您现在的位置是：主页 > news > 哈尔滨智能建站模板/百度竞价推广

哈尔滨智能建站模板/百度竞价推广

admin2025/5/2 12:19:06【news】

简介哈尔滨智能建站模板,百度竞价推广,美国做企业用什么网站,服务商平台登陆使用Apache Kafka在生产环境构建大规模机器学习智能实时应用为所有行业带来了革命性变化。机器学习及其分支深度学习正蓬勃发展，因为机器学习让计算机能够在无人指引的情况下挖掘深藏的洞见。这种能力正是多种领域所需要的，如非结构化数据分析、图像识别…

哈尔滨智能建站模板,百度竞价推广,美国做企业用什么网站,服务商平台登陆使用Apache Kafka在生产环境构建大规模机器学习智能实时应用为所有行业带来了革命性变化。机器学习及其分支深度学习正蓬勃发展，因为机器学习让计算机能够在无人指引的情况下挖掘深藏的洞见。这种能力正是多种领域所需要的，如非结构化数据分析、图像识别…

使用Apache Kafka在生产环境构建大规模机器学习

智能实时应用为所有行业带来了革命性变化。机器学习及其分支深度学习正蓬勃发展，因为机器学习让计算机能够在无人指引的情况下挖掘深藏的洞见。这种能力正是多种领域所需要的，如非结构化数据分析、图像识别、语音识别和智能决策，这完全不同于传统的编程方式（如Java、.NET或Python）。

机器学习并非新生事物，大数据集的出现和处理能力的进步让每一个企业都具备了构建分析模型的能力。各行各业都在将分析模型应用在企业应用和微服务上，用以增长利润、降低成本，或者改善用户体验。

这篇文章将介绍机器学习在任务关键型实时系统中的应用，将Apache Kafka作为中心化的、可伸缩的任务关键型系统，同时还将介绍使用Kafka Streams API来构建智能流式应用。

可伸缩的任务关键型实时系统

互联网、智能手机和持续在线思维的出现改变了人们的行为方式。其中就包括人们对与设备、产品和服务交互方式的期待：人们希望能够实时地获得信息。这也给企业带来了巨大挑战：如何快速地采取行动才能把握先机。批处理系统已经无法满足需求，取而代之的应该是实时系统。

传统企业可以实现非常强大的实时处理机制来满足日常的业务需求。这通常需要借助领域知识来理解各种应用场景，并构建新的流式分析模型来增加业务价值。流式处理已经存在于各个行业中。

欺诈检测。将支付信息与历史数据或已知的模式关联起来，在欺诈发生之前将其检测出来。这对处理速度提出了很高的要求，因为你必须在交易发生之前将其取消掉。
交叉销售。利用客户数据为客户提供定制化的销售方案或折扣，争取让客户在离开商店之前成交订单。这种情况下，你需要利用实时数据（比如位置数据、支付数据）和历史数据（来自你的CRM系统或Loyalty平台）为每个客户提供最合适的销售方案。
预测性维护。使用机器数据来预测机器故障，在发生故障之前将旧的部件更换掉。从实际情况来看，这可以节省大量的金钱（制造）、增加利润（自动售卖机）或提升用户体验（电信网络故障预测）。

所有这些场景都有一个共同点，那就是在数据产生的同时处理数据。你必须尽快地处理已经发生的事件，是主动处理，而不是被动处理。你的系统需要在欺诈发生之前，或在顾客离开商店之前，或在机器发生故障之前做出决策。

当然，这并不是说一定要求毫秒级别的响应时间。在某些情况下，即使是批处理也是没有问题的。比如，大部分制造行业或物联网场景中，预测性维护可以允许几个小时甚至几天的时间间隔，更换部件可以在当天或当周内完成。这样可以节省大量的金钱，因为你可以在问题发生之前检测出它们，避免造成更大范围的损失。

