-
人工智能
快商通落地人工智能，为企业提供智能客服
这套智能系统能够识别语义，在客户需要时智能推荐销售人员、信息以及产品。
当你打开一个医疗网站，屏幕上经常会弹出一个客服窗口，这些客服窗口多是人工在解疑答惑。当你打开一个微官网，想要咨询产品信息或者服务，若是没有客服在后台关注，往往需要等待多时才能获得回复。这时候若是有一个智能客服机器人，及时回复消费者信息，就能够极大提高效率。
快商通是一家人工智能公司，专注为企业提供人工智能营销客服服务。
快商通能够实现全渠道API接入。通过把代码植入到网站、APP、微官网和微信公众号中，机器人客服就被安装进公司官网。这套智能系统能够识别语义，在客户需要时智能推荐销售人员、信息以及产品。更加智能的一点是，它还能够“洞察”客户情感或者态度，并根据不同态度来选择相对应的话术回复。
除此之外，快商通还提供智能话术辅助和智能营销策略这两个增值服务。
智能话术辅助是指快商通软件通过机器学习该企业优秀员工在营销时的话术，在普通员工答复消费者的咨询时提供这套话术作为指引。这个功能解决了许多中小企业的痛点。中小企业的特点之一是人员流动性高，优秀员工对他们来说极其稀缺。然而一个优秀员工的业绩跟普通员工相差40%-50%，其中主要原因在于两者话术的差别。快商通这一功能能够让普通员工迅速模仿优秀员工话术，提高中小企业的业绩。
而智能营销策略则类似许多大数据公司利用数据做营销分析和预判。通过消费者浏览轨迹，快商通可以判断出他是从哪个网站分流过来，并抓取客户的来源、省份等信息，然后把数据分析结果通过营销报告的形式发送给客户，并给出营销建议，例如在哪里投放广告或者使用哪些关键词来吸引客户。
快商通的客户主要是中小企，目前有25万家企业在快商通注册。此外，快商通还会为大客户提供技术支持，例如南方航空等企业。
快商通的推广模式主要有三种。第一种是参加沙龙等公关活动，第二种是通过SEO做广告投放，第三种是与平台直接对接，例如与点点客、有赞等平台合作。
在客服这条赛道上，曾经报道过几家在线客服的SaaS平台，例如多渠道优化整合客服平台Udesk、美洽和逸创云，利用语义分析算法提供客服机器人服务的智齿科技，从语音切入客服市场的天润融通，做客服人力外包的淘金云客服，销售环节全覆盖的荣联七陌，还有杀入云客服的大企业网易七鱼。
云客服赛道目前已经十分拥挤，当问及竞争优势时，快商通CEO肖龙源告知，目前大多数客服通信平台都是售后型客服，因此这种偏售前的营销客服就是他们的产品优势。此外，他们拥有许多技术人才，大多数员工都是硕士背景，有6人是博士。
据了解，快商通总部在厦门，在美国和南京都有子公司。公司员工有150人，其中技术人员占了一半。2016年8月快商通在新三板挂牌上市。
来源：36氪，作者：司徒，如若转载，请注明出处：http://36kr.com/p/5064700.html
-
人工智能
获500多万美元融资，Brilent利用人工智能做求职者的筛选评级
【猎云网（微信号：ilieyun）北京】1月5日报道（文/竹子）
Brilent是一支从Facebook走出来的创业团队。
CEO Garry、CDO廖宜华和CTO Tony Zhang均有在Facebook 4年的工作经验。
Garry在职期间和团队一起做到了用户数据的5倍增长。廖宜华带领数据科学小组，并申请了3项个人专利。Tony Zhang则搭建了Facebook首个内部HR招聘系统。
工作期间，通过和外部伙伴的多次交流，他们发现美国的招聘市场存在不少痛点。
调查后发现，这是一个巨大的市场。据数据显示，2013年美国招聘市场的估值达1200亿美元，占全球份额的30%，这个数据还以每年7%的速度在增长。
凭借在Facebook时积累的数据抓取、挖掘和结构化经验，2015年4月，几人在硅谷创办了Brilent，希望利用AI技术帮助美国企业及猎头做简历筛选。
产品在2016年4月正式上线。据猎云网独家获悉，Brilent目前已获得两轮共计500多万美元的融资，其中第一轮由软通动力投资，第二轮由ATA领投、盛景等跟投。
AI将取代HR？
由于人工智能的高效，它已经被应用在多个领域。
传统招聘主要依据面试者的过往经验和上级的个人喜好，很难做到客观公正。此外，人才和职位的不匹配也是招聘行业面临的一大难题。
人工智能的出现，给招聘行业的革新带来了曙光，其优势主要体现在三大方面：速度快、客观性和数据化。
