:::: MENU ::::

TalkingData's Blog

现在开始,用数据说话。

Blog

  • Dec 15 / 2017
  • 0
Ideas

锐眼发现 | 2018年用户体验设计趋势

作者:Anthony Miller

原文:The State of UX for 2018

译者:倪尔东

审校:郑几块

转载于:人人都是产品经理

 

2017年就要过去了,让我们预测一下2018年的用户体验演变趋势。

本文将回顾2017年数字世界中的显著变化,并将展望2018年在设计和开发领域让我们继续保持领先的那些趋势。

一、更简单的导航

导航体验是2017年设计师中的热门话题。设计师殚精竭虑,拿出熬秃少年头的精神,就是为了创造更易用的用户体验,而导航设计在其中作用重大。

线性导航

为了简化导航体验,许多应用程序和网站聚焦于创建线性(或分步)的导航体验。

互联网产品和开发者利用这种类型的导航,让用户感受到每一个“下一步”之间的逻辑关系。这种类型的导航尤其适合目标驱动型的应用程序(例如Uber)和电商网站(例如Amazon和Best Buy),在这些应用和服务中,用户都有明确的使用目标。

语音交互

语音交互(VUIs)已经成为一种更好的交互选择。

自然语言处理能力发展迅猛,这使得程序能够处理各种不同类型的语音指令。

资料显示,有相当比重的年轻人正在使用语音指令来处理任务

在明年,语音交互将会跳出移动应用的范畴,大举进入物联网领域和智能家居系统。

不久的将来,我们将会拥有更加先进的语义识别能力,从而增强我们和系统的交互效率。

二、减除冗余和理解增强

如今,减除视觉冗余和增强界面的可理解性已经成为许多交互设计师的目标,并且他们颇为热衷此道。

设计师们首先删除无关信息(噪音),然后通过强化内容并且使用简洁的设计语言,从而达到有序增强目标信息(信号)的目的。

内容优先

内容优先的设计方法与设计中的极简主义息息相关。

设计师为了达到“少即是多”的目标,删除掉所有无关元素、聚焦于真正重要的东西——内容和功能。界面中的元素之间大量留白,同时减少元素的复杂修饰。

但是,这种方法的缺点是:界面有时太过于中性化。

Instagram for iOS (2015 vs. 2017)

简洁的视觉语言

我们都知道:强烈的视觉层次更容易让用户与产品进行交互。

在网站和APP的使用背景中,强烈的视觉层次意味着用户能根据清晰的视觉引导在屏幕上有序阅读。强烈的视觉符号(例如功能性按钮的鲜明颜色)结合简约的布局可以创建一个非常简单轻松的用户体验。

提交按钮的鲜艳颜色. 图片来源:Airbnb

大标题

大标题有大量留白和大字体两个特点。

大标题为用户提供两个主要的好处:让文本更突出,也更方便阅读。

苹果在iOS11中使用粗体标题

三、以不同的目标为导向使用动效

动效已经成为交互的一部分。

在交互设计中有两种最重要的动效类型——功能型动效和愉悦型动效(情绪安慰型动效)。

功能型动效

功能型动效能为用户带来界面清晰有逻辑的感觉,这种类型的动效能用来简化与产品交互的过程。

刚发布的iPhone X和手势交互动效将被用来描述复杂的转换和空间关系:

功能型动效能够使复杂变化变得容易使用户理解。图片来源:Jae-seong, Jeong

情绪安慰型动效

为了创建更人性化的体验,开发者们在用户使用过程中增加了令人愉悦的交互细节——但是这些细节没有任何功能性的目的,主要用于建立与用户情感上的联系。

利用动效来增强体验。图片来源:Andy Orsow

四、视频的优势

视频内容在2017年的市场营销领域出现井喷式增长。

根据 Hubspot 统计:每周有78%的用户在线观看视频,每天有55%的用户在线观看视频。

以注意时长为导向的视频内容

自从进入移动互联网时代,人类的注意时长从2000年的12秒降到了如今的8秒。

市场营销人员以注意时长为导向,调整他们的内容——就像360度视频和Facebook Live都是这种适应的产物。

主页上的欢迎视频

视频从一开始就设计成吸引用户注意力之用——这就是为什么很多网站使用视频作为欢迎页面的原因。

特斯拉不仅向网站访客介绍公司产品,他们还会放一个关于产品故事的视频,这将创造一段难忘的体验。

五、情绪化智能设计

人机关系已经不那么理性,而变得更加情绪化。

我们因机器帮助到我们达成目标感到快乐,因电脑出了故障而迅速恼怒。

在2017年,我们看到了向情绪化智能设计的转变的趋势。

情绪设计旨在创建一种基于理解人类用户感受的反馈系统,它能够创造出正面积极的情绪反馈。

失误地图

在很长一段时间内,设计师基于理想的用户行为创造体验。

从2017年开始,很多设计师认识到:为非理想的用户行为创造体验也同样重要。

失误地图主要用于:发现用户在使用产品时发生的消极问题的场景。

产品经理会试着理解造成用户“错误”使用的场景,通过对用户犯错场景的理解,产品经理会想办优化解决这些问题——至少让他们看上去不那么令人尴尬。这是给予用户的一种人性化的反馈。

失误地图的一个正面案例来自Slack:如果你有一条写到一半的消息然后点击了退出,你会看到一个铅笔的标志提示你还没有写完这条消息。(译者注:类似于微信给人发消息写到一半退出到聊天列表页,你会看到红色的[草稿]标记符)

出现铅笔标志意味着你有写到一半未发送的消息。

在APP中出现更多微交互

在移动设备上,微交互正迅速成为很多设备独有的特性,它们能用来创造更简洁的体验。

简单的手势和恰到好处的微妙反馈,使我们在手机和产品间的交互变得自然流畅,如雨落荷叶般不经意地让人心情愉悦,却又转瞬即逝不拖泥带水。

Instagram Stories中的视觉反馈

传统的交互

聊天机器人和会话的用户界面(CUI)在2016年流行起来,聊天机器人和智能助手将会保持持续增长。

CUI和传统GUI的一个重要区别是:用户与产品交互的方式——会话交互会感觉更人性化。这就是为什么对话机器人如Zo和小冰很受用户欢迎的原因。

图片来源:EJ Hassenfratz

六、内容愈加重要

内容为王,内容是用户使用APP或浏览网站的原因。

在2017年,我们发现了两个和内容交互直接相关相关的趋势:

Facebook将以内容为核心

在2017年,Facebook成为最重要的内容消费服务之一;它不再是起点,而是一个强大的新闻和消息中心(译者注:国内参考微信)。

大公司助力识别内容的可信度

今天,内容可信度是一个十分严重的问题。每时每刻,数以百万计的内容被生产出来,我们将很难从中区分事实和假象。

根据由斯坦福大学的一项研究显示:很大比例的用户无法从他们的消息流中辨别真伪。

内容可信度的问题在2016年美国总统竞选活动期间尤其明显,这证明谎言比真相传播的要快。

幸运的是,像Google和Facebook这样的大公司已经意识到了这个问题,并开始测试“事实核实”功能,帮助用户辨别真伪。

七、可穿戴设备成为手机的替代品

随着Apple Watch3 Cellular的发布,很多人看到可穿戴设备的新纪元;最后,智能手表极有可能会成为手机的替代品。

如果你的手上戴有一块功能强大的手表,为什么你还会携带沉重的砖头在口袋里呢?

很明显,我们看到新设备已经翻开了新的篇章开始书写自己的历史,一段时间后,它会有自己的目标受众。

图片来源:Engaged

八、更简单的认证

登录名和密码的组合(也称为“证书”)是App和用户登录过程中所需要的信息——我们都知道,这是一种老掉牙的方式,真希望过去几年在这方面能有显著的改进。

在未来一年,这种认证方式将会有一些显著的变化。

使用聪明的认证方式

在大多数情况下,当人们忘记密码时他们会试图重置。

虽然重置选项作为忘记密码时的强制选项,不失为一种好的解决方案;但它仍然有一个重要的问题——用户为了登录需要很多额外的操作(如点击“重置密码”,查看收件箱消息,点击重置链接并创建一个新的密码)。在简化的过程中,许多应用和网站使用了创造性的登录方式,如临时密码(一次性密码将发送到手机):

Ebay会根据账户绑定手机号验证发送一个一次性密码,或者通过验证手机号更换整个账户/密码对:

例如Mdium和他的“神奇链接”

生物认证

今天很多设备使用不同的生物认证方式作为替代密码,在2018年,我们会通过一个更令人兴奋的方式登录到设备和应用。我们将使用最受保护的,也是最易于使用的方式——Face ID。

随着Face ID正式应用于iPhone X,它很有可能会成为未来的主流认证方式。

Craig Federighi在2017年的WWDC上展示Face ID

双重认证

盗取用户数据的网络攻击事件频发,这使得企业去思考他们的应用程序是否安全。

双重认证正迅速成为许多服务的认证方式——它增加了一层保护,可以显著降低用户设备数据失窃的概率。

图片来源:MIT

九、更个性化

越来越多的公司通过技术手段为用户提供个性化的内容推荐服务。

据Gartner的报告,用于识别客户意图的智能个性化引擎将使数字企业增加高达15%的利润。

机器学习

机器学习领域的重大进展,让许多公司能够在应用和服务中利用算法满足用户提供个性化的需求。

最好的个性化推荐的例子是亚马逊、Spotify和Netflix服务。

Netflix分析用户的兴趣并向用户推荐他们可能感兴趣的剧集

Netflix分享了它如何利用机器学习技术服务于个性化推荐的细节

移动应用的LBS

由于手机随时带在身边,手机上的APP可以使用位置数据来提供与用户的位置相关内容,这使服务更加适应周围的环境。

一些应用程序,例如Uber,已经使用这项属性来减少用户所需的操作。在2018年,我们将看到更多的应用程序通过使用这些功能来提升用户体验。

Uber外卖服务

十、无现金支付的崛起

无现金支付已经成为一个必然的趋势,使用非现金交易的人数在2017年实现了翻番。

根据Junpier Research的一封报告显示,苹果支付和安卓支付的用户数将在年末分别达到8600万和2400万。

相比于信用卡,安卓支付和苹果支付都是更安全的支付选项——毫无疑问,人们会更爱使用移动支付。

图片来源:Daily Express

这对设计师和开发者来说意味着什么呢?这意味着2018年我们将会为产品提供同时支持线上和线下场景的苹果/安卓支付的默认选项。

在线使用安卓支付

十一、增强现实地位增强

2018年会是增强现实年,很多人将会以手机作镜头进入虚拟世界。

Google Lens

Google Lens 是一种基于“增强现实”技术的应用,现在Pixel和Pixel 2手机上的谷歌助手已经搭载了这项技术,它能够让用户通过摄像头拍摄真实世界来获取信息。

好消息是:如果你想使用Lens从你周围的世界收集信息,你不再需要打开谷歌照片;你可以在使用人工智能助手时利用相机按钮,每次你按下快门Lens就会执行一个搜索。

Google Lens 的设计旨在提供可视化的信息展现方案。图片来源:Engadget

会出现更多能解决实际问题的AR应用

与仍处于早期探索期的VR不同,AR已经快速成为一项能向用户传递真实价值的技术手段。

今年,我们已经看到了类似宜家AR应用在帮助用户设计客厅时发挥的强大作用:

因为你能够将虚拟物品放置在真实物品和环境中,你向这些虚拟物品的潜在客户打开了新世界的大门

又或者你可以用AR来测量真实世界的物件,而无需使用皮尺来测量:

利用谷歌和苹果的AR开发者工具,开发AR应用会变得更容易

2017年苹果和谷歌同事发布了各自的移动AR开发平台——AR kit 和 AR Core. 这些平台都拥有高水平API,它们为开发者提供了可靠并且简单易用的开发和使用方法。

还有更好的是:目前已经有无数设备能够支持这些平台开发出来的应用。

移动AR技术平台使虚拟物品与物理现实环境结合得毫无违和感

十二、VR仍是潮流

很多人非常期待VR成为下一件大事,很不幸,2018年我们并不会看到VR像智能手机一样走进每家每户。

VR平台在成为大众平台之前需要经历一系列的挑战,但是,我们仍会在今年看到VR会有所进步。

VR设备会降价

对于硬件开发者来说,降低VR设备成本并让大部分人负担得起已经成为了最重要的目标。

就在几个月前,Oculus Rift和HTC Vive同时大幅降低了VR设备的售价,类似Google Daydream这样低价格设备的崛起会让更多人使用这项技术。