在智能实时系统中应用机器学习

任务关键型实时应用系统在不使用机器学习的情况下已经存在多年，那为什么说机器学习将给这一领域带来革命性的变化？

如果你读过有关机器学习及其分支深度学习的资料，你经常会看到如下的一些场景。

图像识别。上传一张图片到Facebook上，图像中的物体——比如你的朋友、背景或你手中的啤酒——就会被分析出来。
语音翻译。机器人因此可以通过生成的文本或声音与人类进行互动。
仿人类行为。IBM Watson击败了最强大的Jeopardy选手；Google的AlphaGo战胜了最专业的Go选手。

上述的例子与那些想要构建创新型应用系统并从竞争当中脱颖而出的企业有着越来越紧密的联系。类似的，我们可以将机器学习应用在“传统场景”里，比如欺诈检测、交叉销售或预测性维护，以此来增强业务流程，基于数据驱动做出更好的决策。已有的业务流程可以保持原样，你只需要将业务逻辑和规则替换成分析模型来改进自动化决策即可。

下面将介绍如何将Kafka作为流式平台来构建、运营和监控大规模、任务关键型的分析模型。

机器学习——分析模型的开发生命周期

先让我们了解一下分析模型的开发生命周期：

构建：使用机器学习算法（如GLM、Naive Bayes、Random Forest、Gradient Boosting、Neural Networks等）分析历史数据，挖掘洞见。在这一步需要进行数据的收集、准备和转换。
验证：使用一些验证技术（如交叉验证）再次确认分析模型能够处理新的输入数据。
运营：将分析模型部署到生产环境。
监控：观察分析模型的输出。这里包含了两部分内容：在达到某个阈值时发送告警（业务层面的监控）；保持结果的准确性和度量指标的质量（分析模型的监控）。
持续循环：重复上述步骤来改进分析模型，可以通过手动批次的方式来完成，也可以在线完成，在新事件达到时更新模型。

整个团队在一开始就要在一起工作，并考虑如下问题：

它需要在生产环境有怎样的表现？
生产环境系统支持哪些技术？
如何监控模型的推理和性能？
是构建一个完整的机器学习基础设施还是使用已有的框架来分离模型训练和模型推理？

例如，一个数据科学家开发出一个Python程序，创建了一个精确度非常高的模型，但如果你无法将它部署到生产环境（因为它无法伸缩也无法表现得如预期一样），它就毫无用处。这个时候，或许你已经可以意识到为什么Apache Kafka如此适合用在生产环境的分析模型上。下面的章节将介绍使用Apache Kafka作为流式平台以及结合机器学习或深度学习框架来构建、运营和监控分析模型。

机器学习和Apache Kafka架构参考

在了解了机器学习开发生命周期之后，接下来我们来看一个用于构建、营运和监控分析模型的架构参考：

该架构的核心之处在于它使用Kafka作为各种数据源、模型构建环境以及生产环境应用程序之间的媒介。

用于构建模型的特征数据从各个应用程序和数据库流入Kafka。模型构建环境可以是一个数据仓库、一个大数据环境（如Spark或Hadoop）或者一个运行Python脚本的服务器。模型可以被部署在某个地方，只要生产环境的应用程序能够访问到它们，并把它们应用在输入样本数据上。生产环境的应用程序可以从Kafka数据管道接收数据，或者使用Kafka Streams API。

Kafka成为整个系统的中枢神经，这也带来了如下好处：

数据管道变得更简单的了。
分析模型的构建和服务之间不再耦合。
根据具体情况使用实时模式或批处理模式。
分析模型可以被部署到高性能、可伸缩的任务关键型环境里。

除了Kafka本身，还可以加入Kafka生态系统的其他开源组件，如Kafka Connect、Kafka Streams、Confluent REST Proxy、Confluent Schema Registry或者KSQL，而不仅仅是使用Kafka Producer和Consumer API。

下面两个章节将介绍如何使用Kafka Steams API来部署分析模型。

机器学习开发生命周期示例

现在我们来深入了解一个围绕Kafka构建的机器学习架构示例：

（点击放大图像）

在绿色区域，我们可以看到用于构建和验证分析模型的组件。在橙色区域，我们可以看到流式平台，分析模型就部署在该平台上，用于对新事件做出推理以及执行监控。

数据生产者持续地发送事件，分析平台以批次或实时的方式接收这些数据，然后使用机器学习算法来构建分析模型。分析模型被部署在流式平台上，流式平台将分析模型应用在事件上，从而推理出结果（也就是预测），最后结果被发送给数据消费者。

