您正在浏览位置: 751时尚资讯网首页 >> 极客大会2019最新资讯 >> 正文
拼多多陈磊:后流量时代的「分布式 AI」与零售新增长
来源:本站时间:2019/1/18 16:54:00评论:

    2018 年以来,「技术落地」成为人工智能领域讨论的热词。

    在诸多应用场景中,电商平台拥有不同人群、地域、维度的消费数据,是 AI 天然可以发挥作用的主流场景之一。从搜索式购物、效率型购物再到逛街式购物,用户的消费习惯在改变,基于社交的应用场景变得更加重要。新消费时代,电商平台该如何利用 AI,有效实现技术赋能?

    在 2019 极客公园创新大会上,拼多多 CTO 陈磊提及了「分布式 AI」。传统互联网平台更多采用「集中式 AI」,即把所有数据汇聚,通过算法从数据里找到一定的模式,为单体消费者服务。这种方式却面临着一些困境,比如用户对数据缺乏控制能力,数据所有权问题不够明晰等。

    通过分布式 AI 技术,能够实现公有数据对所有用户开放,算法变得更加开源,可供所有用户监督。这就相当于每个个体用户拥有了专属的智能代理。整个数据的决策控制逻辑将会重构。陈磊说,未来云计算将成为像水电煤一样的公共事业部,这就使得用户重新获得了对决策的主导权。

    作为技术驱动的电商平台,拼多多利用 AI 技术分析用户习惯,提高消费者与商品的匹配效率,实现「货找人」的 AI 电商应用场景。对于拼多多的发展,陈磊表示,未来要花更多精力优化技术细节,更大层面依靠分布式 AI 策略。

    以下是拼多多 CTO 陈磊在 2019 极客公园创新大会上的演讲内容:

    感谢极客公园,很高兴有机会能够和来自全国各地的创业者探讨新技术和新理念。

    大的创业场景每隔五年就会出现一次。从 2000 年以来,线上商业场景一直聚焦在搜索之上,有人会说搜索场景就是「人找货」(人通过搜索的方式,去寻找自己想要的商品)。

    电商行业本质上就是「流量×转化率=销售额 GMV」,在这个公式下,人被简单的抽象成数字和流量,平台如果需要更多的流量,就要盘更多的货,铺更多的线上线下渠道。

    自从 2004 年和 2011 年,Facebook 和微信先后诞生以来,互联网的整体思维方式产生了非常明显的变化,基于社交的商业场景不断崛起,依赖搜索进行的交易比重不断下降,本质上是因为移动互联网和社交网络的兴起。

    当消费者的时间以碎片化的形势呈现,兴趣就变得更加随机了。从原本带有很强的目的性去参与搜索、进行购物,变成了兴趣使然,在碎片化的时间,在逛的过程引发了兴趣,产生了购物行为,这是一种新的使用场景。

    在这种场景下,传播模式发生改变,整个行业会朝着后流量时代过渡。在这个转变过程中,技术作为第一生产力会发生根本性的革命,拼多多作为一家零售企业,也在不停的探索,寻找如何利用最新的技术服务消费者,提供更加匹配的服务模式,找到新的增长点。

    今天的大数据流量平台是由五个部分组成的。第一部分:场景。即有一个使用场景,这个场景里面有用户,用户在场景里面进行活动,然后产生数据。因为有海量的数据聚集起来,就在平台里形成了大数据的数据仓库。通过定型的计算能力和 AI 算法,我们可以在数据中寻找规律。

    在这里场景驱动服务,服务带来了用户,用户带来了数据,数据经过 AI 和计算能力的处理,优化用户体验,而体验又带来了新的用户增长。

    比如说一个创业者忽然发现一个场景不错(打车、外卖、电商),消费人群非常明确,有非常具体的需求,然后他就去搭建一个平台,提供一个服务,用户进来享受服务的同时,留下来了数据轨迹,产生了数据,平台收集到这些数据就会建立几套算法,来优化产品体验。

    所以,重要的是用户的数量越多,使用的时间越长,数据的积累就越丰富,后台的算法在不同的数量级上,算法的复杂程度、能力有本质的区别,所以算法也在不断提升,消费者的体验也会更好。