VR和Unity 3D

在接下来的一年,VR技术依然主要用于娱乐,这意味着开发者会使用Unity’s 3D 游戏开发平台为游戏发烧友开发惊险刺激的VR游戏。

2018年,我们期待看到这个游戏开发平台变得更加强大,并且有可能出现其他类似Unity’s VR的编辑开发平台。

浏览器中的VR

Mozilla的WebVR有机会在虚拟现实领域成为下一个大事件。有以下几点原因:

首先,它是最便宜的技术(只要使用与谷歌Cardboard和GearVR就可以了)。

第二,开发人员可以使用相同的编程语言来创建WebVR应用(不需要学习一门新语言,你可以使用JavaScript创建虚拟现实应用程序)。

最后,WebVR使用的APP和服务无须安装,只要打开链接,你就可以进入虚拟现实。

A-Painter 能够让你通过浏览器在虚拟现实中作画

附录:2018年网页产品设计的变化

今天设计师和开发人员使用现代方法,如敏捷和精益交互设计让他们快速迭代,创建产品,满足用户的需求和希望。

2018年我们将会看到一些产品设计会发生重大变革:

从MVP到MLP

今天很多公司都致力于创造MVP(或最小可行产品)来实现他们追求的价值。很明显,2018年MVP是不够的。

未来的设计将拥抱MLP——最小可爱上的产品(Minium Loveable Product),体验完美结合的可用性和用户体验需要将访问者转化为顾客。

MLP允许更容易传达利益相关者和首次用户接受该产品。

图片来源:Laurence McCahill

交互设计和服务设计的结合

在2018年,交互设计和服务设计应该会最终融合在一起。

由于越来越多的服务是由数字化的方式呈现和提供给用户,这两个领域已经开始发生融合了。

图片来源:Satu Kyröläinen

结论

就像所有的趋势和热潮一样,以上提到的有些会继续存在,而有些可能会消失。

但为了创造卓越的用户体验,对设计师来说:请别忘记初心——让人们生活得更好。

  • Dec 13 / 2017
  • 0
Tech

锐眼洞察 | TensorFlow在企业中的应用 ——深度学习生态概述 ①(翻译)

作者:Sean Murphy & Allen Leis

原文:Considering TensorFlow for the Enterprise

译者:TalkingData Heisatis

本译文禁止商用,转载请注明来源与译者!

导语:本文翻译自 O’Reilly 的一篇报告,介绍了 TensorFlow 在企业中的应用,对深度学习生态进行了概述。报告篇幅较长,译文将分为三篇发布,本文为第一篇

屏幕快照_2017-12-11_下午6.36_.00_.png

简介

很多企业考虑在自己的业务场景中应用通常所说的深度学习特别是TensorFlow框架,本报告就从这些企业的角度分析TensorFlow深度学习框架及其生态系统。许多企业对深度学习不是很感冒,而是将技术视为对现有数据分析流水线的扩充或替换。 我们发现,使用深度学习的决定引发了复合决策的分支连锁反应。 在考虑这个转变时,我们强调这些分支,并提供可用的选项,希望为考虑旅程的人们指明方向。 更具体地说,我们考察采用深度学习的潜在理由,研究各种可用的深度学习框架,最后从特定方面分析TensorFlow及深度学习生态。

由于TensorFlow的流行,这个框架不乏教程、报告、概述、演练,甚至还有书籍(如O’Reilly自己的Learning TensorFlow或TensorFlow深度学习)。 我们不会深入研究神经网络的基础知识、线性代数、神经元类型、深度学习网络类型,甚至如何用TensorFlow来启动和运行。本报告旨在帮助企业学习和决策。

我们从高层观点和两个不同的企业角度提供这些信息。其中一个观点来自与沃尔玛有限公司(Walmart,Inc.)2016年秋季收购的大型网上购物平台Jet.com的关键技术人员的讨论Jet.com使用深度学习和TensorFlow来改进目前由其他算法实现的诸多工作。第二个来自工业物联网(IIoT)创业公司PingThings,它将包括机器学习和人工智能(AI)在内的以时间序列为中心的数据平台,从发电到电力分配。虽然PingThings是一家创业公司,但公司与来自电网传输和分配部分的传感器的流式时间序列数据交互。这需要与公共事务部门、大型的传统企业进行广泛的合作;因此,PingThings面临着一家大公司相应的信息技术关注和需求。

第一章:选择使用深度学习

在采用深度学习这项新技术之前,企业首先需要明确的问题是,什么是深度学习?为什么要用这项技术?对于第一个问题,微软研究院李登做出了如下简要回答:

深度学习是一类机器学习技术,从2006年开始大量开发,其分层体系结构中的非线性信息处理的许多阶段被用于模式识别和特征学习。

术语“深度”是指网络中隐藏层的数量,通常大于一些相对较少的数目(例如5或7)。

我们不纠结于这个问题,因为有很多关于深度学习的书籍和文章可以参考。 但是,第二个问题仍然存在:如果现有的数据科学手段已经不但有效而且具备相当的操作性,为什么要费时费力,并且消耗组织资源来进行实现这项技术转换。

1. 一般原理

从一般角度来看,投资深度学习有很大的理由。真正的技术革命,即影响社会多个部分的革命,都是通过从根本上改变特定能力或任务的成本曲线来实现。以传统的微处理器为例,在计算机出现之前,执行数学计算(加法、乘法、平方根等)对于人们来说是昂贵且耗时的。随着数字计算机的出现,算术成本急剧下降,这产生了两个重要影响。第一,所有依靠计算的东西,最终都会被降低成本并广泛使用。第二,许多以前限制问题解决方案的的假设不再有效(一个关键的假设就是数学计算成本很高)。出现了很多新机会,用曾经被认为不可能或财务上不可行的新方法来回顾旧问题。因此,计算机的普及让许多问题可以被重新定义为数学问题

可以说这种由深度学习所代表的“人工智能”的最新浪潮是技术上的一个阶段性变化。人工智能并不是永远改变计算的成本,而是不可逆转地降低了做出预测的成本。由于预测的成本下降以及预测的准确性提高,基于预测的商品和服务的价格会下降(同时质量可能会提高)。 一些现代服务,如天气预报,显然是基于预测。 其他如企业物流和运营等将继续沿着这个方向发展。 亚马逊根据本地客户下周订单确定本地仓库库存的能力将不再是例外,而是新常态。

此外,其他问题也将转化为预测问题。 拿自动驾驶汽车这个非常不受约束的问题来说吧。软件需要考虑的路况情况数几乎是无限的,并且永远不能在软件中明确列举。 然而,如果把问题重新定义为预测人类驾驶员在特定情况下会做什么,那么这一挑战性的问题就更容易处理。根据当今企业运营对预测的依赖程度,无论企业的实力依赖于企业内部还是外部,深度学习都将成为下一代成功企业的推动因素。

2. 特定的激励措施

采用深度学习可以提供显著的优势。深度学习和人工智能这么受关注,是因为它们可以提供可重复的优秀结果。深度学习是机器学习的一个子集,也可以被认为是AI的一个子集(图1-1)。

图1-1.png

图1-1 时变维恩图:人工智能,机器学习和深度学习间的关系

基于深度学习的解决方案不仅在某些任务中的性能超过了其他机器学习技术,与人类的能力相近,甚至在某些情况下超过了人的能力。例如,我们来看看自动机器翻译(从一种语言到另一种语言的文本翻译)性能改进的意义。早期,这种类型的软件比较新颖的,只在有限的少数情况下可能有用。随着翻译准确性的提高,翻译的经济性开始发生变化,适合自动翻译的案例也随之增多。由于翻译的准确性接近人工翻译,潜在的经济影响大了很多。一个翻译人员可以快速查看软件翻译的输出,从而增加翻译输出。 可以减少给定翻译任务量所需的翻译人数。最终,由于基于软件的方法超出了人工翻译的性能,翻译人员完全被软件所取代,软件可​​以每周七天,每天24小时按需运行。截至2016年底,Google翻译服务完全转移到了Google神经机器翻译系统——一种深度长短期记忆网络(LSTM)。

让我们再来看一些其他可以证明深度学习技术给企业带来潜在影响的例子。

3. 使用序列数据库

音频和文本是两种典型的序列数据库,这类数据相邻字母/音频片段之间距离越近,关系越紧密。格式自由、非结构化的文本对于传统算法处理方法来说是一个具有挑战性的数据类型。其他结构化数据的例子包括作为时间序列的浮点值捕获的传感器数据流。 如果企业拥有传统工程学或足够的科学背景,可以将序列数据库视为一维信号或时间序列。

自动语音识别

高斯混合模型(GMM)一直用于将语音转录成文本,直到深度神经网络和递归神经网相继出现,并且在过去近五年的时间内收到最好的效果。任何在Android手机上使用过Google智能助理的人都会亲身体验到这项技术的功能,它的业务影响是巨大的。

4. 使用图像和视频

图像是在二维空间数据关系密切的数据源。它的固有性质即假设图像中彼此相邻的点比相隔更远的点具有更强的关系。视频数据可以被看作一系列图像,且元素的空间关系在每个帧内保持,并且常常在后续帧中继续保持。

图像分类

图像分类是计算机科学和计算机视觉领域的一个经典问题。 为了对输入图像进行分类,算法从一组有限的预定义类别中为图像分配一个标签。 请注意,图像分类假定每个图像中都有一种物体。

图像分类一直被认为是计算机科学中一个非常具有挑战性的问题,因此每年都要进行视觉识别竞赛。在ImageNet大规模视觉识别挑战赛LSVRC-2010中,多伦多大学的深度卷积神经网络以6000万个参数和65万个神经元取胜。在2012年的比赛中,同一个网络的变体赢得了15.3%的错误率, 显着超过了第二名竞争对手的26.2%的错误率。 这种性能的飞跃是非常罕见的,有助于建立以卷积神经网络为主的技术方法。

自动游戏

Google的DeepMind团队表明,一个神经网络可以学习从古老的Atari 2600游戏机上玩七种不同的视频游戏,表现比以前的所有算法都要好,甚至胜过三个人类游戏专家。这个卷积神经网络是使用控制台直接馈送(基本上和人类玩家视角相同)和一个强化学习的变体Q- learning进行训练的。用视频反馈训练人工智能来执行有目标的复杂任务对企业有重大的意义。

自动黑白图片/视频着色

卷积神经网络已被用来对黑白照片进行着色,以前这种时间密集型操作过程有专家完成。加利福尼亚大学伯克利分校的研究人员用“全自动系统”和“人工辅助”两种方式“攻克了幻化彩色照片的幻觉问题”。尽管大多数企业没有对老电影着色的需求,但这一研究方法不仅证明了以深度学习技术为基础如何自动化地完成以前需要创造性专业知识才能完成的任务,也证明了人工智能和人类能够协作加速时间密集型任务的完成。

模仿毕加索

生成对抗网络(GANs)在深度学习领域中引起了相当大的轰动,并基于两种模式竞争来改善整体效果。 用原文的话说:

“生成模式可被看作造假者团队,试图生产假币同时避免被检测,而鉴别模型类似于警察,试图检测假币。两种模式间的竞争促使两边同时改进他们的方法,直到伪造品与真品无法区分。”

GANs被用来“学习”毕加索等著名画家的风格,然后把照片转换成模仿画家风格的画作。

5. 企业举例

为了更好地了解如何使用深度学习,让我们来看看行业内的几个例子。

Jet.com

Jet.com为这些新技术和能力如何转化为企业利益提供了一个很好的创新的例子。 Jet.com提供数百万种待售产品,其中许多是由第三方合作伙伴提供的。每个新产品都属于上千类别中的一类。过去,这种分类依赖文本描述和合作伙伴提供的信息。有时候这些信息是不正确、不准确或不一致的。 但是,通过使用TensorFlow和深度学习,Jet.com将产品的照片集成到分类通道中,显著提高了分类的准确性。因此,深度学习允许将新的数据类型(图像)快速集成到传统的数据分析流程中,以改善业务运营。

Jet.com使用深度学习解决的另一个问题是在搜索框中处理文本输入。例如,如果客户在搜索框中键入“矮脚电视柜”,则系统必须精确地解析这种自然语言来定位该客户意图的项目。

6. 潜在的缺点

和其他新技术一样,深度学习也有其缺点,特别是从企业角度来看。每一种新技术都存在一个共同的最首要的问题,其中有少数新技术尤其如此。例如大量的报道表明,数据科学家的数量急剧减少,深度学习专家更是极端缺乏。此外,大多数技术公司,谷歌、Facebook、微软、亚马逊、Twitter等,正在为这个稀缺人才而战,这既增加了人力成本,也增加了薪水成本。