Brilent所做的，正是利用算法对数据结构化处理，分析并进行细化匹配，根据评级选出匹配程度高的求职者，从而提升招聘效率。
Garry告诉猎云，Brilent面向的客户主要分为两大类：有招聘需求的大企业和猎头公司。其中，猎头公司的从业者有70%属于短期从业，经验尚浅，对招聘市场缺乏了解；20%属于中级从业者，有长期发展的意愿；只有10%是真正了解市场的人。而Brilent帮助的，正是70%+20%的群体。
和人工一天最多筛选几百份简历的速度相比，Brilent通过软件可以将这个数字提升到上万倍。
由于倚靠机器学习，不掺杂个人情感，筛选的结果也会更加客观。但Brilent会考虑更多因素，比如这家公司以往更偏好哪个学校的毕业生；应聘者以怎样的频率在挑选工作；应聘者为自己设定的事业发展方向如何等。
没有硝烟的数据战
AI之所以能帮助需求方筛选简历，一大前提是在足够的数据基础上进行了机器学习。这就要求相关创企：一要能抓取大量数据；二要能对数据进行处理。
Brilent的数据有多处来源：网络抓取、政府机构、系统内部等等。
相比抓取数据，更难的反而在于如何利用这些零散的数据，将其数据化并做好匹配。Garry表示，团队之前在Facebook的相关工作经历，使得他们在数据的处理上，占有一定优势。
但一个千亿级的市场，不可能没有竞争对手。除了一些新成立的创企外，谷歌、微软和IBM似乎也对AI+招聘的结合产生了兴趣。这些巨头本身就有非常丰富的数据资源，和他们抗衡，如何才能做到差异化竞争？
“其他巨头和我们的方向有所区别，比较类似的是谷歌。但谷歌是开发API让第三方公司去利用，而我们更灵活，开发速度更快，除了API也会提供整套的产品。在很多行业也做得更深入。”
2015年Brilent团队成立时， AI招聘还是一个新名词，一年后，市场已经发生了很大改变，Garry最直观的感受就是与用户的交谈内容变了。成立初期，团队需要向潜在用户解释何为AI，而现在则是直接谈如何使用软件。
用户市场的高速发展和逐渐成熟，也让团队考虑往更多的区域扩展。除了北美市场外，所有以英语为母语的国家都是Brilent的攻克目标，今年公司也可能会到国内寻求可能合作。据猎云网了解，Brilent的用户已覆盖北美、南美、欧洲、印度、澳大利亚等国，合作商户包括电商Wish、IAC等，每月平均向用户收取几百美金的费用。
“我们希望可以把产品做得更自动化，类似于机器人，可以替代人工承担很多招聘的前期工作。”
目前公司正在寻求A轮融资。
项目：Brilent
网址：www.brilent.com
本文来自猎云网，转载出处：http://www.lieyunwang.com/archives/257847
-
人工智能
节省人力只是小利，销售型SaaS客服如何重塑人工智能营销？
近来，To B领域对人工智能客服技术的讨论沸沸扬扬，无论是各大巨头旗下客服产品，还是投身SaaS云客服行业的创业公司都将“人工智能”列为核心关键词。11月，网易七鱼方才推出其全智能解决方案，销售客服技术服务商快商通又传出即将创业板IPO的消息。
目前To B领域对人工智能客服技术主流的看法是，智能客服技术将主要在问答相对标准的售后环节发挥作用，其最大的价值在于大幅节省人力成本。但作为一个SaaS行业多年从业者，二爷认为这种观点并不尽然，未免太小觑人工智能在客服行业的价值。
虽然目前市场上的智能客服产品主要集中于售后领域，但企业最青睐往往是售前的智能话术辅助、智能营销策略等功能。原因在于，这些技术能够显著提升流量转化率，而不仅仅是简单的节省人力成本，这才是企业真正的需求。
在未来，人工智能客服技术真正的作用空间，是以售前客服为支点，重塑整个移动营销的格局。它决不会简单停留在与客户智能的对话这个层面，而是要智能化的解决用户从进入点击到成交这既短暂又漫长的最后一公里。
在线营销=引流+站内服务，前者已步入智能化时代，后者却拖了后腿
对于绝大部分企业而言，它们并没有太过复杂的外围品牌营销需求。在线营销各个环节浓缩起来，就是引流与站内服务两个步骤。前者是营销的基础，后者真正决定了一家企业的盈利状况，甚至生死存亡。
1、智能化DSP广告工具成熟，企业引流不再是营销难题
在PC时代，流量的引入是一件技术含量极高的生意。各种社区论坛上的经验总结，几乎全是以如何引流为核心。企业只要解决好了两个问题，基本就能躺着赚钱：其一是如何获取低成本甚至免费的流量；其二是如何获取精准优质的流量。
