用 AI（人工智慧）把看似無關的訊息線索連接起來，FBI 準備用這個方法提高破案效率。他們選擇的第一個分析對象是刺青。隨著 AI 圖像處理技術開發逐漸成熟， AI 在圖像資訊收集和分析的應用越來越多樣。美國 FBI 和美國國家標準技術研究所（National Institute of Standards and Technology，NST ）合作研發了一個刺青辨識 AI，用於對嫌疑人進行背景調查和資訊分析。據電子前哨基金會（Electronic Frontier Foundation，EFF ）調查，這項合作項目早在 2014 就開始了。透過大量收集嫌疑犯的刺青，建立刺青資料庫，再利用 AI 分析刺青數據， FBI 可以更高效地尋找到刺青者之間的關聯。 （Source：EFF）專案的第一階段是分析 1.5 萬名被捕嫌疑人的刺青。這些刺青都包含很多的個人識別資訊，例如個人信仰、所屬組織、愛人的姓名生日、親人頭像等。刺青辨識 AI 能用圖像分析技術連接這些資訊之間的關聯，並歸納出相似人群特徵。這些 AI 能幫助 FBI 發現肉眼無法看出的蛛絲馬跡。目前，第一階段的分析數據已經交由第三方進行外部算法檢測。專案的第二階段會在這個夏天開始， AI 分析將會分析來自佛羅里達、密西根和田納西州的 100 萬張刺青照片。但是從項目開始之初，電子前哨基金會等機構就大大反對 FBI 這個專案。 （Source：EFF）首先是法律問題。電子前哨基金會認為，刺青是言論的一種形式，因此任何試圖基於刺青去辨識、歸檔、分類或鏈接個人資訊的舉措都違反了美國憲法第一修正案。儘管持相同質疑的人甚多，但刺青是否屬於言論自由、FBI 分析刺青是否屬於侵犯行為，還難以界定。 （Source：EFF）最難以忽視的是 AI 的準確度問題。刺青的圖案重複度很高，刺青者選擇相似圖案的目的差異很大，AI 的分析對象只是相似的刺青圖案，無法理解其他的複雜要素。比如你到刺青店，刺青師幫你刺了個和附近黑幫標誌相似的刺青，不代表你就屬於這個黑幫。但對於AI 來說，你和這個組織存在高關聯度，現階段 AI 無法從演算法上排除這類干擾。另外，很多嘗試改過自新的更生人因為經濟狀態不佳，會拒絕高昂又耗時的刺青清洗服務。電子前哨基金會認為，刺青辨識 AI 對這個群體有「技術上的歧視」。電子前哨基金會指出，目前全美有五分之一的成年人擁有刺青，以刺青辨識 AI...
Google CEO Sundar Pichai 日前接受 Walt Mossberg（莫博士）約 30 分鐘的專訪，談到許多 Google 目前的計畫，包括 Google Home、人工智慧以及 Nexus 手機。首先在人工智慧上，Pichai 表示，他認為 Google 目前是市場上技術最好的公司。儘管有 Amazon，微軟 Cortana 和 Siri 一起競逐，不過 Pichai 認為 Google 在自然語音搜尋仍是領先的，這除了開源生態為 Google 的資料庫帶來助益，也包括 Google AI 在理解用戶聊天語境的能力，因此對他來說，主要以智慧助理和語音搜尋打造出來的新產品 Google Home，將能為使用者帶來不同的感受。「人們將會把像是 Google Home 這樣的產品當作朋友。」他說。此外，對每個不同的用戶來說，將來這個語音智慧助理，也能讓使用者彷彿擁有一個「自己的 Google」，因此 Pichai 日前就已提出「AI 優先」的想法，同時也希望將這個語音助理搬到除了 Google Home 以外的所有裝置，例如 Android 手機。值得一提的是，也許是想起歐洲人的壓力，Google 這次已經預先為這個將與 Google Home 一起出現的進階智慧助理設計好「遺忘功能」，可以脫離 Google 伺服器的追蹤與記錄，以免再遭遇隱私面的爭議。緊接著 Mossberg 向 Pichai...