在这个例子里，我们将模型训练和模型推理分离开，这在当今的大部分机器学习项目中是很常见的做法。

模型训练

数据经由Kafka集中到Hadoop集群上，进而使用H2O.ai分析这些历史数据，构建出神经网络。数据科学家可以使用各种接口来完成这项工作——R语言、Python、Scala、Web UI Notebook等。模型的构建和验证就发生在Hadoop集群上，最后得到一个Java字节码形式的分析模型，接下来就可以将它们部署到生产环境。

模型推理

神经网络被部署到Kafka Streams应用程序里。Streams应用程序可以运行在任何地方，它可以作为单独的Java进程运行，也可以运行在Docker容器里或Kubernetes集群上。模型被实时地应用在每一个新生成的事件上。Kafka Streams借助Kafka集群为我们提供了可伸缩、任务关键型的分析模型操作以及高性能的模型推理。

在线模型训练

除了分离模型训练和模型推理，我们也可以为在线模型训练构建一个完整的基础设施。很多巨头科技公司（比如LinkedIn）在过去就将Apache Kafka作为模型的输入、训练、推理和输出的基础。当然，这种做法存在一些权衡。大部分传统的公司会使用第一种方案，它可以满足现今大部分的使用场景。

模型监控和告警

将分析模型部署到生产环境只是第一步，对模型的准确性、分数、SLA和其他度量指标进行监控并自动实时地发出告警也同样重要。度量指标可以通过Kafka反馈给机器学习工具，用于改进模型。

使用H2O.ai开发分析模型

以下是使用H2O来构建分析模型的例子。H2O是一个开源的机器学习框架，它在内部使用了其他框架，如Apache Spark或TensorFlow。数据科学家可以在上面使用他们喜欢的编程语言，如R语言、Python或Scala。H2O引擎会生成Java字节码，可以很方便地通过Streams进行伸缩。

下面是使用H2O.ai Flow（Web UI或Notebook）和R语言构建分析模型的截图：

（点击放大图像）

输出的是一个字节码形式的分析模型，它可以直接部署到任务关键型的生产环境里。因此，我们就不再需要花时间去考虑如何将Python或R生成的模型“移植”到基于Java平台的生产系统里。

这个例子使用H2O来产生Java字节码，当然，你也可以使用其他框架（如TensorFlow、Apache MXNet或DeepLearning4J）完成类似的工作。

使用Kafka Steams API部署分析模型

使用Kafka Streams来部署分析模型非常简单，只要将模型添加到基于Streams构建的应用程序里就可以了，然后将其应用在新生成的事件上。

（点击放大图像）

因为Kafka Streams应用程序实际上用到了Kafka的特性，所以已经具备了伸缩性和任务关键型用途，不需要对模型做出任何调整。

例子的代码可以在GitHub上找到：https://github.com/kaiwaehner/ kafka-streams-machine-learning-examples。拉取项目代码，运行maven构建命令，就可以看到H2O模型是如何与Kafka Streams应用集成在一起的。后续我们会不断扩充这个例子，加入更多复杂的应用场景，不仅使用H2O，还会加入TensorFlow和DeepLearning4J。

借助一些CI/CD工具，如Maven、Gradle、Chef、Puppet、Jenkins，机器学习与流式处理相结合的方式可以很容易地被集成到自动化持续集成工作流当中。