造成这种局面的原因是，PC时代的流量太过于分散，而营销天才却一将难求，要解决这个问题，唯一的办法就是“全面撒网，重点培养”，经过长时间的试错积累，找到适合自己的推广渠道。
进入移动时代之后，企业获取流量的日子好过了很多。免费的流量依然存在，但更大的变革在于流量集中后，众多智能DSP投放工具的出现。它们可以帮企业精准高效的直面潜在客户。据多盟调查显示，PC时代广告联盟流量平均跳失率为78%，而移动时代下降到51%。这意味着移动时代的流量的质量出现了质的飞跃，企业营销的关键转变为“怎样促成其成交”。
2、传统客服机制正在浪费宝贵的流量，人工智能客服亦存在缺陷
虽然移动时代的精准引流变得更加容易，但应用场景的变化，使得用户对于站内服务的要求大幅度提高。譬如，PC时代的用户向客服咨询一个问题，即使回应有所延迟，用户也可以最小化客服窗口去做一些其它事等待。但在移动时代，切换客服窗口却是一件相当麻烦的事，很可能回来你就找不到了。据Provide Support调查的数据显示，62%的用户不会再访问一个有着糟糕客服体验的站点。
传统意义上认为，用户只有在打开客服对话窗口时，才算是进入了客服服务时间，这种看法显然是狭隘的。事实上，用户从进入网站开始就会产生大量的浏览和操作行为数据，这些数据的背后满满的都是销售机会。譬如用户长时间浏览某个商品，并在两个商品间反复跳转犹豫不决，或是将某商品链接发送给亲友参考等。掌握这些行为数据，对于转化用户来说是极有价值的。但即便是大多数的智能客服解决方案，也未能提供这种与客户咨询前行为数据相融通的技术。而且，这些智能客服解决方案重点在于回答客户的问题，却失去了人工客服主动营销的能力。
人工智能客服如何重塑移动营销新格局？
首先是基于语法的智能语义分析。它可以将客服问答转化为沟通，将被动应对升华为主动营销。这是未来人工智能客服发展的重中之重。
目前大多数智能及云客服系统，对于用户话语的判断，是基于关键词结合标点来识别的伪智能技术。而真正的人工智能，需要能准确识别用户每一个字眼的语法含义。
以快商通为国内某银行提供的客服系统为例，可以比较清晰的看出基于语法的语义分析与基于关键词分析的效果差别：
基于语法的语义识别技术，能确保智能客服真正理解用户所说的每一句话。同时，系统还将从人工客服的回应中学习语言，自主组成个性化的回应语言，让用户不会感觉对面是冷冰冰的机器人。据快商通统计的数据，这种基于语法的识别技术，目前已能达到97%的准确率，从而使得客服接待量提高80%，订单转化率也随之大幅度提升。
智能语义分析技术的意义，不仅在于可以准确的为用户提供咨询回应，更在于它可以将客服这种被动的服务，发展为主动的营销。譬如，当用户的咨询停止后，客服系统还可以分析用户的附加需求，就像销售一样，主动的向用户推荐一些其感兴趣的服务和产品。这种工作效果甚至要强过一个训练有素的真人客服。
其次是用户行为的智能识别。即将客服的工作范围由对话框内的问答，扩展到用户站内行为分析，进而帮助企业提高流量的转化率。
比如，通过分析用户在网站内的浏览页面，悬停时间，悬停部位，客服系统可以优先将购买意愿最强的用户分配给人工客服。同时，预判该用户可能关心的商品和要点，以便让企业方在对话中既能占据主动，又不至于惹出用户的反感。
同时，随着移动端HTML5技术的日趋成熟，未来的客服对话将不再局限于一个标准的客服窗口。客服窗口在移动端还是过于沉重，智能的客服系统能在判断用户站内行为的基础上，在页面以悬浮窗口的形式呈现，将不再需要占用用户宝贵的全屏体验。
再次，智能客服与微信生态相结合，将牢牢圈住用户流量，改变其消费路径。有消息称微信将在2017年1月正式推出小程序，而小程序很有可能成为未来中小企业在线营销的标配。同时，微信亦将为小程序开放其生态数据和其它基础功能，为用户打造“快进快出，用完就走”的体验。
在这一新的营销生态建立的过程中，人工智能客服将发挥关键性的作用。以前用户找到一家企业后，想要进行二次访问，必须经过复杂的访问跳转路径。而现在，小程序应用号将大大简化用户的访问路径，企业要做的就是如何唤醒用户。
举个例子，用户关注了某企业公众号，并对某些产品感兴趣。往后，人工智能客服可以结合其之前的访问信息，主动向某用户单独发送消息。这样不但不会因为影响到其他用户而掉粉，并会大幅提高信息的打开率。
