TalkingData林逸飛:以數據智能探索業務突破 企業需正視數字化三大短板

日期:2018-09-27      來源:51cto      作者:佚名      編輯:otpub      點擊:17185次

在9月召開的以突破為主題的T11 2018暨TalkingData數據智能峰會上,TalkingData合伙人兼執行副總裁林逸飛發表了以數據智能探索業務突破的精彩分享。他著重介紹了TalkingData(簡稱TD)在零售領域的探索,并總結提出了D2D數字化轉型方法論,強調從業務數字化到目標結果數字化的核心思維,并以整合合作伙伴與TalkingData自研的全景數據應用與方案,為企業客戶提供業務場景落地服務。

TalkingData合伙人兼執行副總裁 林逸飛

SmartDP 2.0 夯實六大核心能力

會上,TalkingData宣布其數據智能平臺已升級至2.0版本,內部稱之為TalkingData數據中臺。據悉,數據智能平臺2.0(SmartDP 2.0)擁有管理、工程、科學以及安全、連接、共享六大核心能力。

SmartDP 2.0數據中臺由三部分組成,底層是開放的數據連接平臺,連接了包括電信數據、電商數據、自采集的SDK數據、社交數據、中小數據源等眾多數據,通過物聯網方案,安全合規地進行接入;中間層是數據治理團隊,提供資產地圖、質量控制、運營等能力;頂層是大量的工程工具,包含數據科學平臺、模型部署平臺、數據智能市場以及數據探索沙箱等。

此數據中臺具有聚合所有的數據,提供大量共享數據服務和工具的作用。數據中臺上有三塊,首先是為TD的合作伙伴開發的業務和服務,其次是讓客戶在數據中臺上開發自己的業務,最后最小的一部分才是TD去開發的業務。林逸飛提到。

術業有專攻,TalkingData把數據中臺打磨好,把連接共享、算力、科學做好,是希望讓更多的合作伙伴一起共享平臺和數據的能力,把涉及到行業深度知識、行業進入壁壘的業務要求等交給合作伙伴,分工合作,以期望和客戶共創一些行業應用。TD開放數據中臺是希望將行業中的頭部企業探索出來的數據能力和方法,更快更好地去賦能給整個產業鏈中的中小企業,從而促進全行業的發展。

順勢而為 讓數據成為驅動經營的增長引擎

民生銀行信用卡中心、綾致時裝、中國移動物聯網有限公司也作為重要合作伙伴代表登臺,分享了在企業數字化轉型方面的獨到見解,以及與TalkingData合作探索轉型創新的經驗。林逸飛在接受51CTO記者采訪時表示,TalkingData為企業的數字化轉型賦能,選擇行業時有三個簡單的出發點。

第一個出發點:要判斷企業的CXO或高級領導是否相信數據可以幫助他的業務。如果企業的領導不信數據,無論他是電商、金融還是其他行業,都不會是TalkingData的關鍵合作伙伴,因為數據對這類企業來說不是最主要的經營助推點。

第二個出發點:縱觀TalkingData的七年發展史,從金融到零售,始終是順勢而為。例如,三五年前金融行業的數字化顯而易見,金融產品推向市場的速度非常快,科技會幫助金融行業完成整個數字化閉環。最近兩年是零售業,這兩個是TalkingData傾力投入的行業,皆是順勢而為,順著科技或業務模式變化的潮流而上,更容易形成數據閉環和數據資產,產生的數據效果也會更加顯著。

第三個相對特殊一點的是政府,大數據給政府帶來很多新的課題,政府無需依賴商業潮流就可以推動著去做很多事。例如人口普查,從前是小抽樣的人口普查,如今可以考慮用更大規模的數據實現人口普查,這是一個很細分的領域,政府還可以用數據做很多事。目前,金融、零售和政府是TalkingData主力做的三個行業。

企業需正視數字化轉型的三大短板

企業進行數字化轉型,信數據是前提,但不同企業在進行數字化時往往存在三大主要短板。

一是組織結構問題。互聯網企業往往都設有一個專門做數據驅動的部門,例如亞馬遜的飛輪效應,阿里的御膳房,都是一個真實存在的組織,在規定的權限邊界范圍內為大家做數據服務,而傳統企業往往沒有這樣的組織,TalkingData需要和各種部門打交道,這在無形中增加了轉型的難度。