使用开放标准在训练和推理之间共享分析模型

以下是其他一些用于在数据科学家之间共享和更新模型以及DevOps团队部署模型的方式。

原生模型（Native Model）：直接将模型部署到流式处理引擎里，比如通过JNI将Python模型部署到Java应用程序里
字节码生成（Generated Code）：不管使用哪一种编程语言来构建模型，都可以通过生成二进制库或源代码的方式将它们部署到流式处理应用里。它们经过优化，可以获得更好的性能。例如，数据科学家使用R语言或Python训练的模型可以转成Java字节码的形式。
外部服务器（External Server）：以请求和响应的方式调用外部的分析服务器。外部调用可以通过SAS、MATLAB、KNIME或H2O这类分析工具来完成，它们一般会提供REST接口。
PMML（预测模型标记语言）：这是一种比较古老的XML标准，尽管还存在一些局限和不足，一些分析工具仍然在支持它。
PFA（可移植分析格式）：一种新标准，可以为模型提供预处理，利用了JSON、Apache Avro，并支持Hadrian。不过大部分分析工具并没有为它提供开箱即用的支持。

以上这些方案之间存在权衡的关系。例如，PFA带来了独立性和可移植性，但同时也存在一些限制。从Kafka角度来看，如果要部署大规模的任务关键型系统，使用Java字节码生成的方式会更加合适，因为这种方式具有更高的性能、更容易伸缩，并且更容易嵌入到Kafka Streams应用中。同时，在进行模型预测时，它免去了与外部REST服务器交互的成本。

结论

机器学习为行业带来了价值，Kafka迅速成为很多企业的中枢神经系统。我们可以借助Kafka来：

进行实时的模型推理
监控和告警
在线训练模型
将数据摄取到批次层或分析集群上进行分析模型的训练

福布斯重磅预测：机器学习之火愈烧愈烈，开发者甩开膀子干！

来源： AI前线 Louis Columbus AI前线

作者｜Louis Columbus

译者｜Sambodhi

编辑｜Debra，Emily

2013 年到 2017 年，机器学习专利的复合年增长率（Compound Annual Growth Rate，CAGR) 为 34%，是所有授予专利的第三大增长类别。
International Data Corporation（IDC）预测，人工智能和机器学习的支出将从 2017 年的 12 亿美元增长至 2021 年的 57.6 亿美元。
Deloitte Global 预测，与 2017 年相比，2018 年机器学习试点和实施的数量将翻一番，到 2020 年再翻一番。

这些有趣的见解来自 Forbes 最新的机器学习市场预测、市场估计和预测的最新系列。机器学习对全球许多最重要的数据产业的潜在影响，继续推动风险投资、私募股权（PE）融资、并购和收购，这些都集中在赢得这一领域知识产权（IP）和专利的竞赛。

机器学习 IP 发展最快的领域之一是定制芯片组的研发。Deloitte Global 预测今年全球数据中心将使用高达 80 万块机器学习芯片。企业将在 2018 年加大对机器学习项目的研究、投资和试点。尽管这些方法在各种预测、市场估计和预测方面有所不同，但都反映了机器学习如何提高企业的敏锐度和洞察力，使它们能够更快、更有利地增长。

从机器学习市场预测、市场估计和预测的收集中得出的关键结论如下：

在商业智能（BI）和分析市场中，支持机器学习的数据科学平台预计到 2021 年将以 13% 的复合年增长率增长。 数据科学平台的表现将超过更广泛的商业智能和分析市场，该市场预计在同一时期将以 8% 的复合年增长率增长。数据科学平台的价值将从 2017 年的 3 亿美元增长到 2021 年的 4.8 亿美元。

资料来源：An Investors' Guide to Artificial Intelligence，J.P. Morgan 著，2017 年 11 月 27 日。(110 pp., PDF, no opt-in).
https://flamingo.ai/wp-content/uploads/2017/11/JPMorganAnInvestorsGuideToArtificialIntelligencev2.pdf

2013 年至 2017 年，机器学习专利的复合年增长率为 34%，是所有授予专利的第三大增长类别。 IBM、Microsoft、Google、LinkedIn、Facebook、Intel 以及 Fujitsu 是 2017 年最大的七家机器学习专利生产商。

资料来源：IFI Claims Patent Services (Patent Analytics)：8 Fastest Grow ing Technologies SlideShare Presentation

https://www.ificlaims.com/rankings-8-fast-growing.htm

61% 的机构最经常选择机器学习 / 人工智能作为公司明年最重要的数据计划。 在这些表示积极使用机器学习和人工智能的受访机构中，58% 的受访者表示他们在生产中使用了模型。