如此，用户的消费足迹就会牢牢留在微信生态之内，为企业所独家占有。在淘宝或百度生态内，用户流量处于溢出状态，因为用户每次接触企业都需要靠自己的主动搜索，这种溢出也就为企业带来了巨大的广告成本。而现在，有人工智能客服主动牵线，企业的流量便稳定许多了。
人工智能客服的路径：以客服软件为起点，筑起一整套营销生态
易观预测2017年的智能客服市场有680亿的盘子，这个数字，显然仅仅是软件售卖的市场规模。前文分析了智能客服对于企业营销的革命性重塑作用，可见跻身于这条赛道上的各家企业眼中的肥肉绝不只是这一小块。
如按照上文的划分，将企业营销分做引流与客服两块，那么移动流量的大格局已经尘埃落定。而以智能客服为起点，构建一套与流量相对应的营销生态，才是各大客服厂商竞相追逐这一领域的题中之义。
单就在线客服来说，如果某家客服系统使用基数已经非常庞大，那么其用户数据分析便有了巨大的价值。某位消费者的消费行为习惯是怎样的，重视哪些产品要素，这些经过一次智能分析便可以为广大的企业用户所共享，智能机器人客服甚至可以被用户收藏在微信里，成为一个新的流量分发渠道。这样的价值，显然不是每年几千块的技术年费所能相比的。
另一个趋势是，智能客服也正在迅速向硬件领域迈进。包括快商通等智能客服企业已开始将人工智能客服技术应用到了医疗导诊、房地产销售等机器人身上。它们的战略意图并不难猜，即依托机器人操作系统，以大数据挖掘、SaaS云服务为基础，构筑从底层算法、行业应用，最终完成智能硬件的人工智能全产业链模式。而人工智能客服技术，正是这一数万亿级市场的入口，牵涉到庞大数据的积累及行业标准的建立。回过头来，也就不难理解为什么各大巨头和资本市场会对人工智能客服领域的格外偏爱。
本文作者 温二爷
来源：钛媒体
链接：http://www.tmtpost.com/2540799.html
-
人工智能
人工智能招聘平台 untapt 获得 200 万美元 B 轮融资
untapt 是纽约的一家招聘平台，依靠人工智能技术驱动的招聘平台，主要挖掘金融科技领域里的优秀人才。近日，该公司宣布获得了一笔 200 万美元的 B 轮融资，一批新晋风投公司参与了本轮融资，包括 Cris Conde、Walter Barandiarán、WorldQuant Ventures、Bluff Point Associates、Mathers Associates、以及 Sand Hill East 等，此外之前曾投资过该公司的 SenaHill Partners 和 Tsai Capital 两家风投也在本轮参投方之中。
Untapt 利用人工智能技术开发了强大的数字招聘平台和科技人才池，这样可以精准匹配，并充分满足科技人才和企业主双方的求职及招聘需要。最近，该公司还发布了一款全新的企业内部移动招聘产品——untaptX，允许大企业（特别是科技和金融科技行业）将 untapt 移动数字招聘平台整合到自己的系统内，作为一套企业内部员工晋升系统产品，untaptX 能让企业主能够更好了解自己手下有哪些“能人”，有效帮助他们获得提升机会，减少人才流失。
Untapt 公司联合创始人兼首席执行官 Ed Donner 表示：
我们的目标就是希望利用人工智能技术驱动所有科技行业的招聘工作，包括企业的外部招聘和内部人才晋升。此外，公司愿景和战略能够得到业内领先的投资人支持，也让我们感到非常兴奋，因为这也意味着投资人认可了我们的团队才能和产品质量。
如今，在美国金融科技、技术研发、以及医疗健康行业内大约有 1500 万专业技术人士。利用人工智能技术的人才匹配引擎和招聘平台，给招聘工作带来了颠覆创新，untapt 公司在这一领域里已经占据了有利位置。
得益于这笔投资，untapt 公司将进一步提升产品线，并进军新地区市场。之前，该公司的业务范围主要覆盖美国东北部各州，现在他们计划在西海岸招募一支销售团队，并挖掘更多大型软件公司客户。
本文来自翻译：venturebeat.com，如若转载，请注明出处：http://36kr.com/p/5057710.html
-
人工智能
利用人工智能转变企业合规性管理方式，ComplyAdvantage 获 820 万美元 A 轮融资
创建高风险个人、企业及相关机构的系统分析信息，实时洞察金融犯罪风险。
