学习可以帮助确定哪些是垃圾邮件，而且基本上可以过滤它们。近些天，清晨检查收件箱时你会发现垃圾邮件日渐减少。希望在不远的将来用户生成内容也能达到这样的效果。
Pinterest 利用机器学习向人们展现了更多有趣的内容；Yelp 用机器学习整理用户上传的照片；NextDoor 用机器学习筛查留言板上的内容；Disqus 用机器学习来剔除垃圾评论。
更快发现产品
作为一家搜索公司，谷歌总是最先聘请机器学习的研究人员，这不足为奇。实际上，谷歌近期分配了一名人工智能专家负责搜索。但是，自 1970 年开始，搜索大型数据库和匹配关键字抓取结果的技术就已存在。谷歌的特别之处就是它知道哪一个匹配结果具有最大的相关性，而谷歌具备该能力的原因就是它使用了机器学习。
但是，不仅仅只有谷歌需要智能的搜索结果。家得宝也需要在巨大的货物目录中为某位客户不规则的浴室匹配合适的浴缸。苹果公司需要在其应用商店中展示相关应用。Intuit 需要在用户提交某一纳税申报表格时给出相应的帮助页面。
像 Lyst 和 Trunk Archive 等成功的电子商务初创公司都使用机器学习为自身的用户提供高质量的内容。其他初创公司如 Rich Relevance 和 Edgecase 会采用机器学习的策略，当商务客户浏览产品时，公司会将机器学习所获得的益处展现给他们看。
与客户打交道
你可能会注意到，近些年来，“联系我们”的形式变得更加稀少。那是机器学习简化了业务流程的另一表现。为了不让用户自行选择问题，不停地填写问题表格，机器学习会查看请求内容并将其导向合适的地方。大公司愿意在机器学习方面投资，因为他们已经看到了机器学习正向的投资回报率。
理解客户行为
机器学习亦擅长情感分析。对于不搞市场营销的人而言，舆论有时候是暧昧不清的东西，也会推动许多重大的决定。例如，一个电影工作室推出了某一暑期大片的预告片，他们可以通过获取社会的反响来看看目标观众的呼声在哪里，然后他们就会调整广告策略来让真正感兴趣的观众浮出水面。这样，工作室就不动声色地把观众带进了电影院。
另一个例子就是：一个游戏工作室近期在某款流行电子游戏的主线中推出了新的主题，然而当中却没有玩家期待的某个游戏模式。当玩家通过社交媒体开始吐槽时，工作室就能监测这些言论，找出自身的问题。然后，工作室会暂停他们的发布计划，等添加了新的功能之后他们就能把黑粉转为真爱粉了。他们是怎么从数百万的 tweet 中发现这些微弱的声音的呢？答案就是他们使用了机器学习。在过去几年中，通过机器学习监听社交媒体已成为标准的运营程序。
下一步？
处理机器学习算法是个很棘手的事情。正常的算法都是可预测的，我们可以透过现象看本质，理解它们是如何工作的。在某种程度上，机器学习更像人类。作为用户，我们有时候想不通纽约时报为什么会推送那些奇怪的广告，也不明白亚马逊为什么会推荐那些滑稽的书籍。实际上，纽约时报和亚马逊不能像人脑一样明白那些特定的结果，例如我们知道为什么晚餐选泰国菜，然而它们却不知道。
如果十年前你步入了机器学习的领域，除了谷歌和雅虎之外你可能找不到工作。而今天，机器学习无所不在。数据比起以往更为普遍，也更易获取。例如 Microsoft Azure ML 和 IBM Watson 的新产品降低了先进机器学习算法的准备成本和持续成本。
大众文化中的机器学习主要集中在人工智能的私人助手和自动驾驶汽车上，不过几乎你打开的每一个网站背后都有机器学习的支持，大公司投资机器学习并非因为它的流行或者先进性，而是机器学习能给他们带来可观的投资回报，这也是创新不断产生的原因。
-
机器学习
云+机器学习=？
周六，亚马逊宣布AWS将新增机器学习服务，这项服务“面向没有经验的开发者，可以完全托管”。提交至该服务的所有数据都将保密，而随着客户向其中输入更多数据，这一系统将越来越智能。
过去的多年里，机器学习技术一直在亚马逊公司内部使用，主要被用于亚马逊商城的个性化推荐。但AWS的一些大客户，包括社会活动网站Change.org，要求亚马逊提供更多的机器学习支持。
对于大多数企业，包括中小型互联网企业和几乎所有的传统企业，它们不具备自己搭建云平台的能力和优势。云就像电网集中供电一样，通过网络从hub向分支传输资源和能力。每个企业自己进行数据存储、计算、分析，就像自己用发电机发电一样，不会是主流现象。
在亚马逊之前，其他巨头也在尝试将云和机器学习结合起来，微软推出Azure云机器学习平台，谷歌则允许Prediction API接入谷歌云。
《纽约时报》评论道，微软、谷歌、亚马逊谁会成为最大的赢家，这不是最重要的，最重要的是，亚马逊拉低了云机器学习的价格和门槛。我们离一个低成本预测的时代更近了，而这里说的预测，不局限于预测购物行为、观影喜好等等，而是全面渗入整个世界：基因组学，物联网，大型网络软件，企业决策……