从技术的角度来看,深度学习有几个潜在的缺点。首先,用最简单的技术解决问题几乎总是最好的。如果线性回归是有效的,那就用它来代替更为复杂的深度学习方法。其次,在需要时,深度学习需要大量的资源。训练神经网络不仅需要大数据集(精通机器学习的企业都会具备),而且还需要更大的计算力来训练网络。这意味着要么有多个图形处理单元(GPU),或者GPU的云资源。如果企业的理想用例在深度学习的范围之内,那么回报可能会很大。但是,取决于外部需求是多远,深度学习本身不会为产品和项目的成功与否提供保证。

最后,更广泛的领域被称为数据科学的原因。尽管有一些与预建网络直接支持的企业相关的用例(例如图像分类),但是很多企业都有兴趣通过深入的学习网络来扩展这些想法并开发相邻的功能。这应该被认为更多的是研究和开发工作,而不是一个伴随风险的工程计划。

7. 本章小结

深度学习代表了涉及许多不同数据模式(包括文本、图像、视频和声音)的许多任务的机器学习领域,或者具有可被利用的结构或空间构建特征的任何数据。而且,深度学习已经在一定程度上取代了特征提取和特征工程的重要问题,并选择了合适的神经网络结构。随着深度学习的不断发展,对网络和网络组件的性能和性能属性的更好的理解将会出现。深度学习的使用将转向更多的工程问题,以解决以下问题:我们如何将所需的神经元类型,网络层和整个网络组合成一个能够处理业务挑战的系统。

最终,问题不在于企业是否会使用深度学习,而在于每个组织如何参与到技术发展过程中来。许多公司可能已经使用了深度学习的服务。对于那些可以直接受益于深度学习产品和服务的公司来说,一个现实的问题是“我们要购买技术/服务”还是“我们要发明创造技术/服务”?如果存在提供满足性能要求的必要功能的高级API,企业可以应该使用它。但是,如果这是不可能的,企业必须发展内部的核心能力。如果选择后一种方法,那么下一个问题是,我们可以简单地通过微调来在已有技术成果来实现,还是我们需要发明全新的系统、架构、图层或者神经元类型来推进现有技术?这个问题的答案决定了企业需要准备何种人力资源。

参考资料:

  1. Li Deng, “Three Classes of Deep Learning Architectures and Their Applications: A Tutorial Survey”, APSIPA Transactions on Signal and Information Processing (January 2012).
  2. Ajay Agrawal, Joshua S. Gans, and Avi Goldfarb, “What to Expect from Artificial Intel‐ ligence,” MIT Sloan Management Review Magazine (Spring 2017).
  3. Yonghui Wu et al., “Google’s Neural Machine Translation System: Bridging the Gap between Human and Machine Translation”, technical report (October 2016).
  4. A. Krizhevsky, I. Sutskever, and G. Hinton, “ImageNet Classification with Deep Convo‐ lutional Neural Networks”, Advances in Neural Information Processing Systems 25 (2012).
  5. V. Mnih, K. Kavukcuoglu, D. Silver et al, “Playing Atari with Deep Reinforcement Learning”, NIPS Deep Learning Workshop (2013).
  6. R. Zhang, P. Isola, and A. Efros. “Colorful Image Colorization”, in ECCV 2016 (oral), October 2016.
  7. I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D. Warde-Farley, S. Ozair et al., “Gen‐ erative Adversarial Nets”, Advances in Neural Information Processing Systems 27 (2014).

(未完待续)

  • Dec 13 / 2017
  • 0
Enterprise

锐眼洞察 | 如果正确操作,人工智能可以变革零售体验(翻译)

作者:Greg Ng

原文:If Done Right, Artificial Intelligence Can Transform the Retail Experience

译者:TalkingData合伙人&执行副总裁 林逸飞

本译文禁止商用,转载请注明来源与译者!

在这篇特稿中,PointSource的数字化合作副总裁Greg Ng阐述了AI如何帮助公司根据每个客户的具体需求定制用户体验。 Gregory是一位在业界领先的创意总监、设计师以及直接效应营销员。作为该公司的副总裁,Gregory负责为客户开发新的数字产品,并与架构、开发和交付团队合作,以确保他们的长期成功。在加入PointSource之前,Gregory用了约20年的时间,专注于为一些世界大品牌(包括许多的财富500强企业)开发有效的、集成的、以结果为导向的营销方案。

十年来,以大数据为特征的人工智能(AI)已然成为一个显著的趋势。2013年以来,人工智能领域的投资翻了3倍。到2016年中期,基于人工智能的企业获得了近15亿美元的股权融资。显然,对包括零售业在内的各行各业来说,人工智能这项技术都将是一个游戏规则改变者。

当然,人工智能是一个宽泛的概念,涵盖了从科幻机器人到无人驾驶汽车的方方面面。对于零售商来说,这项技术带来的最重要的变化是个性化能力的提高。人工智能使零售商能够将大数据见解转化为可行的策略,如实时价格敏感度和量身定制的产品推荐。随着技术的不断发展,为个人消费者量身定制体验的想法变得更加现实。

但人工智能是复杂的,找到一个无缝的策略,平滑地将这些见解应用到用户体验中去,是件说起来容易、做起来难的事情。虽然人工智能驱动的个性化会彻底变革用户体验,但如果使用不当,它也会损害客户关系。在将这种技术纳入市场营销策略时,会出现一些可能损害用户体验的错误。

不一致的多渠道个性化

由于消费者通过多种渠道(桌面网站、移动应用、店内体验等)与品牌互动,因此当个性化将每个互动巧妙地联系在一起时,它是最有效的。虽然新技术能够使用数百万个数据点,但关键在于建立一个可创造平滑顺畅、全面体验的跨平台数字化框架。

将您的个性化策略类比呼叫中心来说: 无论客户与哪个呼叫中心联系,都应该从他提供的信息中得到相同的答复。由于不一致的答复对于零售商的呼叫中心来说不可接受的,所以同样的标准也应该适用于个性化策略。客户在某个平台上的行为应该告知整个客户体验体系。

例如,通过移动设备浏览零售商网站上的黑色毛衣,并随后在桌面端下单的顾客,不应在手机端不断收到该款毛衣的推荐。应当使整个品牌都了解到用户先前在某渠道上的行为及体验。

超出客户隐私的界限

虽然人工智能策略可以在品牌与顾客之间建立更亲密、更积极的关系,但是他们也可能走得过远。换句话说,执行不力的个性化努力可能令人毛骨悚然。

零售商应将每个用户触点视为登录点/签到。如果客户选择参与,那么这意味着零售商应该继续与他们分享个性化内容。如果他们不参与,零售商需要停下来并重新考虑他们发送的定制内容的类型和频率。这可能是个要退让的信号。

随着对技术侵入性的担忧加剧,零售商必须始终对界限保持敏感。如果顾客觉得零售商无视他们的隐私,他们很容易丧失对其的兴趣。随着科技的进步,零售商可以获得越来越多的有关顾客的信息,营销人员将不得不判定每个人的偏好,以免跨过界限走得太远。

糟糕的筹备以及无用的技术

在未来几年内,深度个性化将成为常态,落后的零售商将在市场上失去重要份额。认识到这一点,许多人都曾试图支持个性化策略,但由于数字解决方案的整合不佳而错过了机会。

一个主要原因是:许多零售商试图采取零碎的解决方案来避免昂贵的技术投资。没有人能回避这样一个事实: 一个具备人工智能功能的数字解决方案是要付出代价的。对于许多零售商来说,这意味着一种自上而下的数字化变革,而不是一种改进过时技术的肤浅的尝试。但是,数字化转型的投资回报远远超过了前期成本。放弃了必要的投资,零售商只会削弱他们的数字能力,使他们大大落后于竞争对手。

人工智能个性化的未来

尽管人工智能已经运用在零售商和消费者的日常互动中,但人工智能还在不断发展和提升。以亚马逊的数字私人助理Alexa为例。Alexa使用关键字和语音识别来执行各种任务,与用户个人信息相结合,它可以完成从播放音乐到在线订购等一系列任务。例如,询问Alexa泰国食物推荐的用户将收到基于地理信息和以往用户行为的个性化答复。虽然这清楚地展示了个性化所能做到的,但它还只是冰山一角。

随着更多的创新,下一代的Alexa可以对用户做出有更多细微差别的、微妙的答复。Alexa可以识别背景中的多个人,并推荐一个提供团餐的餐厅,它甚至可以识别语气中的细微变化。例如,这个助理可能会向不耐烦的顾客推荐以服务快捷著称的餐馆。

当然,这些只是AI如何改善数字化用户体验的一些例子。零售商和消费者面临的可能性是未知的,而且似乎是无穷无尽的。随着科技的进步,公司将能够把个性化用户体验做到行为发生的那一刻。

为了把握这种增长趋势,企业必须为全面整合人工智能做好准备。对其中一些公司来说,这可能意味着提高现有能力,统一全渠道战略。对于其他公司而言,拥抱AI将需要一个完整的数字化转型。无论哪种情况,零售商都需要现在就行动起来。

  • Dec 12 / 2017
  • 0
Enterprise

锐眼发现 | 混沌工程简介

作者:siddontang@简书

转载于:简书

著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。

最近看到 Netflix 的混沌工程的介绍,感触颇深。在 TiDB 里面,我们为了保证系统的健壮性,也做了很多工作。在内部我们开始叫做 stability test,后来进化成 Schodinger 平台。之前我一直苦于没有没法对我们做得工作进行归类,毕竟它可能是一个 test,但又比 test 做得多一点,现在知道,原来我们一直做的其实算是一门工程实践。

既然是工程,那么就会有方法论,也就能详细的归纳总结出来实施的步骤,这样后面的同学就能非常快速的学习掌握,而不会像我们之前那么漫无目的的探索了,但我们现在还做不到这一步,而且相比 Netflix,我们还有很多路要走。所以我打算深入研究下 Netflix 是如何做的,在想想如何提升我们自己的工作。

介绍

首先,我们需要知道,混沌工程到底是什么。根据 Netflix 的解释,混沌工程师通过应用一些经验探索的原则,来学习观察系统是如何反应的。这就跟科学家做实验去学习物理定律一样,混沌工程师通过做实验去了解系统。

image.png

上图就是混沌工程的典型代表 – 猴子。拜 Netflix 所赐,现在大部分的混沌工程项目都叫做 Monkey,也就是一只讨厌的猴子,在你的系统里面上蹦下窜,不停捣乱,直到搞挂你的系统。

然后,我们需要知道,为什么需要混沌工程。应用混沌工程能提升整个系统的弹性。通过设计并且进行混沌实验,我们可以了解到系统脆弱的一面,在还没出现对用户造成伤害之前,我们就能主动发现这些问题。

混沌工程其实是很重要的,但我之前一直以为混沌工程就是测试,但它们还是有区别的。虽然混沌工程跟传统测试通常都会共用很多测试工具的,譬如都会使用错误注入工具,但混沌工程是通过实践对系统有更新的认知,而传统测试则是使用特定方式对某一块进行特定测试。譬如在传统测试里面,我们可以写一个断言,我们给定特定的条件,产生一个特定的输出,如果不满足断言条件,测试就出错了,这个其实是具有很明确的特性。但混沌工程是试验,而试验会有怎样的新信息生成,我们是不确定的。譬如我们可以进行下面的这些试验:

  • 模拟整个 IDC 当掉
  • 选择一部分网络连连接注入特定时间的延迟
  • 随机让一些函数抛出异常
  • 强制 NTP 时间不同步
  • 生成 IO 错误
  • 榨干 CPU

这些试验到底会有什么样的结果,有些我们可以预料,但有些可能我们就不会预先知道,只有发生了,才会恍然大悟,有一种『喔,这也会出现!』的感叹。

原则

在开始应用混沌工程之前,我们必须确保系统是弹性的,也就是当出现了系统错误我们的整个系统还能正常工作。如果不能确保,我们就需要先考虑提升整个系统的健壮性了,因为混沌工程主要是用来发现系统未知的脆弱一面的,如果我们知道应用混沌工程能导致显而易见的问题,那其实就没必要应用了。

虽然 chaos 有混乱的意思,但混沌工程并不是制造混乱。相反,我们可以认为混沌工程是用经验的方法来定位问题的一门实验学科。譬如,我们可以思考:『如果我们在系统里面注入混乱了,这个系统会怎样?』,或者『我们系统离混乱的边界还有多远?』。所以,为了更好的进行混沌试验,我们需要有一些原则来进行指导。

假定稳定状态

在一个复杂系统里面,我们有特别多的组件,有很多不同的输入输出,我们需要有一个通用的方式来区别系统哪些行为是可以接受的,而哪一些则是不合适的。我们可以认为当系统处于正常操作时候的状态就是稳定状态。