设想一下，在企业创立初期，如果由于某些原因无法通过反洗钱调查，那就无法开立一个企业银行账户，也就无法通过身份审查来接收来自其它国家地区的融资款项，可见合规性对于一家企业来说可谓是生死攸关。但是，金融犯罪目前却变得越来越复杂，数量也在不断增加，企业传统的客户关系筛查和监控方式现在已经比较落后，并且成本昂贵，效率低下，通常需要进行大量的人力工作，对于犯罪分子的克制作用也十分有限。ComplyAdvantage 相信采用人工智能机机器学习能够逐渐转变企业合规性的管理方式。
今天，ComplyAdvantage 宣布获得 820 万美元 A 轮融资，由欧洲最大的风投机构之一 Balderton Capital 领投。公司计划利用本轮融资推进业务增长，并提高产品服务在欧洲和北美地区的覆盖率。
ComplyAdvantage 创立于 2014 年，总部位于伦敦，致力于帮助企业履行合规性义务并降低合规性管理的成本投入。公司利用人工智能、机器学习和大数据分析技术，利用专有动态数据库，覆盖制裁和监控名单、政治敏感人物和全球不良媒体信息，基于最新数据创建高风险个人、企业及相关机构的系统分析信息，实时洞察金融犯罪的风险。其创新性的人工智能筛选和监测技术不仅能够提高准确性，而且有助于降低错误的风险警报几率。
公司创立初期主要是帮助少数企业来达到反洗钱（AML）和反恐融资（CFT）的相关要求，之后服务产品逐渐扩展至政治敏感人物名单以及其它难以规模化实施的企业风险及合规性问题。现在，ComplyAdvantage 解决方案主要包括三个方面：专有 AML 风险数据库、“了解您的客户”（KYC）在线筛选和监控平台以及实时交易监控平台来检测可疑客户行为。企业可以利用 ComplyAdvantage 平台，在涉及制裁、洗钱、恐怖融资、贿赂和腐败的合规性法规问题时，做出明智的选择。
自创立至今，ComplyAdvantage 已经与金融市场以及其它领域的监管、高风险领域的 200 多名客户进行了合作。本周，公司最新在纽约设立了办事处。
本文参考了信息来源：www.ioebusiness.com
-
人工智能
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。
-
人工智能
企业级软件协作，没有数据怎么人工智能？
编者按：本文作者Lucas Wang，HWTrek智造协作平台CEO，HWTrek.com提供的在线管理和团队协作工具简化硬件开发过程，并帮助硬件开发者在线对接物联网产业专家和供应链企业。
近期几家企业软件大厂商做了几个有意思的布局，微软262亿美金收购了以商业人士为主的社区领英Linkedin，Salesforce.com 5.82亿美金买了线上办公文件协作初创公司Quip。Salesforce.com的收购很多人可能解读为客户服务的延伸或并购人才，而微软收购Linkedin则有许多不同的臆测，但我们认为这些巨头都是在人工智能领域下一盘很大的棋。
商业协作是人工智能的另一座大金矿？
一般大家理解的人工智能是和机器下下棋、聊聊天，以及导航、医疗、游戏、机器人或工业管理等领域的应用，其实人工智能还有一个金矿就是企业服务，特别是在商业往来协作方面。根据西门子研究报告预测，企业应用AI智慧系统的市场价值为2.03亿美金（2015年）－111亿美金（2024年）。软件应用智能科技的重要性日益增加，单就机器学习而论，软件市场价值预估其营收从2015年的1.09亿美金，到2020年将达到65亿美金，市场规模可能是现今的几十倍。
市场的增量在哪里？传统的客户服务、客户管理方式都是透过单向客户信息来进行互动来往的，比如通过知道客户的联系方式，利用邮件、通讯软件、电话与客户沟通。而随着所谓的智能语音助手或网络服务机器人的出现，大家仿佛看到了人工智能在商业协作领域的一些方向，但这离真正的人工智能还是相去甚远。传统的客户服务只是初级阶段，之后商务往来中如需更多的使用协助与效率增进就变得更为困难，而这也是人工智能在商业协作领域的商机所在。
没有数据，怎么人工智能化？
无论未来人工智能在商业协作领域如何发展，算法如何迭代，仍会遇到一个重要的问题，“没有数据，怎么人工智能化”。而人与人之间的商业往来是最为复杂也最缺乏数据积累的地方，这也是企业软件或服务公司目前碰到的最大问题。拥有再高深的软件算法，再强大的硬件，没有所谓的商业逻辑与数据积累，任何商业的人工智能是没有意义的空盒子。
人工智能的企业级应用路在何方？
我们看看微软和SalesForce.com这两家企业软件的棋路。