资料来源：2018 Outlook: Machine Learning and Artificial Intelligence, A Survey of 1,600+ Data Professionals (14 pp., PDF, no opt-in).
http://blog.memsql.com/2018-outlook-machine-learning-and-artificial-intelligence/

包括 Amazon、Apple、Google、Tesla 和 Microsoft 在内的科技市场领军企业，在机器学习和人工智能投资领域处于领先地位。 每家企业都将机器学习设计成未来新一代的产品，并使用机器学习和人工智能来改善客户体验并提高销售渠道的效率。

资料来源：Will You Embrace AI Fast Enough? AT Kearney 著，2018 年 1 月。
https://www.atkearney.com/operations-performance-transformation/article?/a/will-you-embrace-ai-fast-enough

根据 Forrester 在 2017 年对 23 家企业应用的 14 项评估标准，SAS、IBM 和 SAP 在预测分析和机器学习市场占领先地位。 Forrester 预测，预测分析和机器学习（Predictive Analytics & Machine Learning ，PAML）市场将在 2021 年以 21% 的复合年增长率增长，这点体现在客户咨询和客户采购活动的增加。

资料来源：Data Science Association, Predictive Analytics & Machine Learning Vendors, 2017 and The Forrester Wave™: Predictive Analytics And Machine Learning Solutions, Q1 2017 courtesy of SAP.
http://www.datascienceassn.org/content/predictive-analytics-machine-learning-vendors-2017
https://assets.cdn.sap.com/sapcom/docs/2017/03/6cd842e0-ac7c-0010-82c7-eda71af511fa.pdf

Deloitte Global 预测，与 2017 年相比，2018 年的机器学习试点和实施的数量将翻一番。 推动机器学习试验人员发展步伐的因素，包括对应用程序接口（Application Program Interfaces，API）的更为广泛的部署、数据科学任务的自动化、减少训练数据的需求、加速训练以及更深入的解释结果。

资料来源： Deloitte Global Predictions 2018 Infographics.
https://www2.deloitte.com/global/en/pages/technology-media-and-telecommunications/articles/tmt-predictions.html

60% 处于采用机器学习不同阶段的机构中，其中有近一半（45%）认为，这门技术已经引起了更为广泛的数据分析和预测。 35% 的受访者还发现，机器学习正在增强其下一代产品的研发能力。

资料来源： Google & MIT Technology Review study: Machine Learning: The New Proving Ground for Competitive Advantage (10 pp., PDF, no opt-in)
https://s3.amazonaws.com/files.technologyreview.com/whitepapers/MITTR_GoogleforWork_Survey.pdf

Mckinsey 估计，2016 年人工智能的年度外部投资总额在 8 亿~12 亿美元之间，机器学习吸引了近 60% 的投资。 机器人和语音识别是两个最受欢迎的投资领域。由于基于代码的创业可以快速扩展从而包含新功能，因此投资者最青睐机器学习初创公司。基于软件的机器学习初创公司比那些成本更高、基于机器的机器人技术同行公司更受青睐，而后者通常没有所对应的软件机构。由于这些因素，这一领域中企业并购活动激增。下图显示了研究中按类别划分的外部投资分布情况。

资料来源：McKinsey Global Institute Study, Artificial Intelligence, The Next Digital Frontier (80 pp., PDF, free, no opt-in).
https://www.mckinsey.com/mgi/overview
http://www.mckinsey.com/~/media/McKinsey/Industries/Advanced%20Electronics/Our%20Insights/How%20artificial%20intelligence%20can%20deliver%20real%20value%20to%20companies/MGI-Artificial-Intelligence-Discussion-paper.ashx

Deloitte Global 预测，数据中心使用的机器学习芯片将从 2016 年的 10~20 万块增长至今年的 80 万块。 其中至少 25% 是现场可编程门阵列（Field Programmable Gate Arrays，FPGA）和专用集成电路（Application Specific Integrated Circuits，ASIC）。Deloitte 发现，到 2020 年，机器学习加速技术的总可用市场（Total Available Market ，TAM）有望达到 26 亿美元。

