第二,我们也是对于机器学习的一个结构进行重新分配,我们也是对于这种计算,对于计算的设计也是基于不同的自模型的基础之上来进行计算相关设计。我们是设计了25个机器学习的计算,这样的话,他就能够在线累积学习,能够在线进行相关的反馈对系统进行不断的调整。
我就不再详细讲了,我之后还在这里,你可以进一步来问我,但是我们来看一下数据的分区,我们建了一个数据分区之后就会建立局部的模型。我想说,一开始的数据不是非常精确,你必须等待后面的一些收敛,收敛之后这个数据就会越来越准确了。现在我们来看一下这张幻灯片,这里面是我们做了一个实验,我们也是进行了不同机站的对比,然后对它进行进一步的扩展,从这里面我们可以看到我们速度还都是不错的,在这里我想进一步强调的一点就是,有的时候我们客户经常来问我们这样的问题,他觉得这是非常有意思非常有趣,你需要Spark或者Hadoop速度要快,第一,对实时来讲这是非常有用,因为你需要将一些相关的反馈来吸取进行累积不断的学习。
另外,你也可以来看一下市场模拟,你想模拟市场竞争方面的一些相关情况,对于计算来讲,我们 需要来做一些相关计算。如果你能进行模拟,应该是非常不错的,主要是基于一些,不仅仅基于人口相关样本而是针对整个市场进行模拟,有了这个市场模拟之后你就知道怎么样进行投入了,这也是为什么我们有了一个高性能的机器学习对我们来说是非常有用的。
我们来看一下这是一个对于实时营销来讲我们可以提供哪种的解决方案。从网络这个角度来讲,我们可以有不同的IP的一些来源,我们也可以让决策层做出决策,另外要求不同的模型、层,然后根据相关的情况来提出建议,怎么样采取行动。
现在对于这个案例我就不再讲了,我有点超时了,但是这张幻灯片内容都是在这儿,想看的话之后可以再看一下。
好的,最后做一下总结以及我们未来要开展的工作。基本上,我们所面临的局势,我们有一些新的案例,我们需要实现一种技术的转移,一方面我们应该有模式匹配的这种引擎,另外一方面我们也应该有叫做累积高性能机器学习的平台这样进一步实现转变。另外对未来的工作来讲我们需要实时分析,我们来了解消费者行为,对消费者行为进行学习,而后我们需要对这个数据来进行分析,来了解到这个数据所呈现的所代表这个内容是什么,怎么样数据来解决具体问题。另外非常有意思的一点,我们应该利用这些数据对于未来的某种情况来进行预测,比如说你是有不同的事件发生,那么用了这种相关数据之后我们预测未来可能发生有问题或者可能发生的事件或者模式等等,这些事件到目前为止没有发生,但是我们可以用这个数据预测一下未来的形式,因为他之前发生过类似的情况,这是有意思的一点。
另外非常酷的研究领域,上下文的情景学习。我们需要对情景进行一定的学习,在这种情景下如果出现了问题我们需要回应,当然这个内容是非常复杂的,而且充满了挑战,谢谢大家!