通常我们可以通过自己测试,来确定一个系统的稳定状态,但这个方法当然是比较低效的,另一种更常用的做法就是收集 metric 信息,不光需要系统的 metric,也需要服务自身的 metric,但收集 metric 需要注意实时性的问题,你如果收集一个每月汇总的 metric 信息,其实没啥用,毕竟系统是实时变化的。现在市面上面有很多不错的开源 metric 系统,譬如我们就在用的 Prometheus。

当我们能收集到信息之后,就需要用这些信息去描述一个稳定状态。这个难度比较大,因为不同的业务是不一样的,即使是同一个业务,不同时间也可能变化很大。但也有一些方法,譬如我们可以根据前面一段时间譬如上周的 metric 的曲线得到一个大概合理的稳定状态,也可以自己做很多压力测试,得到相关的数据。

当有了 metric 以及知道稳定状态对应的 metric 是怎样之后,我们就可以通过这些来考虑混沌实验了。思考当我们注入不同的事件到系统中的时候,稳定状态会如何变化,然后我们就会开始做实验来验证这个假设。

变更真实世界事件

在真实的世界中,我们可能遇到各种各样的问题,譬如:

  • 硬件故障
  • 网络延迟和隔离
  • 资源耗尽
  • 拜占庭错误
  • 下游依赖故障

做混沌试验的时候需要模拟这些故障,来看系统的状态。但从成本上面考虑,我们并不需要模拟所有的故障,仅仅需要考虑那些会比较频繁发生,而且模拟之后会很有效果的。在 TiDB 里面,我们主要就是模拟的网络,文件系统的故障,但现在看起来还是不够,后面会逐渐的添加更多。

在生产中进行试验

要看混沌试验有没有效果,在真实生产环境中进行验证是最好的方法。但我相信大部分的厂商还没这么大的魄力,这方面 Netflix 就做的很猛,他们竟然能够直接停掉 Amazon 上面的一个 Zone。

如果不能再生产环境中试验,一个可选的方法就是做 shadow,也就是通常的录制生产环境的流量,然后在测试中重放。或者模拟生产环境,自己造数据测试。

自动化持续执行

最开始执行混沌试验,我们可能就是人工进行,试验进行的过程中,看 metric,试验结束之后,通过收集的 metric 在对比,看系统的状态。这个过程后面完全可以做成自动化的,也就是定期执行,或者系统发布的时候执行等。

如果能做到自动化执行试验,已经很不错了,但我们可以做的更多,甚至有可能根据系统的状态自动化的生成相关的试验,这个 Netflix 已经做了很多研究,但我们这边还处于初级阶段,没考虑过自动化生成的问题。

最小化影响范围

在进行混沌试验的时候,一定要注意影响的范围,如果没预估好,把整个服务搞挂了,导致所有的用户都没法使用,这个问题还是很严重的。

通常都会使用一种 Canary 的方法,也就是类似 A/B 测试,或者灰度发布这种的,在 Canary 集群这边做很多试验。也就是说,如果真的搞坏了,那也只是一小部分用户被搞坏了,损失会小很多。

在 Canary 里面还有一个好处,因为我们知道整个系统的稳定状态,即使不做混沌测试,也可以观察 Canary 里面的状态是不是跟之前的稳定状态一致的,如果不一致,那也可能有问题。

实践

上面我们说了相关的原则,那么如何开始进行一次混沌试验呢?其实很简单,只要做到如下步骤就可以:

  1. 选择一个假设
  2. 选择试验的范围
  3. 明确需要观察的 metric 指标
  4. 通知相关的团队
  5. 执行试验
  6. 分析结果
  7. 增大试验的范围
  8. 自动化

譬如对于 TiDB 来说,譬如我们可以选择验证网络隔离对系统的影响,我们会:

  1. 假设一台机器的网络隔离对整个系统不会造成影响
  2. 将一个用户一台 TiKV 进行网络隔离
  3. 观察 QPS,latency,等指标
  4. 通知负责这个用户的 OPS 同学
  5. 断网
  6. 一段时间之后分析 metric
  7. 在多个集群测试
  8. 将这个流程自动化

上面只是一个简单的例子,实际还会复杂很多,但通过这种方式做了操作了很多次之后,大家都会更加熟悉自己的系统。

混沌成熟度模型

这里在简单说说混沌成熟度模型,Netflix 总结了两个维度,一个是复杂度,一个就是接受度。前者表示的是混沌工程能有多复杂,而后者则表示的是混沌工程被团队的接受程度。

复杂度分为几个阶段:

  • 初级
    • 试验没有在生产中进行
    • 进程被收工管理
    • 结果只反映系统 metric,没有业务的
    • 只有简单的事件进行试验
  • 简单
    • 试验可以在类生产环境中进行
    • 能自动启动执行,但需要人工监控和终止
    • 结果能反应一些聚合的业务 metric
    • 一些扩展的事件譬如网络延迟可以进行试验
    • 结果可以手工汇总和聚合
    • 试验是预先定义好的
    • 有一些工具能进行历史对照
  • 复杂
    • 试验直接在生产环境中进行
    • 启动,执行,结果分析,终止都是自动完成
    • 试验框架集成在持续发布
    • 业务 metrics 会在实验组和控制组进行比较
    • 一些组合错误或者服务级别影响的事件可以进行试验
    • 结果一直可以追踪
    • 有工具可以更好的交互式的对比试验和控制组
  • 高级
    • 试验在每个开发步骤和任意环境都进行
    • 设计,执行和提前终止这些全部都是自动化的
    • 框架跟 A/B 或者其他试验系统整合
    • 一个事件譬如更改使用模式和返回值或者状态变更开始进行试验
    • 试验包括动态作用域和影响,可以找到突变点
    • 通过试验结果能保护资产流失
    • 容量预测可以通过试验分析提前得出
    • 试验结果可以区分不同服务的临界状态

而接受度也有几个阶段:

  • 在暗处
    • 相关项目不被批准
    • 很少系统被覆盖
    • 很少或者没有团队有意识
    • 早期接受者不定期的进行试验
  • 有投入
    • 试验被被官方批准
    • 部分资源被用于实践
    • 多个团队有兴趣并投入
    • 少部分关键服务不定期进行试验
  • 接受
    • 有专门的 team 进行混沌工程
    • 应急响应被集成到框架,从而可以创建回归试验
    • 多数关键系统定期进行混沌试验
    • 一些试验验证会在应急响应或者游戏时间被临时执行
  • 文化
    • 所有关键服务都有频繁的混沌试验
    • 大多数非关键服务定期进行
    • 混沌试验已经是工程师的日常工作
    • 默认所有系统组件都必须参与,如果不想进行,需要有正当的理由

如果按照这上面两个维度来看,我们其实做的并不好,所以还有很大的提升空间。

总结

上面就是对混沌工程的简单介绍,后面我会考虑依照混沌工程的原则,开始工程化的实践。虽然之前我们做过很多工作,如果能用理论开始指导,就能更进一步了。

  • Dec 12 / 2017
  • 0
Ideas

锐眼洞察 | 2018年的大数据行业发展趋势(翻译)

作者:Keith D. Foote

原文:Big Data Trends for 2018

译者:TalkingData副总裁 皮山杉

本译文禁止商用,转载请注明来源与译者!

物联网(IoT)的扩张为数据管理领域增添了大量新的大数据来源,正成为2018年及之后主要的大数据趋势之一。而笔记本电脑、智能手机、机器上的传感器都为物联网共享了大量的数据。

那些具有足够灵活性来管理数据,并将数据转换为有价值的商业智能的组织,会有机会获得显著的竞争优势(或保持竞争优势)。而随着大数据的增长,各类业务也试图跟上这个趋势,并且努力将数据转化为有用的洞察。商业智能是保持竞争力的关键,而数据分析提供了所需的最新信息。

2017年,一些公司扩展其软件或服务,将大数据表现为可视化和图表。这使得研究人员能够更有效地收集和处理有关普通人群的信息,改善客户体验。以及可以让领导者能够简化决策过程。

提供云服务的公司数量也将在2018年继续增长,从而实现有竞争力的定价,并让较小的企业访问大数据资源。

商业智能 2018发展趋势

组织决策目前正在经历一个升级,这在2018年将继续发展。在2017年,大数据处理的目标是提高效率、不断降低成本。 反过来,这又使得基于大数据的商业智能对中小企业乃至初创企业更为重要。 这一趋势将持续到2018年,此外,大数据处理的成本持续下降,预计趋势如下:

  • 基于云计算的商业智能将会增加。
  • 分析将提供持续改进的数据可视化模型和自助服务软件。
  • 关于拓展新市场和新地域的决定将基于大数据。

云计算 2018发展趋势

 从小做起

在2018年,随着越来越多的人熟悉云应用程序,就像其他行业一样,专业化分工和小众工作将会发展。这反过来又将创造更多的研究选择和更多的行业竞争。专业化的数据科学家,如了解地区零售业、区域增长等,将逐渐普遍。

混合云

虽然云为存储和处理大数据提供了一个便捷的解决方案,但很少有人愿意将“组织内”数据的“全部”转移。在2018年,混合云的使用会大幅增长,因为这种组合提供了两全其美的方案。内部部署数据管理平台可以综合利用到云服务的便利性。

让更多部门可使用云服务

通常,IT部门将作为其他部门访问云服务的“中介”。但是,随着与云技术的接口已经变得相当容易。其他部门,如销售、市场或人力资源等部门现在可以直接访问云服务。而随着越来越多的人能够访问敏感信息,数据安全成为一个重要问题。

数据分析 2018发展趋势

分析将包括可视化模型

2017年中,通过对2800名经验丰富的商业智能专家的调查,可以预计数据可视化和数据探索将成为一个重要趋势。数据探索已经扩展到不仅包括对数据分析和关系的理解,还包括展示数据的方式,以揭示更深入的业务洞察。因此,可视化模型作为将数据转化为可用洞察的一种方式变得越来越流行。不断改进的可视化模型已经成为获取大数据洞察的一个重要组成部分。 (目前,他们还有些笨拙、粗糙的一面,但可以一点点逐步进化。)

人类大脑有能力高效地处理视觉模式。这个活动会使用到潜意识,并允许决策者通过快速扫描来处理信息。强大的可视化使得大脑模式识别的能力得到提升,有效的可视化模型将成为处理大型数据集的首选方法,也是2018年重要的大数据趋势之一。

预测分析

许多企业已经通过使用“历史”大数据的研究来支持对未来行为的预测。然而,目前更新的研究在做出这些预测时更有价值。商业智能的世界里,“过去的结果不是未来成功的保证”这句古老的谚语依然如此。预测分析为用户提供了优势,通过实时“了解客户”来提升增加利润的巨大潜力。 (惯例分析仍处于起步阶段,未来几年可能不会成为推动趋势)。

IoT 2018发展趋势

IoT将继续增长。来自这些设备的信息如何被使用是完全不同的。

改善零售业

在2018年,消费者和企业经营者将从各种持续增长的客户所拥有的设备传感器和数据中获利。IoT的信息收集,可以让企业更有效地向潜在客户推销其产品。精通技术的公司已经开始投资于基于传感器的分析,这将使他们能够跟踪其最受顾客喜欢的商店区域。

重塑医疗保健行业

大数据现在被用于推动医疗保健解决方案,但也可能重塑人们获得医疗保健的方式,以及他们如何为此付费。新的可穿戴技术可监控个人的健康状况,使医院和诊所能够提高医疗质量。患者可以通过联网设备提醒他们服用处方药、锻炼身体,并在血压水平急剧变化时收到警报。

改变信息安全的挑战

新的互联网安全挑战在2018年会成为一个问题。据预测,黑客将寻求破坏性目的来尝试侵入IoT。在2016年10月,黑客利用物联网进行攻击,造成大部分互联网的瘫痪。

随着物联网的不断发展,全球互联网基础设施的薄弱环节也将持续增长。人工智能和机器学习提供的解决方案将逐渐变得更受欢迎。随着设备之间的互连越来越多,安全专家将需要学习如何使用AI和ML程序。

机器学习2018发展趋势

机器学习是计算机程序的训练过程,目前正被企业组织用于各种活动,如实时广告、模式识别、欺诈检测和医疗保健。但到2018年,它将会变得更加智能、更快、更高效。

广告业务发展总监Ronald Van Loon表示:

  “你的数字业务现在需要走向自动化,而机器学习技术正在迅速发展。机器学习算法从大量的结构化或非结构化数据中进行学习,例如:文字、图像、视频、声音、肢体语言和面部表情。这为医疗系统、视频游戏和自动驾驶汽车的应用开辟了新的领域。”