微软买领英Linkedin为的是帮其新一代的云端办公室软件Office 360及客户关系管理Dynamics注入专业人士的灵魂。文件协作的数据来自于人，人也带来了数据的意义。现在各种协作方式都只看到简单的个人信息，我看不到对文件修改的律师是专长在公司法还是贸易法，就没有办法判别其意图并确定之后追踪的方向，这些数据的价值也难以判断，更难以为之后的人工智能运转做数据积累。或者我们在协作文件上产生法律问题时，我要怎么在既有协作文件基础上寻找专业的人士来帮忙？当然Dynamics产品就更不用说了，Linkedin不只是带来客户群，同时带来商业协作数据的意义，有意义的数据就是人工智能的基础。
Salesforce.com买Quip就简单多了。Salesforce.com身为企业软件CRM的老大，它一直没有介入文件协作领域。但以目前企业服务的复杂度，文件是不可避免的需要覆盖的需求。试想，一个项目牵涉三家企业或不同业务联系窗口，客户又有阶段性需求在前进着，没有协作的平台来追踪事件任务与沟通的过程，如何继续进行客户服务？没有协作平台，怎么取得四散在邮件、微信、电话会议等的数据？但Quip可能将不只是文件协作，Salesforce.com在这篇文章撰写时也传出要抢亲微软与领英的并购案。
以上说明几点：协作平台、人与数据积累是迈向企业人工智能服务的三大要素，缺一不可。
-
人工智能
利用人工智能提高员工参与度，Glint 获 2700 万美元 C 轮融资
在工作中，我们是一个团队、组织或公司中的一员。一个组织的健康状况往往难以测量，但人们能够感受到。当感受到它的问题，又说不上来问题在哪里，或是没有好的解决方案时，人们往往会选择离开。
美国创业公司Glint定位自己为“数字时代的组织发展平台”。通过人工智能和数据分析，为团队提供健康状况的整体视图。团队可以利用这些数据信息，做出有效决策。
“无论公司大小，实时反馈员工的参与度是它们共同的诉求。”Glint联合创始人兼CEO Jim Barnett在采访中说。Glint认为，每一个团队都有一个运行的“公式”，Glint想要做的就是通过数据分析，找到团队的核心问题。
传统的解决方式往往是一年一度的员工满意度调查，效果并不尽如人意。在数字时代，Glint的优势在于能够紧跟公司变化，实时提供反馈信息。这些信息能够帮助公司分析员工的主要驱动力，提供预测性的见解和改善方向。
在Glint APP上，根据组别的不同（比如管理组、技术组、销售组等），每组的基础分（benchmark）也不尽相同。APP会实时记录超过或低于基础分的人数，并对存在问题的团队发出警告提示。此外，还有评论区和计划版块，员工可以对团队表现提出建议，并制定解决方案。
从超过50万的员工数据中Glint发现，分数较低的员工比分数较高的员工流失率高出12倍。不过，如果能及时识别出这些“危险”的员工，并提出相应的改善计划，能够快速提高员工参与度。
Glint成立于2015年2月，CEO 是 Jim Barnett, 总部位于加利福尼亚。成立以来，Glint已经为AOL、Blue Apron、Sky等多家公司提供服务。在同一领域，Glint面临的竞争对手还有专注于员工分析的Culture Amp，为HR提供SaaS服务的Engagedly，以及GOintegro，Kanjoya，Quantum Workplace，Reward Gateway等。
融资方面，Glint在2016年8月底宣布获得2700万美元C轮融资，由Meritech Capital Partners 和 Bessemer Venture Partners领投，Norwest Venture Partners和Shasta Ventures跟投，累计融资金额近5000万美金。这轮融资计划用于加强平台的创新能力和团队的扩充。
本文来自翻译：www.vbprofiles.com
-
人工智能
不止是填报志愿，iPIN还把人工智能落地招聘、法律、金融等行业
iPIN最近有新动态了。此前对iPIN的印象还停留在完美志愿上。完美志愿是一个通过分析全国2000多所院校、1200个专业、4000万学生的数据，并利用机器学习、自然语言处理、复杂数据分析、大规模运算、可视化、数据应用等办法，最后为考生报志愿提供一个科学的决策依据的平台。