路徑規劃技術是掃地機器人研究的核心內容之一，機器人定位與環境地圖構建就是為路徑規劃服務的。所謂機器人路徑規劃技術，就是機器人根據自身傳感器對環境的感知，自行規劃出一條安全的運行路線，同時高效完成作業任務。 通常，行動機器人路徑規劃需要解決 3 個問題： 使機器人能從初始位置運動到目標位置。 用一定的算法使機器人能繞開障礙物，並且經過某些必須經過的點完成相應的作業任務。 在完成以上任務的前提下，儘量最佳化機器人運行軌跡。 行動機器人的路徑規劃根據其目的的不同可以分為兩種，一種是傳統的點到點的路徑規劃，另一種就是完全遍歷路徑規劃。點到點的路徑規劃是一種從起始點到終點的運動策略，它要求尋找一條從始點到終點的最優（如代價最小、路徑最短、時間最短）並且合理的路徑，使行動機器人能夠在工作空間順利地通行而不碰到任何障礙物。完全遍歷路徑規劃是一種在二維工作空間中特殊的路徑規劃，指在滿足某種性能指標最優的前提下，尋找一條在設定區域內從始點到終點且經過所有可達到點的連續路徑。對於掃地機器人來說，其作業任務是清掃房間，它的路徑規劃屬於完全遍歷路徑規劃，需滿足兩個指標：遍歷性和不重複性。所謂遍歷性是指掃地機器人運動軌跡需要最大程度的遍布所有空間，它反映的是機器人的工作質量問題。所謂不重複性是指掃地機器人的行走路線應盡量避免重複，反映的是機器人的工作效率問題。掃地機器人的自主尋路可以分為兩種：隨機覆蓋法和路徑規劃式。 隨機覆蓋法隨機覆蓋法，有人也稱為隨機碰撞式導航，但這並非是指機器人真正與環境中的物體產生碰撞，也非毫無章法的在地板上隨機移動，換言之在工程操作中「隨機」也是 一個難以達到要求，隨機覆蓋法是指機器人根據一定的移動算法，如三角形、五邊形軌跡嘗試性的覆蓋作業區，如果遇到障礙，則執行對應的轉向函數。這種方法是一種以時間換空間的低成本策略，如不計時間可以達到 100% 覆蓋率。隨機覆蓋法不用定位、也沒有環境地圖，也無法對路徑進行規劃，所以其移動路徑基本依賴於內置的算法，算法的優劣也決定了其清掃質量與效率的高低。 美國 iRobot 公司研發的 iRobot Roomba 3-8 系列是隨機碰撞尋路系統的典型代表。據稱，其採用 iAdapt 智慧化清掃技術的專利技術，這是一種軟、硬體相結合的智慧化 AI 清掃系統， 硬體由 Roomba 前方的若干紅外線探測器、底部灰塵偵測器和落差傳感器、毛刷膠刷邊刷測速系統等組成，透過 Roomba 的硬體傳回的訊息，iRobot 自身的軟體可以對回傳訊息進行分析，根據紅外線回傳訊息的強度、範圍、高度、轉速、電流大小、阻力等參數，計算出前方障礙物大致形狀，再經過軟體的處理運算，得出的結果就是 Roomba 下一步清潔方式，Roomba 以每秒 60 次的速度計算周邊障礙物的情況，同時根據所處環境做出四十餘種清掃動作，如圍繞、 折返、螺旋、貼邊、轉身等。其次 iRobot 採用面積模糊判定算法，根據房間面積自動設定清掃時長。和路徑規劃不同的是，Roomba 開始收集算法估算所需的兩個重要參數：單次行進距離和單位時間碰撞頻率。單次行進距離越長則間接代表房間面積越大，走幾步就調頭則間接代表房間面積較小。每次碰撞 Roomba 都能收集到相關資訊，單位時間內碰撞頻率越高代表房間面積越小，碰撞頻率低則表示需要清掃的面積較大。 