教育

最近,为了改进教学艺术,已经开发一些使用机器学习的尝试。例如,加利福尼亚州立大学已经敦促其教师在教学课程中寻找和使用免费或低成本的教材。为了简化这一过程(用以免费或低成本的材料取代以前的课程材料是非常耗时的),Intellus Learning提供了一个解决方案,通过索引超过4500万在线资源和教学(通过机器学习)程序/算法来提出建议。教师可以将免费或低成本的教材上传到课程资料管理系统中,供学生使用。

医疗保健

识别不同的疾病并正确诊断,是机器学习研究的目标之一。医疗行业一直在开发能够识别和诊断疾病的计算机/算法。得克萨斯大学奥斯汀分校的一个研究小组创建了一个全自动的方法来结合肿瘤生长模型。机器学习算法自动识别脑肿瘤。机器学习已被用于各种医疗工作,包括:

  • 行为修改
  • 疫情爆发预测
  • 药物发现
  • 放射研究
  • 电子病例
  • 诊断和疾病鉴定

人工智能2018年发展趋势

人工智能研究目前主要集中在开发允许人类和技术彼此更自然地进行沟通的算法,以及训练这些算法的方法。目标是能用人类的自然语言来回答复杂的问题。 AI和ML使通常需要人为判断的工作自动化成为可能。这些工作包括:

  • 阅读手写材料
  • 人脸识别
  • 学习
  • 认知技能,如使用有限信息进行规划、推理

Gartner Research副总裁David Cearly表示:

 “人工智能技术正在迅速发展,组织将需要在技能、流程和工具方面进行大量投资,以成功利用这些技术并构建人工智能增强系统。投资领域可以包括数据准备、整合、算法和训练方法选择以及模型创建。包括数据科学家、开发人员和业务流程负责人在内的多个人员需要共同协作。”

Gluon平台的演进

亚马逊大量使用人工智能。亚马逊的推荐引擎使用AI来预测客户的兴趣,准确度大概在5-10%之间。为了提高预测的准确性,亚马逊已经与微软联手提供了一个新颖的尝试,使用机器学习来训练AI实体。这个名为“Gluon”的新平台允许各种技能水平的AI开发人员使用。 Gluon平台被描述为使得AI开发者更容易设计和开发神经网络。

Gluon平台建立在Amazon Web Services上。 Gluon界面是“开源的,随时可用”。关于访问Gluon的详细信息,请点击” https://github.com/gluon-api/gluon-api/”,然后访问到Gluon界面入门。

AI和网络安全

哈佛商业评论写道:

“具有讽刺意味的是,我们最好的防范基于AI的黑客攻击是通过使用AI。人工智能可以用来保卫和攻击网络基础设施,也可以增加黑客可以攻击的攻击面,也就是黑客进入系统的方式。建议商业领袖熟悉人工智能安全和安全研究的最前沿研究。”

随着企业意识到开发网络安全程序的重要性,人工智能将变得更受欢迎。一个构造良好的AI防御系统可以处理多年的攻击历史,并学习各种攻防战略。它可以创建普通用户行为的基线,然后搜索异常,比人类处理要快得多。这比起维护一个安全专家团队来处理日常的网络攻击要便宜得多。人工智能也可以用来制定防御策略。预计AI在2018年也将更多地参与网络安全。

  • Dec 11 / 2017
  • 0
Data

锐眼洞察 | 2018年大数据趋势(翻译)

作者:George Hill

原文:Big Data Top Trends 2018——We take a look at what will happen to big data in the next 12 months

译者:TalkingData解决方案架构师 张雪倩

本译文禁止商用,转载请注明来源与译者!

 

2017年是数据成为主流的一年,从业内人员所认为的流行语转变成为所有人都在谈论的东西,无论是关于大数据黑客的描述还是人工智能抢走人们工作的恐怖故事。突然之间,数据确确实实在大众观念里占有了一席之地,没有以应有的方式使用数据的人,结果都受到了批评。然而,接下来的12个月很有可能见证数据启蒙更加扩大,市场改变速度更快。

就是这样一幅极难预料的动态图景,我们每年尽力去拼凑对接下来12个月的预测:

更多地向云端转移

没人会奇怪企业都看到了曙光,纷纷向云端转移。起初关于云端数据安全性的担忧,被这样的观念所替代——当在网上发布东西时,云端相比于大多数公司所能提供的都要安全得多。

越来越多的员工远程办公,意味着无论他们在世界各地的哪里,都有安全获取数据和分析工具的需求,使得大数据即服务(BDaaS)成为了日益重要的工具。当可扩展性、速度、便捷性和成本都得到了增加,Forrester预测下一年50%的企业都会采取云优先政策,也不是什么新鲜事了。

“实时”持续增长

根据“垂直分层分析市场——全球市场预测与分析(2015 – 2020)”报告,在2015 至2020年间,实时分析预测平均每年增长31.3%,似乎其在市场上仍起支配作用。

多亏了科技的普及和成本的降低,曾经仅限于大公司和有钱公司的举措现在在中小公司中越来越常见。越来越多的公司寻求内存和芯片内方法来尽可能快地获取和分析数据,一旦竞争者开始运用这项技术来更快地作出决策,市场也会被迫接受它。

根据罗杰斯采用曲线,目前我们刚刚开始从早期采用者发展为早期多数人群,但2018年是我们开始进入早期多数人群阶段的时间。这一趋势也是由日益增长的必要性所驱动的,大大小小的公司收集和分析数据以在各自的市场中保持竞争力。所以不单单是跨国集团需要实时分析,人人都需要。

掩埋大数据

“大数据”这一词会悄悄地重复IT的老路,有很宽泛的意思但单独来说几乎没什么意义。和IT一样,大数据是个在人们头脑中涵盖了太多的词,以至于除了对知之甚少的人说“我在大数据领域工作”以外,没有真正确切的意义。

现在有太多不同的东西可以算在大数据内,从机器学习和数据收集到分析和数据安全,其中任何一项和另一项都没有太大的关系,但仍归类为“大数据”。由于黑客、机器人、自动驾驶汽车和无数其它数据驱动的技术,即使在大数据领域没有相关利益的人中,对这些领域的认识也在不断提升。

这意味着即使大数据这个词的使用不会消失,把它用来描述整体数据以外的用法也会消失。大数据已死,大数据万岁。

媒体审查增加

过去一年中出现的大型黑客事件的数量意味着公众现在完全意识到了公司拥有多少数据,一旦这些数据丢失会造成多大损害。我们还从铺天盖地声称俄罗斯影响美国大选的媒体报道中发现了数据企业实际上持有多少个人数据,无论是脸书还是更加秘密的民意调查公司。

我们还看到了对人工智能和自动驾驶汽车等部分数据图景的极大兴趣,这在全球都曾成为重大新闻。尤其是人工智能,许多危言耸听的说法使其在许多新闻媒体的报道中都是热点话题。

这一觉醒意味着数据不再只是技术达人关注的领域,而是和其它主流话题一样被大众媒体报道。这意味着这些领域很有可能受到审查,只是因为现在公众了解的更多了。

这对行业来说是福是祸还有待观望。一方面,它会将公众指引到历史上被忽略的地方,但另一方面,它会带来部分谣言,和人工智能夺走人们的工作类似。

量子计算机更加真实

目前,量子计算机不过是有一些惊人数字支持的理念。谷歌、图灵研究所、微软、因特尔和许多其它公司已经做了许多令人赞叹的量子计算机实验,但现实却是我们离真实可用的量子计算机还有一定距离。

然而,经过2018年,随着进行更多各种各样的实验,我们很有可能看到量子计算机更加成型。根据2016年7月谷歌发布的一篇论文,到2017年底,他们就会有49量子位的计算机工作,这意味着它会远远超越任何现存的超级计算机。我们听说,谷歌透露说50量子位是原理证明,能立时呈现10,000,000,000,000,000位数字,远超我们目前所能生产的普通的计算机的存储能力。

2018年不会是量子突然开始成为常态或全球最大的公司可以使用的一年,但我们目前看到的是“这对开发出一部完全可扩展的机器来说绝对是进步”,牛津大学实验物理学Hooke教授和科研副校长Ian Walmsley这样说。

黑客规模更大

Benjamin Franklin(本杰明﹒富兰克林)曾说过一句很有名的话“在这个世界上,一切都不是绝对的,除了死亡和纳税以外”,在2018年,我们可以加上“还有大型黑客事件会影响公司”。

最大的10次非法入侵中8次都发生在过去3年中并非偶然。数据安全性可能在提高,但是基本上与想偷数据的人技术增长速度同步。如今,随着大量数据被收集,大型黑客事件只会继续增长,我们在写这篇文章的时候,Uber黑客事件真正的规模和其掩盖行为正遭到曝光,目前已明确了的是5700万账户信息被盗取,而且Uber花了10万美元来让黑客保持沉默。

随着数据收集更多,公司花钱或让黑客解锁数据或使其停止分享这些数据,这种事只会向坏的方向发展。根据Symnatec的研究,相比于2016年,公司支付用勒索软件入侵的黑客的金额急剧增长了266%。与此同时,很少有人因黑客行为被捕。如果黑客行为获利金额增长,而且只有很小的可能性被抓,现实就会变成,人们将其看作机会,黑客活动也会增加。

人工智能继续前进

人工智能正对世界产生巨大的影响,鉴于2017年我们看到的巨大进步,其在接下来的12个月中只会增长。越来越多的公司正在采用人工智能技术进行任何数量的行为,从相对较基础的应用如仓库管理和聊天机器人,到更复杂的部分,如会计和数据科学,不过这很有可能在接下来的12个月中更深入发展。

其中最重要的部分会是自动驾驶汽车能力更加强大,在更多地形的用途和性能上都有所体现。例如,英国财政大臣宣布2024年开始,自动驾驶汽车将会批准上路,但是到那时也只是有人类在驾驶舱的情况下才可以。我们还会看到更多的人工智能解决极其复杂问题的实验,DeepMind在这方面就走在前列,即使目前仅仅表现为围棋和象棋等游戏的形式。然而,2018年可能会是我们看到这些要素成为人工智能更加深入发展基础的一年。

随着Google Home和Amazon Alexa等产品极大增多和Apple HomePod将更多设备带进人们家中,我们还可以看到,人工智能走进了千家万户。这不单单是一时的热潮,根据加拿大皇家银行资本市场3月份的研究,“声控互联网”设备到2020年可能会有100亿美元的市场,到那时显示出巨大的增长。亚马逊目前控制着70%左右的市场,随着Alexa在2017年第二季度销量增长了25%,这表明市场还没有被完全占领。

  • Dec 11 / 2017
  • 0
Enterprise, Ideas

锐眼洞察 | 数据治理2.0,数据是每个人的业务(翻译)

作者:Erwin CEO,Adam Famularo

原文:Data Governance 2.0, Data is Everyone’s Business

译者:TalkingData研发副总裁 闫志涛

本译文禁止商用,转载请注明作者与来源!

 

译者注:

昨天的一条新闻提到习总书记开始就实施国家大数据战略要求中央政治局集体学习,可见大数据目前不仅仅是一个概念,而是已经逐渐的上升到国家战略的层面。而对于商业企业来讲,数据战略和数据的治理已经是很多公司一把手在进行推进的事情。在过去,由于数据是IT系统产生的副产品,数据治理都是由IT部门来承担的,而起作用仅仅是将数据存下来,如果有数仓的需求,就实施数仓项目,完全谈不上是战略性质的。而如今,随着数据治理的重要性的提升,我们也迎来了数据治理2.0,数据治理不再是IT部门的事情,而应该是企业中所有业务单元和IT一起来去参与的事情。这篇是ERWin的CEO发表的关于数据治理2.0的一篇文章,其中一些思想值得我们借鉴,也值得所有需要面对企业客户的团队去理解,方便未来与企业的沟通和交流,帮助企业向数据治理2.0迈进。

数据治理的1.0时代的特点是这样的,IT服务团队作为数据的管理者,负责组织数据元素,但是他们并不理解数据的含义或者它们的关系。因此造成的结果是控制数据的风险通常变得不必要的过高,并且丧失了提高业务灵活性的机会。数据治理意味着理解组织的数据资产——知道它们质量好,易于使用并且安全,使用它们不会将公司处于法律、声誉或者财务风险当中,并且使得企业更加的灵活。

现在,数据治理2.0的时代正在到来,这是一个在数据治理的协作业务当中每个人都会留下记录的时代。

组织越来越变成为他们所拥有的数据的总和,然而数据却并没有被当作他们的“鲜活的”战略资产来被对待。随着像GDPR这样的更加严格的数据法规的出台,人们越来越重视数字信任问题……而且随着企业希望通过大数据和分析来驱动追求新目标和应对新挑战,数据治理2.0走上了历史的舞台,它呼吁将数据治理视为与业务战略目标一致的战略来对待,而不仅仅是IT驱动的在一些点上去解决问题。