    换句话说,在这种模式下,大家拼的就是数据手机能力和规模,效率越高、规模越大,企业的竞争力就越强。

    在庞大的数据驱动下,很多公司是试图创造一个无所不能的 AI,记录每一个用户的行为模式,然后圈定模型,进行算法分析,再把分析结果返回给每个消费者,大量用户的多维度数据记录下来以后,能够对过往的生活轨迹、消费轨迹、出行轨迹、衣食住行等全场景的喜好进行全面分析,能为整个零售体系提供底层的数据支持。

    对于企业来说,用户已经不是单一个体,而是由多个表现组成的画像,或者是一个高维的向量。对用户来说,企业提供的服务,比用户自我了解更精准。最经典的就是 Google CEO 说过的一句话:通过大数据的 AI,我们不仅知道你在哪里,我们不仅知道你去哪儿,我们还要知道你想要干什么。

    这句话听起来很美好,但我们也看到这两年大数据的平台都会遇到一系列的问题,我们来分析一下。

    第一,场景。智能设备的数据搜集能力在不停增长,同时也意味着可能暴露更多的隐私,你开发一个 APP,你在搜集这个数据的同时,你所要承担的责任就会越来越大。用户要求这个不仅仅能够有服务,但是又不能暴露我的隐私。

    过去,说云计算是 2B 的业务,是提供给企业来使用的,但如果去看过去 20 年或 30 年,整个计算框架,最早是主机,然后是小型机、服务器,服务器就进一步的抽象成了虚拟机,到现在的容器服务。

    现在最流行的趋势是,技术本身不需要配置服务器、存储、网络,纯粹就是一个逻辑。你把逻辑上传到云端它就能实时计算,意味着未来云计算不是一个 2B 的业务,而是一个 2C 的业务,就是每一个个体,都可以去抓一段开源的代码,然后在网上为自己搭建一套个性化的服务。

    这与刚刚前面说的,通过把大家的数据收集在一起,中央进行计算就有很大的区别。我们再看用户,现在就知道服务很了解他们,但是我不知道它为什么是这样的,而且我也不知道,这种了解是应用在了正确的场合,还是用在了不正确的地方。

    当用户感觉对数据缺乏自主权,数据的所有权不明细,那么数据到底是归谁所有?是归用户还是互联网企业?大家会在欧洲和美国看到,越来越多的法律在试图做这方面的界定,对互联网企业有越来越多的限制。

    虽然我们做算法,大家都知道深度学习很强大,在人脸识别、语音识别方面甚至可以超越人的性能,大家也知道有很多的问题,深度学习为什么是这样,是一个端到端的方案,中间的逻辑为什么是这样,里面是不是存在着一些不合理的因素,很难分析出来。

    面对一些消费者,多样性的消费需求,你用一个固定的模型,及即使是一个深度模型去做,也很难判断到底是不是合理的。我们的未来预期是什么呢?我们想到了所谓的分布式 AI,在未来每一个用户个体,配备有专署的 AI 算法、计算资源,将会成为一个趋势。

    你可以利用现成的算法、开源的也好、商业的也好,去搭建一套自己服务的体系,我们称之为「AI 的代理」,当我们输出自己的数据给这个代理以后,就会自动匹配私有数据和公有数据,集成到一个 AI 算法里面,并通过调用云资源技术计算,去产生一个满足消费者需求的结果。

    在处理的过程中,保证完全封闭和隐私,并不需要和大家进行交互的过程。未来所有的算法、数据和 AI 都能独立地展现给每个消费者,每个人都可以利用自己私有的数据,自己希望的方式来获得自己希望的结果。这也就意味着,整个数据和决策的控制逻辑会有一个根本性的改变,消费者在场景里面可以更多的支配场景数据,深度优化决策。

    所以就像刚才所说的,云计算未来不是 2B 的业务,会是 2C 的业务,每一个个体都可以去调用云资源,做一些优化我个体体验的计算,就像水电煤一样的,未来我可以输出我这个月用了多少的云计算做了什么什么事情,会有一个账单,这是我们的未来。