但其实iPIN是一家人工智能公司，能够对各行业的信息进行深入学习，并按照用户的输入进行语义层面的关联搜索、分析、排序，最终目的是帮助用户提高决策效率，使其决策更为智能。在iPIN CEO杨洋看来，这些是iPIN的核心产品，其他产品则是这套技术的落地。这一套体系，类似于IBM WATSON。为了让语义检索更加智能，能够理解一些行业专有名词，iPIN还建立了一套中国经济图谱，因为同一个名词，在自然语境下和行业语境下代表的意思不一样。
据悉，iPIN现在已针对招聘、法律行业推出了相应的三款产品：“职场罗盘”、“haoHR”、“法律谷” 。
职场罗盘的产品形态类似于Indeed，用户上传自己的简历，便能搜索到匹配的职位信息，不过这里的职位信息会导流到各大招聘渠道。但杨洋强调，其实职场罗盘和Indeed唯一的相似之处只是全网搜索，但两者使用的搜索技术不同，Indeed是关键词搜索，而职场罗盘则是语义搜索，两种搜索技术的实现难度与结果匹配度相差甚大。此外，职场罗盘真正想做是为用户提供一个类似于职场管家的服务，为用户显示职场动态等资讯。
haoHR则面向B端的产品，服务于企业的HR，帮助找到合适的候选人。通过iPIN目前接入的第三方简历接口，HR只需输入其招聘要求，不必考虑输入哪些关键词是合适的，haoHR便会提供相应的候选人。至于效果，杨洋告知，大概10位候选中至少有8位是符合招聘要求的。据悉，目前有400多家企业在付费使用这一项服务。
至于“法律谷”，是一款为律师查询过往相关案例的产品，目前已分拆出来，进行独立发展。
在商业模式方面，iPIN认为自己今后将主打技术输出模式，奉行轻资产路线。之所以这样选择，是因为全面深入各行各业去做运营对于企业来说相对比较困难，iPIN还是希望更专注于其擅长的人工智能。不过，杨洋告知，仅完美志愿这一产品今年的销售额已有4000多万元。此外，iPIN下半年将上线对标Kensho的金融行业产品，能够为金融机构分析出相应的投资机会。
据了解，iPIN团队有110人左右，80%以上是研发人员，base在广州、深圳两地，目前已启动B轮融资。
来源：36氪，作者：徐宁，如若转载，请注明出处：http://36kr.com/p/5050232.html
-
人工智能
傅盛：深度学习是什么？
文章作者：傅盛 来源于傅盛微信公众号：盛盛GO（fstalk）。
人工智能，就好像第四次工业革命，正从学术界的私藏，转变为一种能够改变世界的力量。尤其，以深度学习取得的进步为显著标志。
它让匍匐前进60年的人工智能一鸣惊人。
我们正降落到一片新大陆。深度学习带来的这场重大技术革命，有可能颠覆过去20年互联网对技术的认知，实现技术体验的跨越式发展。
那么，深度学习到底是什么？怎么理解它的重要性？
我们先从概念和现象入手。
我总结了一句话，学术上看未必严谨，但从我的理解角度看——深度学习是基于多层神经网络的，海量数据为输入的，规则自学习方法。
这里包含了几个关键词：
第一个关键词叫多层神经网络。
深度学习所基于的多层神经网络并非新鲜事物，甚至在80年代被认为没前途。但近年来，科学家们对多层神经网络的不断算法优化，使它出现了突破性的进展。
以往很多算法是线性的。而这世界上大多数事情的特征是复杂非线性的。比如猫的图像中，就包含了颜色、形态、五官、光线等各种信息。深度学习的关键就是通过多层非线性映射将这些因素成功分开。
那为什么要深呢？多层神经网络比浅层的好处在哪儿呢？
简单说，就是可以减少参数。因为它重复利用中间层的计算单元。我们还是以认猫为例好了。它可以学习猫的分层特征：最底层从原始像素开始学习，刻画局部的边缘和纹；中层把各种边缘进行组合，描述不同类型的猫的器官；最高层描述的是整个猫的全局特征。
它需要超强的计算能力，同时还不断有海量数据的输入。特别是在信息表示和特征设计方面，过去大量依赖人工，严重影响有效性和通用性。深度学习则彻底颠覆了“人造特征”的范式，开启了数据驱动的“表示学习”范式——由数据自提取特征，计算机自己发现规则，进行自学习。
你可以理解为——过去，人们对经验的利用，靠人类自己完成。在深度学习呢？经验，以数据形式存在。因此，深度学习，就是关于在计算机上从数据中产生模型的算法，即深度学习算法。
问题来了，几年前讲大数据，以及各种算法，与深度学习有什么区别呢？
过去的算法模式，数学上叫线性，x和y的关系是对应的，它是一种函数体现的映射。但这种算法在海量数据面前遇到了瓶颈。国际上著名的ImageNet图像分类大赛，用传统算法，识别错误率一直降不下去，上深度学习后，错误率大幅降低。在2010年，获胜的系统只能正确标记72%的图片；到2012年，多伦多大学的 Geoff Hinton利用深度学习的新技术，带领团队实现了85%的准确率。2015年的ImageNet竞赛上，一个深度学习系统以96%的准确率第一次超过了人类（人类平均有95%的准确率）。