商业领袖和他们的团队是具备数据知识的那些人,没有他们在数据治理上的见解和参与,企业智能的去控制风险和开发新机会的能力将会严重的被削弱。

业务和IT应该一起去描述、制定、管理和社会化数据。

由于企业拥有数据,因此企业也就具有可能因为具有或者缺乏强有力的数据治理战略所带来价值或者问题。 具备正确数据质量的正确的数据,无论存储在何处或采用什么存储格式,都必须用于正确的目的;这需要信任数据。 如果决策是基于不正确的数据,这些决定可能会伤害企业。

业务和IT在数据治理战略中必须协作,这意味着:

  • 业务:定义各业务单位的术语表(例如“客户参考号”意味着什么样的信息)以及与其使用并且授权可见的相关的角色,规则,过程,系统数据流。
  • IT:定期的将术语表编纂为统一的状态的周期表,并将物理数据资产(数据库,文件,文档)映射和连接到术语表的周期表。 将数据发布给不同的人员意义/角色,并且使得数据对这些人或者角色有。 利用以上业务知识确定主数据集,审核并对遵守规则进行评分,发现风险,适当且经济高效地为数据流提供安全性。

那么谁来承担领导职责?在许多组织中,CDO是将数据治理战略思想带到桌面上的那个人。但是,让那些那些真正具有数据能力的利益相关者(例如CFO和CMO)来接受这个思想将是至关重要的。这不仅仅是因为他们拥有关键的数据以及具备分析职责,他们还能影响保证数据治理相关的预算是否能够持续。CDO还必须能够在数据治理的过程中,使得参与的业务和IT团队的成员的相关的知识结合在一起,从而发挥更大的价值。

一旦关键的业务领导者接受了你的想法,建设能够积极的支持治理数据资以及使得他们与业务能够保持一致的基础设施的工作就开始了。你需要一个能够编排和集成描述、制定、管理和社会化数据的解决方案,这个解决方案范围从企业架构(在展现业务能力依赖性方面发挥作用)、应用、数据以及支撑的基础设施到用于构建流程的业务流程建模,例如为了数据治理的审批流程。

最终的结果将是业务和IT知识的结合体,可以实现关联、架构、控制以及告诉你数据相关的知识。 通过战略性企业数据治理,任何关键任务的数据问题都可以被问及和解答,从而降低风险并实现业务目标。凭借他们对数据治理的共同参与和承诺,业务和IT部门将可以持续回报整个企业。

  • Dec 08 / 2017
  • 0
Ideas

锐眼洞察 | 一个做社交的搞了个卡包:我们不一样!(附传播流程图)

作者:TalkingData解决方案工程师  Aaron Yue

本文为TalkingData原创,未经授权禁止转载。申请授权请在评论中留言联系!

今天聊一聊微信的卡券。

我有一个习惯,了解一个事物一定要看它的发展史、知道了它的前世,才能更好的了解它的今生以及它要发展的方向(想知道它是谁,一定要了解它从哪儿来、要到哪儿去)。那咱们就先看看微信卡券的发展史:普通卡券、朋友的券、会员卡、礼品券;我暂且把它理解为:卡券电子化、卡券社交化、卡券统一化和卡券商品化

每种卡券的特点又是什么呢?

  • 普通卡券:可领取,可转赠;
  • 朋友的券:自动分享,不能转增;
  • 会员卡:可调支付码,可关联其他普通卡券;
  • 礼品卡:需购买,可转赠。

下面就针对每一种卡券展开讲讲它们到底哪里不一样。

1、普通卡券:把它理解为普通就是普通的优惠券?只是把优惠的卡券电子化放在了微信里?那你就错(fu qian)了。在社交的平台上,卡券就可以被赋予更多的使命,而不是单一的优惠券的职责。优惠券的电子化可以解决很多弊端,比如,有效防止切钱从而也就有了准确的核销率,知道了发卡的数据和链路归因,从而可以做到数据分析和定向发券的策略。卡券本身也可以承载内容,也就是卡券等同于自媒体。之前做过的一个案例:店家发五块钱的优惠券,而卡券的名字被命名为颜值券,内容则是:“店小二遇到如此颜值之高的客官打算找老板申请免个单,可老板说:美女都不差钱,随便便免个五块钱得了”。如此一张代金券却承载了美女到店的故事,一般男生拿到后会直接转发给心仪的女神,想想如果是发给女神五块钱代金券岂不是很尴尬。这样一种卡券更多的其实承担了传播的功能。当然做过的类似的案例还有很多,比如:加塞儿券、拥抱券……

2、朋友的券:因为一出生就有了微信社交的加持,朋友的券一度很被看好,诞生之初就很傲娇的它只允许线下才可以领取(领取被限制在了摇一摇、扫一扫、支付落地页等线下的入口),被称之为线下到线上以及社交之后再到线下的神器(如今已被礼品券+小程序替代)。总结了一下朋友的券亮点:

a. 强曝光率:朋友的券被领取后,将自动共享展示在领取者及其朋友的微信优惠券里(不管你有没有领取),曝光量得到大幅提升。

b. 高转化率:一张优惠券,传统玩法下只曝光至一个用户,朋友的券新玩法下可以曝光至领取者及其所有朋友们;同样的预算成本,得到更大量的曝光,转化率、收益也会得到有效提升。

c.  朋友推荐(社交信任):优惠经过领取者认可后才会被共享给朋友们,该朋友的券的价值有领取者的背书,更值得信赖;同时微信朋友间的相似喜好,可以进一步提高朋友的券的转化率。

d. 裂变:朋友的券被用户或其朋友核销后,商家可以立即再次赠送优惠券供使用者领取共享。

受到如此强大功能的加持,甚至一贯宣传不打扰用户的微信都开放了强插进所有好友卡包的神力,但是发展依旧不温不火,仅线下发放的克制也慢慢增加了线上的入口,入口太深,不被用户所了解,教育用户成本之高让朋友的券目前没有看到特别好的案例。

3、会员卡:可谓讲述SCRM的大杀器,今天咱们不聊SCRM,只说说会员卡的特性。会员卡可以独立存在于各个载体,也就是它本身就是一张卡券,最大的特点就是通过它微信可以直接提供给品牌方用户的联系方式,无需验证,无需输入,无需显性授权。绑定了支付的落地页之后可以直接体验支付即会员的快感,整个过程只需点两下消费者就可以无比顺畅的成为该品牌方的会员,而品牌方可以以最短的路径拿到用户的核心ID。会员卡可以关联其他的微信卡券,通过会员卡进行支付可以直接核销掉权益最佳的卡券组合,体验真是无可挑剔。

4、礼品卡:所谓的礼品卡,就是可以直接线上支付购买的卡券然后通过微信的聊天窗口进行转赠的卡券,模糊了卡券和红包之间的界限(关于红包,会再开一篇详细介绍)。具有商品属性的礼品卡无疑成了老带新的神器,和小程序的结合更是达到了线下到线上到社交到线下的闭环营销。

以下是星巴克的“礼品卡+小程序”案例:

星巴克案例.png

星巴克1.jpeg

星巴克2.png

星巴克3.jpeg

星巴克4.jpeg

目前卡券的发放入口:公众号图文、公众号消息、小程序、支付落地页、扫一扫、摇一摇、朋友圈广告等,在微生态里面卡券成了一种载体,连接了公众号(信息的分发和服务的提供)和支付(交易的闭环),在传播过程中可以做到很好的数据归因和效果分析的量化指标。

卡券.png

文末抛两张社交传播的图,无限的想象空间,留给各位看官。

社交传播a.png

 

 

社交传播b.png
  • Dec 08 / 2017
  • 0
Ideas

锐眼发现 | 用户体验地图和服务蓝图有何区别?

原文:The Difference between a Journey Map and a Service Plueprint

译者:君瑶

转载于:人人都是产品经理

我们生活中的每一件发生的事情都是一种旅程,它也许几秒,几年,甚至一生。它可能是去上大学,你第一个孩子的出生,或者难忘的假期。这些旅程不会单独发生,在我们看来,他们有一整套的业务流程为它们的发生创造条件。

大学期间,成千上万的人在努力维持大学的运转;医院和医生正在为即将成为父母的人提供教育和支持; 航空公司,酒店和邮轮公司也在努力保持他们的生产和管理以至于你在度假的时候有良好的体验。

绘制这些经历是以人为中心的商业模式的关键一环,而重要的是需要考虑这两个方面—-用户经历了什么,在他们的视野之外是什么促使它们发生。用户体验地图和服务蓝图是两个互补的方法,帮助我们看清楚我们的服务的两个方面。

当然这两个方法经常会困惑,什么是用户体验地图?什么是服务蓝图,他们有什么不同?

设置舞台

在我们深入之前,我们需要一点上下文,我们需要理解服务设计中“舞台”的概念,这个基础概念对于理解客户旅程和服务蓝图之间的区别是至关重要的。“舞台”是由三个部分构成的:前台。后台,幕后。

正如字面意义一样,想象一下一个剧院有一个简单的舞台,前台是事件发生的地方,以及观众看到的地方,对于我们而言,用户的行为发生在前台。

后台提供前台需要的支持,比如灯光,布景,工作人员,这些都是观众看不到的,当然这也不是绝对的。后台是我们组织所有的事情,来让前台可以发生。

然后我们还有幕后,组织所有无形的事情使前面和后台成为可能。规则、规章,政策、预算;所有的东西都不是前台和后台的一部分。

这三个地方是服务设计有机会产生影响的地方,通过不同的方法,我们可以更好的了解不同的阶段,让我们来谈谈这些方法。

什么是用户体验地图

旅行地图从用户的视角描述用户标志性的体验;是服务体验的前台阶段。在创建旅程地图时,你通过用户的讲述和用户的数据来绘制他们的历程,描述他们在做什么,想什么,有什么感受,以及他们在整个旅程中的互动?

你最终会做的是一段发自内心的旅程,帮助你在用户视角观察和评估体验。

一段好的旅程讲述的是用户经历的故事,就像作者写出来的的那样;而作者就是用户。它包含了真实故事所能表达的丰富的体验——情感、内心对话、高兴和沮丧。这是我们可以作为一个创造者进入客户行列去“看”他们如何体验的机会。同理心是它的核心。

你可以通过访问客户来创建一个旅行地图,以获取他们的洞察力,然后将他们相互映射以找到共同点、模式和趋势。此外,你还可以从已经在客户体验中收集的数据整合到用户体验地图上。

这个方法可以帮助你绘制用户端到端的体验。这就是体验的前端阶段,包含了用户在生活环境中所有的交互以及他们如何与你的业务接口。

除了捕捉你的用户正在经历的体验之外,旅程地图也可以被用于想象和展望未来的,使用该格式作为工具,去推测用户在未来可能会看到的和做的事情。

通常,旅程地图不只是对真实世界的描绘或者某一个用户的经历,一个旅程地图是由用户研究人员和你团队中有关主题专家的知识汇集而成的总和。

用户旅程的路径都是独特的,但是当你把这些路径整合成一个故事的时候,它可以帮助你从用户的视角去看待这段旅程。

这是一个强大的讲故事的工具,它描绘了一幅图景,让人有机会透过现象看本质。旅程地图可以让你感同身受,也让你找出你想要改进和更深一步了解的地方。

什么是服务蓝图

现在让我们转向服务蓝图,旅程地图聚焦于你的用户在前台端到端的体验,服务蓝图聚焦于由表面到核心的后台业务以及如何交付和操作的幕后,并且与用户体验联系起来。

用户体验地图和用户叙述并没有显示出组织的内部工作方式是什么,服务蓝图旨在揭示和记录所有表象下发生的事情和创造它的组织的内部构成。这是你的公司如何工作的可视化数据,深层意义上讲,它可以挖掘隐藏在深处的工作,那些给顾客提供体验的东西是如何产生的。

每一个旅程背后看不见的的支持结构是非常的复杂——内部行动者的责任,支持这些行动者的系统,指示什么可以做什么不可以做的进程和政策。服务蓝图展示了一幅图景,这幅图景不止包括了用户旅程中发生了什么的宽度,还包括了贯穿整个旅程中由什么构成的深度。

构建蓝图

如果你想要创建一个服务蓝图,首先你需要确定一个或多个端到端的旅程,

我们称之为场景,这些场景应该基于用户旅程,但也可以包括内部发生在客户视野之外的组织场景。这个故事讲述的是每一步都发生了什么,从而让场景可以进行下去。

深入了解场景中的每一步,你可以从全方位展示,支持和提供旅程发生事物的广度和深度,这个过程依赖于组织的跨职能协作,以表现外部和内部体验的方方面面。

最终的结果是完成一幅图景,一幅端到端,表面到核心,体验是如何交付的图景。他是一个同时给你更高体验视角和对表面下发生的事情详细观察的强大的文档,没有这些全面的从表面到核心的视角,比如,作为一个组织者我们是谁?我们在这段旅程中所扮演的角色,我们就不可能对我们如何服务用户给予有意义的改变。

这两者的不同

用户体验地图可以帮助你记录用户经历的表层,服务蓝图可以帮助你证实你的组织的现实,蓝图基本的价值是提供一个关于用户的图景,蓝图的基本价值是一个客观的图景,基于你的组织如何交付、交付什么以及如何策划它的端到端视图的实际情况。。

用户的旅程会有很多,用户也有很多,但是你的业务,系统,政策等等却是有限的。这也是就是蓝图所揭示的。用户一遍又一遍的使用后台,我们一直在做用户的体验地图,但我们很少花时间来绘制和记录我们自己的业务。

体验的凝聚力取决于提供该体验的团队,而对体验进行有意义的更改都需要对组织的构成有深刻的了解,而组织的构成正是体验的基础。服务蓝图不是记录用户体验。而是以用户的体验作为起点,揭露组织如何支持该旅程。

这是为什么服务蓝图似乎可以和用户分离出来,从设计师反复被告知的同理心中分离出来,重点指出服务蓝图不并不是寻求消除设计上的同理心,它和用户体验地图的目标并不冲突—它只是专注于体验的另一个层面。这客观的回答一个问题“什么是我们的组织构成,哪些有形和无形支持这些旅程的存在?”