    用户重新获得了对自身服务行为的决策权利,就是相当于他有权利去决策我做的各种推荐、搜索结果,是不是真的满足我的需求,而不是像现在这样被动的接受。

    我们数据本身会有一个明显的分割,就是说公有数据和私有数据会有一个切割,公有数据意味着所有人都可以访问,是公开透明的,私有数据是每个人自己保存,会有一个非常严密的容器保存这些数据。

    从 AI 算法方面来说,将来算法需要给个体调用,我预期未来越来越多的 AI 算法会是开源的,然后公众可审核,将会更加的安全和公平。现在大数据强大的原因是它需要整合数亿人的数据,去看沟通的模式,最后再去演算。如果每个人的数据自己保存,互相之间不透露,那么有一个问题,比如我们看深度学习的前提条件就是要有足够的样本,那怎么解决这个问题?每一个人都有自己的数据,他并不知道自己数据的个性和共性之间的差异,那么怎么办?

    我们有一个超前的想法,想像一下未来有一个智能代理程序,它为你做智能决策,保护你的私有数据,但是同时也会和其它智能代理程序沟通,就和人一样。

    比如我们去买东西,会问朋友什么东西好,最近什么东西比较流行,什么衣服比较适合我。这是人和人之间的沟通,这种沟通的效率非常低,因为人的语言比特率非常低。那么未来能不能有这样的一个智能算法程序呢?程序和程序之间可以进行通信,就好像今天的互联网,手机、电脑之间其实也是在通信,只是通信的并不是模型,而是存的数据。

    我们理解未来这种智能代理人可以通过信息的交换,扩展自己的能力,通过和别的代理进行沟通,扩展自己的能力以及决策的能力。比如说你看到一款商品上面写着好友多次购买、好友好评的标签时,就会提升你的信任感和判断准确性。

    所以这种分布式 AI 能够帮助人以群分的消费群,以更加方便的方式互相学习,降低决策成本提高交易的效率,更进一步的是,当有这种分布式代理的时候,我们不仅能够优化个体的体验,我们甚至能够反向去优化、制造,就相当于 C2M 这种优化的目标。

    举个例子,冬天到了,我们要买羽绒服,可能会有 50 个工厂会生产羽绒服,他们可能会准备半年的时间生产服装投入到市场,有一些好卖有一些不好卖。最后就实现了优胜劣汰,但是也就意味着 50 家里面有 1 个成功了,有了利润,有 49 家有大量的积压、资源的浪费。

    但是,这种浪费其实就是市场竞争的代价,如果有了分布式智能,衣服到底生产什么样的款式、类型,能不能通过智能代理所筑成的网络来完成,就像今天的股票市场一样,股票的涨跌、价格的高低,就是通过买方和卖方瞬时产生大量的交易来完成的。

    这就好像做一个模拟游戏一样,我们把不同的衣服款式,不同的花纹、式样的数据都输入到巨大的代理网络里面去进行模拟,它能不能告诉我们到底需要什么样的产品,这样我们就可以避免传统的市场竞争带来的极大的浪费。就是你要先生产然后去市场检验,当需求能被精确预测了以后,生产的厂家就可以提前安排生产周期进行备货,库存的剩余也会有了很大的解决,不用再担心卖不出去的问题。

    从根本上来说,可以将理想化的消费需求聚集到同一个时间、同一个品类,为工厂提供更稳定的订单,从而降低生产成本,实现了便宜有好货。

    最后我觉得分布式 AI 还能根据用户本地的行为数据不断地演,就是这个网络本身是在不断演进的,每一个节点其实都是在不断地优化自身的同时,也在提升整个网络的效率,通过高效、安全的方式,和其他的代理通信,为不同的消费群打造符合其自身喜好的定制化产品。

    我们觉得,从未来的趋势来看,我们的判断是,AI 的算法、框架将会是分布式的,将会是去强化个体的,而不是提供一样东西去服务所有人。

    而且,在零售变革之前,技术永远是第一位的,所以说我们现在要做的事情,就是要不断地优化算法,不断地增强对这种数据算法的理解,从而为消费者提供多实惠、多乐趣的消费体验,谢谢大家!



评论表单加载中...
正在加载评论列表...
©2010-2019 751info.com | 京公网安备1101054291号 | 京ICP证100893号| 网站服务条款 | 联系我们 |