计算机认图的能力，已经超过了人。尤其图像和语音等复杂应用，深度学习技术取得了优越的性能。为什么呢？其实就是思路的革新。
举几个脑洞大开的例子。
（1）
先说计算机认猫。
我们通常能用很多属性描述一个事物。其中有些属性可能很关键，很有用，另一些属性可能没什么用。我们就将属性被称为特征。特征辨识，就是一个数据处理的过程。
传统算法认猫，也是标注各种特征去认。就是大眼睛，有胡子，有花纹。但这种特征写着写着，有的猫和老虎就分不出来，狗和猫也分不出来。这种方法叫——人制定规则，机器学习这种规则。
深度学习方法怎么办呢？直接给你百万张图片，说这里有猫，再给你上百万张图，说这里没猫。然后再训练一个深度网络，通过深度学习自己去学猫的特征，计算机就知道了，谁是猫。
（2）
第二个例子是谷歌训练机械手抓取。
传统方法肯定是看到那里有个机械手，就写好函数，move到xyz标注的空间点，利用程序实现一次抓取。
而谷歌现在用机器人训练一个深度神经网络，帮助机器人根据摄像头输入和电机命令，预测抓取的结果。简单说，就是训练机器人的手眼协调。机器人会观测自己的机械臂，实时纠正抓取运动。
所有行为都从学习中自然浮现，而不是依靠传统的系统程序。
为了加快学习进程，谷歌用了14个机械手同时工作，在将近3000小时的训练，相当于80万次抓取尝试后，开始看到智能反应行为的出现。据公开资料，没有训练的机械手，前30次抓取失败率为34%，而训练后，失败率降低到18%。
这就是一个自我学习的过程。
（3）
有人问了，深度学习，能学习写文章吗？
来看这个例子。斯坦福大学的计算机博士andrej kapathy曾用托尔斯泰的小说《战争与和平》来训练神经网络。每训练100个回合，就叫它写文章。100个回合后，机器知道要空格，但仍然有乱码。500个回合后，能正确拼写一些短单词。1200个回合后，有标点符号和长单词。2000个回合后，已经可以正确拼写更复杂的语句。
整个演化过程是个什么情况呢？
以前我们写文章，只要告诉主谓宾。而以上过程，完全没人告诉机器语法规则。甚至，连标点和字母区别都不用告诉它。不告诉机器任何程序。只是不停将原始数据进行训练，一层一层训练，最后输出结果——就是一个个看得懂的语句。
一切看起来都很有趣。人工智能与深度学习的美妙之处，也正在于此。
（4）
我还去硅谷看过一家公司——完全颠覆以往的算法，利用深度学习实现图像深度信息的采集。
众所周知，市面上已经有无人机，可实现人的跟踪。它的方法是什么呢？一个人，在图像系统里，一堆色块的组合。通过人工的方式进行特征选择，比如颜色特征，梯度特征。拿简单的颜色特征举例：比如你穿着绿色衣服，突然走进草丛，就可能跟丢。或，他脱了件衣服，几个人很相近，也容易跟丢。
此时，若想在这个基础上继续优化，将颜色特征进行某些调整，是非常困难的。而且调整后，还会存在对过去某些状况不适用的问题。
总之，这样的算法需要不停迭代，迭代又会影响前面的效果。
而硅谷这个团队，利用深度学习，把所有人脑袋做出来，只区分好前景和背景。区分之后，背景全部用数学方式随意填充，再不断生产大量背景数据，进行自学习。只要把前景学习出来就行。
据我所知，很多传统方法，还在采用双目视觉。用计算机去做局部匹配，再根据双目测出的两个匹配的差距，去推算空间另一个点和它的三角位置，从而判断离你多远。
可想而知，深度学习的出现，使得很多公司辛苦积累的软件算法直接作废了。
“算法为核心竞争力”，正在转变为，“数据为核心竞争力”。
技术人员必须进入新的起跑线。
（5）
最后再举个例子。
大家都做过胃镜。尤其胃痛，很痛苦。肠胃镜要分开做，而且小肠看不见。
有一家公司出了一种胶囊摄像头。吃进去后，在你的消化道，每5秒拍一幅图，连续摄像，此后再排出胶囊。所有关于肠道胃部的问题，全部完整记录。但医生光把那个图看完，就需要五个小时。原本的机器主动检测漏检率高，要医生复查。
后来，他们采用深度学习。采集8000多例图片数据灌进去，用机器不断学，不仅提高诊断精确率，减少了医生的漏诊，以及对稀缺好医生的经验依赖。只需要靠机器自己去学习规则。
深度学习算法，可以帮助医生作出决策。
扫一扫 加微信
hrtechchina