二是技術接口不完善。無論是做數據模型推薦或是協同過濾,推到市場上拿反饋時往往拿不回來,這就涉及到了企業邊界和市場對接的問題,有很多技術接口準備的不夠完善。例如,企業的數據不整合,數據清洗需要花費很多額外的精力。林逸飛強調,組織結構和技術接口是影響企業數字化進程的兩大核心問題,而工程和技術問題并不是復雜問題。

三是人才問題。在數據工程和數據科學兩個方面,傳統企業與大的互聯網企業之間的人才爭奪非常激烈,傳統企業并不占優勢,人才問題也是數字化的一大短板。

騰云大學 讓數據科學走出實驗室

在人才問題方面,TalkingData也做了一些努力的嘗試。我們有海量的數據,有非常好的計算單元,有實戰型的人才,這些對于剛剛進入數據科學領域的人才而言極富吸引力。林逸飛提到,我們在與客戶進行深度合作的過程中,會將一些人才安排在他們的項目里,在一段時間之后,客戶會給這些人提供offer,TalkingData已為客戶輸送了近百個人才,其中包括從國外的幾所名校以及國內的清華、人大等高等學府引入的人才。

TalkingData投入幾百人去做騰訊大學這個平臺,不一定能夠完全緩解客戶對人才的缺口,而是希望數據科學能夠走出實驗室,進一步實現平民化,從而發揮其真正的生產價值。

百靈計劃 投入1億資源為合作伙伴賦能

值得一提的是,TalkingData在本屆T11峰會上發布了合作伙伴共創計劃百靈計劃, 基于TalkingData數據資源和中臺能力,與合作伙伴共同探索并構建基于大數據和領先智能技術的場景商業應用。百靈計劃將投入價值1億元的資源,為100家合作伙伴提供100天的免費開放數據、開放算力以及服務與培訓,加速賦能合作伙伴發展。

林逸飛介紹,目前已有幾十家合作伙伴開始展開相關合作與服務,TalkingData也從中積累了一些經驗。我們將免費開放算力、存儲、帶寬、技術框架和樣本數據等資源,合作伙伴需要有明確的課題和目標,我們會有自己的團隊跟他們對接,并判斷其課題目標是解決哪類業務問題,在數據科學和模型方面處于哪一水平,這些都要有相應的共識,以此來判斷是否為合適的合作伙伴。據透露,百靈計劃的細則也會有詳細的公開描述。

為平臺賦能 促進人工智能產業化

在談到對人工智能領域的研究時,林逸飛表示,TalkingData比較關注在業務端做產業化運營,作為平臺型的公司,我們更希望為平臺賦能。首先,TD對邊緣計算領域進行資源投入,與高通、中移動等展開合作,在邊緣這一側,專注于AI框架的研究,期望在框架之上可以長出各種各樣的應用。

在服務端,TD期望AI不再曲高和寡,能夠實現平民化。人工智能從特征工程的選取,到工程化和模型投產,再到數據的迅速迭代,這個過程中投產比參數的調校更重要,AI框架會加速形成模型與實際效果之間的閉環,讓AI更快實現產業化。林逸飛提到,有時模型調校半年不如增加一個數據維度來的更直接,與其糾結于幾層的神經網絡,拘泥于模型的復雜度和精確調校,不如考慮迅速投產后如何找到更合適的特征工程。

此外,在服務端TD還關注AI的基礎特征工程。例如TD剛剛投資BasicFider,期望能將其變成平臺級的服務,這家公司從事基礎特征工程的提取工作,對人臉識別、姿態識別、道路識別、影像識別、服裝識別進行標注,滿足不同算法公司的標注需求。

有了AI框架,完成基礎特征工程的選取和標注,那么模型間的對比將水到渠成。TD要做的并不是開發某個AI模型,而是通過數據中臺實現對數據和模型的共享,與合作伙伴共同促進AI模型的產業化。


本站所載作品版權歸作者及原出處共同所有。凡本網注明“來源:OTPUB”的所有作品、文章,版權均屬于本站,轉載、摘編或利用其它方式使用上述作品,應注明“來源:OTPUB” 或 “摘自:OTPUB”。

上一篇: 大數據需要學什么? 下一篇: 寫作比寫代碼難多了?給數據科學...