资料来源： Deloitte Global Predictions 2018.
https://www2.deloitte.com/global/en/pages/technology-media-and-telecommunications/articles/tmt-predictions.html

Amazon 依靠机器学习来提高客户在其关键业务领域的体验，包括产品推荐、替代产品预测、欺诈检测、元数据验证和知识获取。 如欲了解更多详情，请参阅 Amazon Web Services 发布的 Machine Learning At Amazon(47 pp., PDF no opt-in).

http://www.wsdm-conference.org/2017/wp-content/uploads/2017/02/Machine-Learning-@-Amazon.pdf

International Data Corporation (IDC) 预测，人工智能和机器学习的支出将从 2017 年的 12 亿美元增长到 2021 年的 57.6 亿美元。

资料来源：Machine learning: things are getting intense. Deloitte (6 pp., PDF. No opt-in)
https://www2.deloitte.com/content/dam/Deloitte/global/Images/infographics/technologymediatelecommunications/gx-deloitte-tmt-2018-intense-machine-learning-report.pdf

预计到 2022 年，全球机器学习市场将从 2017 年 1.41 亿美元增长到 8.81 亿美元，达到 44.1% 的复合年增长率。 促进市场全球快速增长的因素包括在数据聚合、集成和分析以及更具可扩展性的云平台上表现出色的新技术。

资料来源： Machine Learning Market - Global Forecast to 2022 - Market Overview & Industry Trends.
https://www.prnewswire.com/news-releases/machine-learning-market---global-forecast-to-2022---market-overview--industry-trends-300531729.html

全球认知和人工智能系统的收入将从 2017 年的 12.5 亿美元增长至 2020 年的逾 46 亿美元。

资料来源：Worldwide Spending on Cognitive and Artificial Intelligence Systems Forecast to Reach $12.5 Billion This Year, According to New IDC Spending Guide.
https://www.idc.com/getdoc.jsp?containerId=prUS42439617

机器学习市场数据来源：

2018 Outlook: Machine Learning and Artificial Intelligence, A Survey of 1,600+ Data Professionals. MEMSQL. (14 pp., PDF, no opt-in)

http://blog.memsql.com/2018-outlook-machine-learning-and-artificial-intelligence/

Advice for applying Machine Learning, Andrew Ng, Stanford University. (30 pp., PDF, no opt-in) >

http://cs229.stanford.edu/materials/ML-advice.pdf

An Executive’s Guide to Machine Learning, McKinsey Quarterly. June 2015

https://www.mckinsey.com/industries/high-tech/our-insights/an-executives-guide-to-machine-learning

An Investors' Guide to Artificial Intelligence, J.P. Morgan. November 27, 2017 (110 pp., PDF, no opt-in)

https://flamingo.ai/wp-content/uploads/2017/11/JPMorganAnInvestorsGuideToArtificialIntelligencev2.pdf

Artificial intelligence and machine learning in financial services Market developments and financial stability implications, Financial Stability Board. (45 pp., PDF, no opt-in)

http://www.fsb.org/wp-content/uploads/P011117.pdf

Big Data and AI Strategies Machine Learning and Alternative Data Approach to Investing, J.P. Morgan. (280 pp., PDF. No opt-in).

http://valuesimplex.com/articles/JPM.pdf

Google & MIT Technology Review study: Machine Learning: The New Proving Ground for Competitive Advantage (10 pp., PDF, no opt-in).

https://s3.amazonaws.com/files.technologyreview.com/whitepapers/MITTR_GoogleforWork_Survey.pdf

Hitting the accelerator: the next generation of machine-learning chips, Deloitte. (6 pp., PDF, no opt-in).

https://www2.deloitte.com/content/dam/Deloitte/global/Images/infographics/technologymediatelecommunications/gx-deloitte-tmt-2018-nextgen-machine-learning-report.pdf