当然，就像电厂故障会带来巨大的经济损失一样，随着云平台承载了越来越多的任务，安全性和可靠性被摆在了更重要的位置。哪家公司都不想像Netflix一样，因为AWS数据中心故障，用户无法正常观看视频。
云服务是否能赢得足够的信任和认可，除了本身的政府的行动对此有很大影响。去年，6亿美金的CIA大单最终花落AWS。老顽固CIA的认可，是对AWS可靠度和影响力的有力背书。而在我国，去年工信部出台可信云认证，试图指出一条透明的云服务之路。
来源：36氪 作者：胡卷卷
扫一扫，关注“HRTechChina",聆听人力资源科技的声音！
-
机器学习
大数据＋机器学习＋平台，Dato拿了1850万美元B轮融资
大数据在硅谷炙手可热，拿融资自然也不再话下，拿到千万级美元融资的也有不少，不久前大数据分析云服务GoodData就获得了Intel Capital领投的2750万美元。据华尔街日报消息，机器学习平台 GraphLab 刚刚改名Dato，并获得了 1850 万美元新融资，投资方为 Vulcan Capital 、Opus Capital 、New Enterprise Associates、Madrona Venture Group。此前他们曾获得680万美元融资。
GraphLab 提供了一个完整的平台，让客户能够使用可扩展的机器学习系统进行大数据分析。简单来说，就是从别的应用程序或者服务中抓取数据，让机器学习这个模型，并将学到的知识作为基础，自动地进行准确的预测和决策制定。这么讲挺抽象，我们还是具体举几个例子吧。可能最好理解的就是民主国家政府的民意调查，可以通过社交网络、媒体等提取数据，分析出民众到底在关心什么，分析出哪些区域的哪些问题必须关注、解决。其实，生物医学研究团队也会使用 GraphLab，主要是来分析临床记录，从而预测病人的病情发展趋势。零售业可以做价格预测、用户推荐；金融服务业可以做诈骗预警；市场公司则可以通过情绪分析锁定关键客户。现在 GraphLab 的客户已经包括 Zillow、Adobe、Zynga、Pandora 等。
那为什么是 GraphLab（现在应该叫 Dato 了）会获得这么多客户的青睐呢？ 其实，将原始数据转化为决策依据，并作出预测，这个过程还是很复杂的。往往需要大量的数据处理工具，收集、清洗数据，再建模分析，得出结论，进行展示；还需要大量的数据科学家或同样知识渊博的软件工程师来配合完成。既耗时费力，还投入不菲。所以 GraphLab 这样的平台，可以让毫无编程经验的数据科学家，快速地将理念转化为生产环境可以使用的产品，提高企业的生产效率，自然受欢迎。值得一提的是，Dato 现在能处理各种数据类型。
GraphLab 的创始人 Carlos Guestrin 是机器学习界国际公认的大牛，曾被 Popular Science 杂志评为 2008 年 “Brilliant 10”，还获得过美国青年科学家总统奖。2008 年在卡耐基梅隆大学带着两个学生研发了 GraphLab 的原型，2012 年被 Jeff Bezos 游说去了华盛顿大学。
在 Madrona Ventures 和 NEA 的资金支持下，2014 年 3 月创办了 GraphLab，并以测试版的形式推出了第一个商业版。2013 年 10 月，增加了机器学习功能，推出了新版本。现在的 GraphLab 已经不仅仅是图谱分析了，更是一家基于 AI 的大数据公司，能够处理各种数据类型，所以公司也改名叫 Dato 了。
在美国现在的大数据公司主要有四类：
数据的拥有者、数据源：特点是业务优势能收集到大量数据，就像煤老板垄断一个地区的矿一样。其实大多数有能力产生或收集数据的公司都属于这类型，比如Vantage Sports和收集了PB级数据的包子铺。
大数据咨询：特点是非常技术，提供从基础设施规划建设维护到软件开发和数据分析等的服务，但不拥有数据，比如Cloudera这家不到500人的startup是最著名的Hadoop架构咨询公司。
做大数据工具的：比如AMPLab出来的Databricks和Yahoo人主导的Hortonworks。
整合应用型：特点是收集拥有或购买一些数据，然后结合AI来解决更多实际的痛点。
像 Dato 这种做整合应用型的大数据公司才有可能有希望。未来是 AI 的，而 AI 的食物是数据。就像很多产业链一样，最困难且最有价值的创新往往发生在接近最终用户的那端，比如 iPhone。大数据行业最有价值的部分在于如何利用机器去处理数据得到洞见，影响组织和个人的行为，从而改变世界。收集和整理数据在未来会变得标准化和自动化，而利用 AI 进行分析的能力会变得更为关键。
[36氪，作者: 小石头]
扫一扫 加微信
hrtechchina
