約 1 分鐘閱讀
Read in English →我們都愛啤酒。然而，今天我們面臨的是前所未有的選擇多樣性，讓我們感到不知所措和猶豫不決：我們下一個該喝什麼？
問題:
我們都愛啤酒。然而，今天我們面臨的是前所未有的選擇多樣性，讓我們感到不知所措和猶豫不決：我們下一個該喝什麼？
我的解決方案:
在我們的Hack Reactor論文計畫中，我構建了一個使用PredictionIO作為啤酒推薦引擎的機器學習服務器。廣義地說，該應用基於兩個主要策略：
內容過濾方法：這使用每種啤酒的各種特性來識別其性質。例如，我們利用breweryDB來確定特定啤酒的風格，其酒精度（ABV）和其國際苦味單位（IBU）。然後我們查詢數據庫以找到風格相似的啤酒。
協同過濾方法：這完全依賴於過去的用戶行為，特別是你的啤酒評級。它使用交替最小二乘法（ALS）算法的矩陣因子分解技術。我們通過從啤酒評級模式中推斷出來的因子向量來描述啤酒和用戶。啤酒和用戶因子之間的高度相關性將導致推薦。
使用矩陣因子分解的一個優點是其能夠加入附加資訊。當沒有顯性反饋（即，你的評級）時，我們可以使用隱性反饋，如你的瀏覽歷史和搜尋模式，來推斷出用戶偏好。
結果，OnTapp將你和適合你口味的啤酒配對起來。要獲得啤酒推薦並嘗試我們的示例，請訪問：http://ontappapp.com/.
「應該自建還是外購？」這個問題困擾了技術領導者數十年。但在AI時代，這種非此即彼的思維方式已經顯得危險且不合時宜。如今，企業平均同時推進十個AI計劃，其中43%的企業同時運行五到十個——在這樣的規模下，採購策略一旦失誤，代價前所未有地高昂。
我接觸到的大多數企業，在AI上的投入比以往任何時候都多，但換來的清晰度卻越來越少。預算已經批了，供應商在四處遊說，高管的簡報裡滿是「轉型」二字。然而表象之下，同一個令人不安的現實不斷浮現：數據沒有準備好、平台沒有準備好、用例也不夠成熟到可以規模化。
AI is no longer a peripheral capability in the enterprise. It is rapidly becoming embedded into core business platforms, decision-making processes, and customer interactions.…