How Do Machines Learn? Algorithms are the Key to Machine Learning. Booz Allen Hamilton. (Infographic)

https://www.boozallen.com/s/insight/blog/how-do-machines-learn.html

IBM Predicts Demand For Data Scientists Will Soar 28% By 2020, Forbes. May 13, 2017

https://www.forbes.com/sites/louiscolumbus/2017/05/13/ibm-predicts-demand-for-data-scientists-will-soar-28-by-2020/?utm_content=buffer91f1f&utm_medium=social&utm_source=twitter.com&utm_campaign=buffer#18f2160c7e3b

Machine Learning At Amazon, Amazon Web Services (47 pp., PDF no opt-in).

http://www.wsdm-conference.org/2017/wp-content/uploads/2017/02/Machine-Learning-@-Amazon.pdf

Machine Learning Evolution (infographic). PwC. April 17, 2017

http://usblogs.pwc.com/emerging-technology/machine-learning-evolution-infographic/

Machine learning: things are getting intense. Deloitte (6 pp., PDF. No opt-in)

https://www2.deloitte.com/content/dam/Deloitte/global/Images/infographics/technologymediatelecommunications/gx-deloitte-tmt-2018-intense-machine-learning-report.pdf

Machine Learning: The Power and Promise Of Computers That Learn By Example. The Royal Society’s Machine Learning Project (128 pp., PDF, no opt-in)

https://royalsociety.org/~/media/policy/projects/machine-learning/publications/machine-learning-report.pdf

McKinsey Global Institute Study, Artificial Intelligence, The Next Digital Frontier (80 pp., PDF, free, no opt-in).

https://www.mckinsey.com/mgi/overview

McKinsey's State Of Machine Learning And AI, 2017, Forbes, July 9, 2017.

https://www.forbes.com/sites/louiscolumbus/2017/07/09/mckinseys-state-of-machine-learning-and-ai-2017/#5118a2575b64

Predictions 2017: Artificial Intelligence Will Drive The Insights Revolution. Forrester, November 2, 2016 (9 pp., PDF, no opt-in).

https://go.forrester.com/wp-content/uploads/Forrester_Predictions_2017_-Artificial_Intelligence_Will_Drive_The_Insights_Revolution.pdf

Risks And Rewards: Scenarios around the economic impact of machine learning, The Economist Intelligence Unit. (80 pp., PDF, no opt-in).

http://eiuperspectives.economist.com/sites/default/files/Risks_and_rewards_2018.2.7.pdf

Smartening up with Artificial Intelligence (AI) - What’s in it for Germany and its Industrial Sector? Digital/McKinsey & Company. (52 pp., PDF, no opt-in).

https://www.mckinsey.de/files/170419_mckinsey_ki_final_m.pdf

So What Is Machine Learning Anyway? Business Insider. Nov. 23, 2017

http://www.businessinsider.com/what-is-machine-learning-quick-explainer-2017-11

The 10 Most Innovative Companies In AI/Machine Learning 2017, Wired.

https://www.fastcompany.com/3069025/the-10-most-innovative-companies-in-ai-machine-learning-2017

The Business Impact and Use Cases for Artificial Intelligence. Gartner (28 pp., PDF, no opt-in).

https://www.gartnerinfo.com/apacemergingtechtaipei/TheBusinessImpactandUseCasesforAI_TracyTsai.pdf

The Build-Or-Buy Dilemma In AI, Boston Consulting Group. January 4, 2018.

https://www.bcg.com/publications/2018/build-buy-dilemma-artificial-intelligence.aspx?linkId=47806407

The Next Generation of Medicine: Artificial Intelligence and Machine Learning, TM Capital (25 pp., PDF, free, opt-in).

https://www.tmcapital.com/wp-content/uploads/2017/11/TMCC20AI20Spotlight20-202017.10.2420vF.PDF

The Roadmap to Enterprise AI, Rage Networks Brief based on Gartner research. (17 pp., PDF, no opt-in).

https://www.gartner.com/imagesrv/media-products/pdf/rage_frameworks/rage-frameworks-1-34JHQ0K.pdf

Will You Embrace AI Fast Enough? AT Kearney. January 2018

https://www.atkearney.com/operations-performance-transformation/article?/a/will-you-embrace-ai-fast-enough

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

产业智能官 AI-CPS

用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。