用户旅程地图只能存在于组织有能力交付的基础之上,它受你内在能力的限制和制约.通过更深一步的挖掘,使用服务蓝图来真正看到端到端,它允许你对组织的交付方式进行大或小的更改,这将导致其支持的用户旅程的改进和发展。

什么时候使用什么方法

如果你不了解你的用户是如何体验您所提供的东西,那么用户体验地图是一个比较好的途径去发现它,对于你的组织而言它是有形的,并且围绕用户构建同理心。

一个人在一段旅途中会有很多事情发生,但是如果不把它罗列出来很难捕捉到什么。这种罗列是一个强有力的工具,可以使一个群体围绕真正的以人为中心的设计而展开,这也正是宗旨和初衷。

如果你已经足够理解你的用户旅程,或确定用户或内部团队特定的痛点,然后服务蓝图应该是你的下一步。

它可以让你深入了解你是如何提供体验的,以及你的组织是如何运作的(不管是好是坏),允许你在内部解决组织的痛苦和故障,它将不同的组织架构汇聚到一起从而促进组织的跨职能协作。

然而,不要仅仅的追寻用户痛点,有时候,用户的体验可以做到非常的愉悦,但是在这背后,组织不遗余力的将其整合在一起,并保持体验看起来的凝聚力。

在现实中,使用低效和痛苦的内部流程来维持一个良好的用户体验可能会花费大量的时间,金钱和员工精力。在这种情况下,你可以考虑使用旅程地图工具来绘制你内在参与者的情感体验,以了解组织的痛苦、挑战和改进的机会。

这种情况下,很显然你需要服务蓝图。因为它会帮助你了解组织的复杂性,可以让你将潜在的因素和用户体验地图联系在一起,这样你就不会忽视未来的变化以及企业本身的整体健康情况为形式的变化。

我们必须注重组织内部的体验就像我们注重用户体验一样。

结论

旅行地图和服务蓝图是理解和使用服务设计工作的关键方法,理解两者之间的区别,以及它们如何相互补是很重要的。旅程地图是站在前台视角,通过它可以更好地理解用户的体验和感受

服务蓝图是关于业务的后台(和幕后),以及后台是如何和用户体验联系在一起的。无论你是想深度理解你的组织提供的体验,还是深度分析你的业务,这些方法将帮助你确定如何对内部流程和用户体验进行有意义的改进。

下一次你观察用户旅程的时候,试着挖掘其表面下的东西,看看支撑这个旅程的核心是什么,弄清楚所有的东西是怎么一起创造用户可以看得到的体验,而这就是成功的一半。

 

 

  • Dec 07 / 2017
  • 0
Enterprise, Ideas

锐眼洞察 | Apple AI&AR 战略解读(翻译)

作者:CB-Insights

原文:本文为《Apple Strategy Teardown》报告的部分内容

译者:TalkingData解决方案架构师 Aaron Yue

本译文禁止商用,转载请注明译者与来源!

TL;DR

个人计算机的发展总是特立独行的,目前个人计算机领域正在寻找下一个“爆发点”,诸如医疗、AR、无人驾驶等等,同时个人计算机还保持这个消费类硬件产品的“领头羊”。随着AI战斗的打响,在智能手机增长放缓的情况下,苹果如何 能在这么多的“馅饼”中分得一块,如何重塑自己的第三次“暴涨”呢?

在需要方面,苹果仍然使用史蒂夫·乔布斯的形象塑造着公司:反传统的、精细的产品。但是如今,苹果正处在一个十字路口,在 CEO 蒂姆·库克 的领导下,苹果抓住了很多新兴的技术,但是也引发了很多新的问题。

首先,什么是下一个苹果?

为了寻找下一个浪潮,苹果显然是扩大到了增强现实技术和Apple Watch、 AirPods无线耳机等无线穿戴领域。苹果的HomePod扬声器系统虽然推迟了,但仍准备将Siri的足迹扩展到用户家中,并成为亚马逊巨作Echo设备和随行虚拟助理Alexa的竞争对手。

但接下来的“大单” – 在iPhone上成规模的成功和增长动力 – 尚未确定。是否是增强现实技术,医疗保健,可穿戴?还是其他?尚无定论。苹果公司一向以隐秘著称,企业的一举一动,都会带来各种的传言和流语。

苹果目前被任务正在开发增强现实耳机、车载连接软件、转型医疗设备和应用,以及智能家居技术和新的机器学习应用。

我们通过苹果的专利、收购、收益以及最近的产品发布和组织结构来挖掘, 暗示苹果如何进行下一次自我改造。

鉴于苹果的规模和知名度,我们不会覆盖其业务的每一个方面,也不会重复旧消息。但是我们关注的一些主要领域包括:
苹果公司通过增强现实和电池效率的可穿戴设备(包括增强现实眼镜)大胆打赌了后智能手机世界。

有强有力的证据表明,苹果公司正在再次积极地“蚕食自己”,把大量资源投入到消费技术领域, 这可能会使自己的iPhone过时。增强现实是公司最大的赌注。新的AR应用程序正在开发中,并且有新的证据表明AR眼镜也在开发中。苹果手表等可穿戴设备和AirPods等入耳式设备已经允许苹果的客户在没有iPhone的情况下拨打和接听电话。

库克表示,苹果公司的可穿戴设备业务规模已经足够大,可以列为全球财富400强企业。这意味着苹果手表和AirPods的年收入将达到$ 27B或更多。

同时,iPhone X背后的红外摄像头技术也可以支撑苹果未来的增强现实技术。苹果公司甚至将全息图视为可能的用户界面。

AI是苹果的一个致命弱点。

尽管苹果最近以大约2亿美元的价格收购了一些人工智能(AI)公司,并且在苹果公司2011年推出其虚拟助手Siri的初始领导下,苹果已经在机器学习,自然语言处理等领域割让给谷歌,亚马逊等等。苹果在这一领域的专利组合也相对较弱。 也就是说,苹果在过去的5年里已经完成了11个人工智能相关的收购,并且有能力设计自己的AI优化​​的GPU芯片 – 像谷歌和亚马逊等竞争对手所没有的。

无人驾驶汽车似乎已经消失,并转向了无人驾驶软件和技术,如光和测距探测传感器(LiDAR)。

我们深入了解了苹果汽车项目上的哪些信息,以便猜测苹果希望从一个曾经雇佣过几百人的项目中拯救什么。

苹果公司在媒体和娱乐领域正面临另一场艰苦的战斗。

虽然目前苹果的服务和媒体(包括应用程序商店,iCloud和苹果音乐)成为公司增长最快的业务部分,但是苹果也面临着一个优先领域的竞争:原创内容。与Netfix,亚马逊,甚至Hulu相比,苹果对原创内容游戏的推迟。考虑到苹果公司的1B内容预算,除了大规模收购之外,关键的招聘可能还不够。

也许令人惊讶的是,苹果的工作重点仍然倾向于硬件工程。

这引发了一个理论,即苹果越来越关注硬件服务。 即使有八万人,苹果仍在继续支持其硬件和软件工程。尽管公司越来越重视人工智能,服务和软件,但它仍然在硬件部门不多的情况下,招聘更多的硬件开发人员。

我们也看看苹果公司在网络安全,电池技术和医疗保健等常被忽视的领域的实力。

苹果公司显然希望通过Watch产品成为消费者健康和预防健康的中心。

目录

一、组织与重点

1、组织结构图

2、开放的工作列表分析

3、收益趋势

二、未来的定义举措

1、人工智能

  • AI并购趋势
  • AI专利趋势

2、增强现实

  • AR并购趋势
  • AR专利趋势
  • AR收益发展趋势与未来产品

组织与重点

苹果仍然是一个自上而下的公司,CEO控制了很大一部分

苹果依然是一个严格的自上而下的公司。史蒂夫·乔布斯团队长期信任的成员,现在的CEO 蒂姆•库克最初被聘请出康柏,以改造苹果破碎的供应链。

与乔布斯的风格相反,蒂姆·库克是一个“无情的系统家伙”,他通过管理业务中不起眼的部分而上升到了乔布斯的圈子里。

今天,乔纳森·伊维似乎已经掌控了苹果的设计主管,而乔布斯曾经担任过这个角色,库克则管理着其他所有事情。

根据苹果在其网站上的关键人物网页,蒂姆·库克有17个直接的报告,包括伊夫,首席财务官卢卡·马斯特里,首席运营官杰夫·威廉姆斯,以及各种SVP和副总裁。

苹果公司的领导者结构图:

截止17年11月16日

2.png

苹果的保密程度延伸到了组织内部,每个项目都需要一个可知基础。一个团队往往不知道其他团队正在做什么,并会故意将团队之间分开。前硬件主管乔恩·鲁宾斯坦曾对“商业周刊”说:“我们有单位,就像一个恐怖组织……一切都在需要在可知基础上。”

值得注意的是,苹果是一个“功能性组织”,这意味着它不会按照产品线划分自己。

以iPhone或Mac为例。相反,苹果是由功能组织的,所以菲尔席勒的营销组织负责所有产品和地域的市场营销。鉴于公司在软件和服务,电话和计算机硬件方面的多元化业务,这无疑又是一个笨拙的结构。

但与此同时,这种结构允许苹果保留所谓的创业心态。 (相比之下,在一个更传统的组织结构图的分公司中,产品副总裁可能会为了他们的工作而保留陈旧的产品。)

谈到并购活动,苹果的收购焦点集中在支撑当前的主导产品。在过去的十年中,这就是iPhone和iOS,正如Above Avalon的分析师Neil Cybart指出的那样,Mac曾经是同样的道路:

“从1997年收购NeXT开始的10年时间里,除苹果以外的所有收购都与加强Mac平台有关。虽然这可能不会成为当时苹果产品线的完全冲击,但值得注意的是,并购并没有被用于iPod或扩展到其他产品类别或行业。苹果然后经历了有限的几年 从2003年到2007年没有任何并购活动。虽然当时外界并不知道,但这个“缓冲区”最终成为iPhone发展的关键时期。自从获得P.A.在2008年半年,除了一次收购之外,每一次收购都集中在加强iPhone和更广泛的iOS平台上。这个新的iOS焦点引发了并购速度和购买公司所花费的现金数量的显着增加。”

根据2012年由Dan Lashinsky撰写的“Inside Apple”一书,内部的工业设计师们一直都是“不可撼动的”,但随着iPhone和iPad成长为公司最重要的产品,“公司最酷的团体成为了手机操作系统的软件工程师们。“但是,5年后,硬件工程师比苹果软件公司更受追捧。

苹果仍然在招聘更多的硬件工程师

截至2016年12月31日,苹果的直接员工人数约为8万人。为了了解希望增加人力资本的位置,我们最近从其网站收集了数据,打破了7000多个公开招聘信息

其中,硬件工程占有重要地位,约占34%。

其次是软件工程,约占28%,其次是销售(9%)和运营(8%)。

对于一家宣扬不断增长的服务业务的公司来说,竞争对手都在专注像AI和AR这样的领域工程师,苹果却专注于招聘硬件工程师,这有些令人惊讶。

苹果公司的开放职位列表:

截止17年11月1日

3.png

苹果最近做了几个关键的招聘。该公司说服了前巴宝莉(Burberry)首席执行官安吉拉•阿伦德茨(Angela Ahrendts)领导其零售店(现在它已经更名为“市政厅”,旨在将公司开放到更加现实和前瞻的位置) 。在六月份,该公司从索尼手中挖走了好莱坞的两位老兵,在Eddy Cue的带领下,将其价值达到了1亿5千万美元。

此外,据报道,苹果公司在以色列拥有1000名工程师,专门从事ARKit工作。

财报显示,苹果正专注于扩大市场, 如印度和新产品(Apple Watch & AirPods)

除了工作列表之外,我们还挖掘了苹果的年度财务情况,并突出了相关关键字,并使用不同的颜色表示了其重要性。在过去的5年中,iPhone是主导,以及其他主流产品iPad和Mac等。

报表中显示,多年来,经常提到像中国,巴西,俄罗斯和美国这样的地区,但在2017年,印度似乎成了一个新的焦点。苹果越来越期望像印度这样的新市场取得增长,在中国和美国等更成熟的市场中,增长开始放缓。

财报显示苹果最新的重点在新的市场和产品。

财报中最重要的关键字:

2009-2017年至今(11/17/17)

4.png

AirPods、Apple Watch和增强现实也越来越多地被提及。

苹果一直在强调其在“服务”(即软件数字购买和云服务)方面的强劲表现,其中包括苹果音乐。但是,正如我们在招聘和其他领域所看到的,硬件仍然是一个焦点。

随着手机普及率的提高,苹果应对“升级速度”的策略正在放缓,“高端”边缘市场成为另一个主题。在这里,苹果解释了iPhone的销售放缓以及为了赚取客户更多的收入。

与自称是人工智能第一的公司谷歌相比,Google经常在财报中提到人工智能,而苹果公司高管在财报中并不强调人工智能。

未来的定义举措

人工智能是苹果的致命弱点 – 公司正在转向并购以加强其人工智能能力

当揭开AI大战的帷幕,苹果似乎落后了。

根据第三方数据来源Verto Analytics的统计,去年苹果公司的语音助理Siri的使用率下降了,而亚马逊的Alexa的使用率却在增长。

苹果希望用HomePod扩大Siri的足迹 — Apple的HomePod本来是与亚马逊的Ech和Google Home进行竞争的开始。但本月早些时候,苹果公司宣布推迟HomePod,直到2018年年初(而不是2017年下半年)才会发布。

展开地说,苹果似乎有意地避开关于数据和人工智能的观点。对于如今很多公司,每一次用户交互都被抛入基于云的机器学习模型中,以帮助调整产品,比如在照片应用中标记照片。 Google照片被认为是面向消费者的一个主要的例子。

但是苹果已经采取了可能被称为“云计算”的方法,有利于在其设备上本地完成计算的模型,而不需要用户数据离开设备。

这在一定程度上是因为苹果主要从事销售设备的业务,而不是销售类似的广告空间像其竞争对手Facebook和Google试图尽可能利用云中的用户数据,以增加消费者对其平台的参与度。

2015年,蒂姆·库克(Tim Cook)承认苹果公司在隐私方面汇总用户数据的独特立场,指出:

“一些最突出和成功的公司,通过让顾客对自己的个人信息感到满意而建立自己的业务。他们正在吞噬他们可以了解到的所有信息,并试图通过这些信息进行货币化。我们认为这是错的。这不是苹果想成为的公司。”

不可避免地,苹果为了加强其产品已经向AI进行转变。今年,苹果公司推出了一款名为Core ML的新机器学习框架,该框架将为其iOS开发人员提供创建应用程序的能力,以利用机器学习实现更多的设备上的计算能力。Core ML还具有计算机视觉和自然语言处理能力,使应用程序可以标记照片和物体。

AI并购趋势

新的人工智能焦点已经在其并购活动中得到了回应,苹果公司已经成为人工智能创业公司第二大最活跃的企业收购者,过去五年共有11项与人工智能相关的收购。最近的交易包括苹果9月收购了图像平台REGAIND,并在5月份以2亿美元的价格收购了莱迪思数据。

即使只看最大型的收购,苹果公司最近也在机器学习的创业公司中的支出很大。

像Beats和Anobit这样的硬件公司已经获得了2亿美元以上的大笔收购,但在过去的两年里,Turi和Lattice都开发了水平AI,名列榜首。

苹果其他最大的收购项目包括半导体公司,包括Anobit Technologies,PrimeSense和AuthenTec。

苹果公司也正在为iPhone设计自己的基于GPU的机器学习硬件,在这个领域我们可能看到更多的收购。

苹果公司在设计专用芯片方面的优势,将随着英特尔,高通和谷歌等企业投入数十亿美元,推动数据中心和设备专用芯片的发展。

目前,芯片世界已经进入白热化,老牌企业和初创企业都在依赖知名的GPU制造商Nvidia。 苹果将设计的GPU添加到最新的iPhone上,显然是要在人工智能硬件上更加专注。 但是,这又是一个冒险,因为这需要软件和数据方面的成功。

AI专利趋势

苹果在寻求知识产权专利保护方面相当积极。最著名的是它拥有的专利,比如iPhone的包装和Apple Store购物袋等相对平凡的东西。

当然,个人专利可能只是一个潜在产品的早期草图。许多专利不等于产品。但综合起来,跨越数百项专利的活动可以揭示战略方向和重点。

按类别统计的苹果专利活动:

2009 至 2017年年初至今

5.png

 

有趣的是,苹果最大的专利部分是网络安全,自2009年以来,已经有533项专利。其次是AR / VR(253项专利),其次是无人驾驶车辆(72项)。

相比之下,只有少部分专利(22)专注于人工智能。
五大全球科技公司(市值最大的公司)之间的人工智能相关专利比较突出表明,苹果已经落后于其人工智能专利组合。

AI专利申请活动,苹果与微软、亚马逊、Facebook、谷歌 :

2009 至 2017年年初至今(17年11月10日 )

6.png

苹果的增强现实大赌注

今天,FaceID通过数千万的红外线来识别用户的脸部来解锁iPhone X,这是iPhone X最新的功能。

但是在回顾专利时,其实这个方向是清晰的。苹果在2015年拥有5项专利授权和2项面部识别专利申请。此外,2015年,苹果还收购了面部跟踪软件制造商Faceshift。

同样,今年苹果至少获得了两项专利,这些专利看起来似乎是iPhone X屏幕创新的关键:一个用于缩小设备的边界区域,另一个用于在显示器中嵌入指纹传感器。

以下是苹果公司的“使用面部识别锁定和解锁移动设备”的专利(2016年10月授予)与发布的最终产品对比图:

 

7.png

显然,苹果未来的发展方向并不是脱离专利和并购的赌注。考虑到我们所看到的数据,AR看起来应该是苹果公司的十字准线。

AR并购趋势

AR近年来一直是一个严肃的并购目标:可以说,苹果最近最重要的收购是PrimeSense,其红外(IR)技术首先在Kinect(一种用于微软Xbox的体感附加产品)内部引起轰动。正如科技公司指出的那样,最新iPhone的“刘海”基本上是一个缩小的Kinect,以用来启用FaceID。

虽然现在主要用于映射人脸,但iPhone X中的红外摄像头可以被未来的增强现实应用程序使用,以实现前向AR应用程序。例如,您可以将手机放在空地上,手机会将数千个红外点喷入该地区的轮廓,以呈现该地区的外观并自定义家庭元素。

其他AR / VR收购,如最近Sensomotoric Instruments的交易,一个AR头戴式耳机的计算机视觉公司,这可能是一个严重的饥饿扩大。早期的收购包括苹果收购FlyBy Media和metaio。同时面部识别采集(Emotient,RealFace和Faceshift)当然也可以有适用的技术。

值得注意的是,最近3000万美元收购Vrvana表明苹果正在追求AR头戴式耳机/眼镜。

Vrvana的耳机技术如下图所示,提供了AR和VR功能。到目前为止,它似乎是苹果第一个AR硬件(而不是AR软件)的收购,而且它的位置跟踪可以更快地加强ARKit。

8.png

AR专利趋势

苹果公司也正在寻找超越 iPhone物理屏幕的AR技术,例如在桌面上呈现全息图 。

下面的专利申请被称为“交互式三维显示系统”,该系统详细描述了一种系统,该系统可投影用户在空中操作的全息图像,而不需要特殊的眼镜来看它们。

这个应用程序于2012年10月被引导,并成为较大的AR应用程序的一部分,并提到了教育,医疗诊断和生物医学工程领域会作为可能的应用领域。

全息图形式的AR绝对是增强现实未来可能的方向。通过全息图AR将意味着投影机可以将图像投射到物理环境中(就像“星球大战”中的机器人一样)。

9.png

 

这样做,全息图可以消除消费者采用AR的障碍 — 笨重的头戴式耳机 。旧金山的创业公司Lightform已经筹集了近800万美元来实现这一愿景。

AR财报趋势和未来的产品

蒂姆·库克(Tim Cook)虽然经常对未来的产品感到不安,但他倾向于在采访和季度收益会议上预示苹果的举措。

为了了解将要发生的事情,我们使用CB Insights的收入记录搜索引擎,查看了公司收益财报中提到的技术和地域信息,并对它们进行了长时间绘制。我们发现:

  • 提到人工智能是最近才出现的现象,仅在16年第一季开始。
  • 自动驾驶车辆(AV)在2017年末首次被提及。
  • 到目前为止,AR / VR是我们研究的最受关注的部门,从16年第一季度开始就提到了33个提及。
  • 在最近的Q4’17会议上,AR / VR关键词被提及了15次,这使得它成为一个重大的赌注。

苹果财报分析:

AI / ML,AR / AV、可穿戴设备、医疗和网络安全的提及。

10.png

值得注意的是,苹果的AR耳机可能即将推出。不同的证据表明,苹果公司十多年来一直在研究虚拟和增强现实应用。而新的启示显示,到2020年,苹果将拥有一个独立的AR耳机。被称为“T288”的AR项目据报道由Mike Rockwell领导,这是杜比实验室的重要雇员,负责监督数百人。

该产品将拥有自己的rOS或Reality Operating System,这将是苹果移动平台的精神继承者。

在2017年6月的WWDC上,苹果首次公开发布了第一个主要工作,并推出了适用于iPhone和iPad应用程序开发人员的工具ARKit,并开放了名为CoreML的机器学习库。

在短短的几个月内,ARKit开发者已经发布了应用增强现实应用程序,可以通过iPhone 6S或更高版本到达任何苹果用户。今天,这一数字相当于381万部iPhone和设备,但到2020年,ARKit的足迹预计将达到8.5亿部。

据报道,在AR手机应用软件“Pokemon Go ”, 是AppStore历史上第一周下载量最大的软件。据说苹果还有1000名工程师在以色列进行ARKit相关工作。

现在已经有一个不断增长的AR应用程序生态系统,将iPhone变成可以说是体验增强现实最常用的设备。应用程序的范围从像宜家这样的家具零售商,让用户可以将家中的家具视觉化为儿童的教育游戏,将谜题投射到卧室的墙上,等等。

Cook在2017年初接受采访时表示,他认为AR是苹果的下一件大事:

“我认为这是一个像智能手机一样的大想法….我认为AR是大的,这是巨大的。因为那些是可以改善生活的事情,我感到兴奋和娱乐。我认为AR就像我在iPhone上看到硅片一样,它本身不是产品,它是一项核心技术。但是之前有一些事情要发现,技术对于主流来说已经足够了。”

库克也重申,“AR将会改变一切”。

根据苹果公司第四季度财报,App Store拥有超过1000款使用ARKit的应用程序。

但苹果也面临一些阻力。严重的游戏玩家和视觉开发人员绝大多数都是使用非苹果电脑来制作图形和虚拟现实体验。

一旦发布,苹果耳机肯定会与谷歌和好莱坞工作室支持的创业公司Magic Leap(自2011年以来一直专注于追求AR耳机)展开竞争。(Magic Leap或Apple都没有展示产品)。

此外,与竞争对手相比,苹果在AR / VR领域的专利组合虽然规模可观,但是微软,谷歌和Facebook在这个领域一直很积极,并且已经超过了苹果公司追求专利。

最后,虽然蒂姆·库克经常谈论增强现实,但虚拟现实大多被忽视。 Facebook的Oculus,Google Daydream和微软等公司已经开始为开发者社区开发耳机和手机,用于蓬勃发展的VR领域,而苹果似乎已经把所有的芯片都放在了AR上。

AR / VR专利申请活动,苹果与微软、亚马逊、谷歌、Facebook:

2009~2017年年初至今(17年11月11日)

11.png

页面:12345678910...44
随时欢迎您 联系我们