市面上大多數掃地機器人雖都採用隨機碰撞尋路方式，然而清潔效率卻差異很大，歸根到底還是軟體算法上的問題，這也是為什麼同樣大家買的都是隨機碰撞尋路方式的掃地機器人，在覆蓋率與效率上面卻有天壤之別。 路徑規劃式規劃式導航需要建立環境地圖並進行定位。對路徑規劃的研究已經持續很多年了，也提出了很多種類的方法。不同的方法有各自的優缺點，適用範圍各不相同，沒有一種路徑規劃方法能適用於所有的環境信息。 其中的人工勢場法、柵格法、模板模型法、人工智慧法等是路徑規劃中很典型的方法，並且受到越來越多的關注。下面將分別介紹上述這些典型的路徑規劃方法。1. 人工勢場法人工勢場法是機器人導航中提出的一種虛擬力法，其基本方法是將機器人在周圍環境中的運動設計成在一種勢場中的運動，是對機器人運動環境的一種抽象描述，機器人在場中具有一定的抽象勢能，勢能源有兩種：斥力極和引力極。機器人在不希望進入的區域和障礙物屬於斥力極：目標及機器人系統建議通過的區域為引力極。在極的周圍產生相應的勢，在任何一點的勢為該點產生的勢之和、該勢的負梯度稱為勢力。勢場的建立主要用於動態避障，此時的引力極是局部環境中的中間目標，斥力極則是局部環境中的障礙物。引力和斥力的合力作為機器人的加速力，來控制機器人的運動方向和計算機器人的位置。該方法結構簡單，便於低層的及時控制，在實時避障和平滑的軌跡控制方面，得到廣泛的應用。但對存在的局部最優解的問題，容易產生死鎖現象，因而可能使機器人在到達目標點之前就停留在局部最優點。 2. 柵格法設定行動機器人實際幾何形狀可用方形區域表示。規劃過程中將機器人縮為一個點，而環境中的障礙物邊界做相應的擴展及模糊化處理。採用網格表示工作空間，即把工作空間劃分為一個個大小相同的方格，方格大小與機器人幾何外形相同。用柵格法表示環境：使用大小相同的柵格劃分機器人的工作空間，並用柵格數組來表示環境，每個柵格是兩種狀態之一，或者在自由空間中，或者在障礙物空間中。這種方法的特點是簡單，易於實現，進而為路徑規劃帶來很多方便，具有表示不規則障礙物的能力；其缺點是表示效率不高，存在時空開銷與精度之間的矛盾，柵格的大小直接影響著環境信息存儲量的大小和規劃時間的長短。柵格劃分大了，環境訊息儲存量就小了，規劃時間短，分辨率下降，在密集環境下發現路徑的能力減弱；柵格劃分小了，環境分辨率高，在密集環境下發現路徑的能力強，但環境的儲存量大。所以柵格的大小直接影響著控制算法的性能。3. 模板模型法另外一種常用的方法是模板模型。DeCaravalh 提出了一種依靠二維清潔環境的地圖並且是基於完全遍歷路徑規劃的模板。為了完成完全遍歷路徑規 劃，DeCaravalh 定義了 5 種模板，分別是：前進模型（Towards Model）、沿邊轉向模型（Side Shift）、回逆跟蹤（Backtracker）、U 轉彎模型、U 轉彎交替模型。模板模型法是基於先驗知識和先前的環境地圖遍歷機器人讓得到的環境資訊來匹配事先定義的模板。 因此，整個路徑就是一系列的模板組成的。在這個方法中，為了簡化路徑規劃過程，環境事先擴大，這樣這種小巧靈活的機器人就可以考慮成一個質點。基於模板的模型完全遍歷路徑規劃，它要求事先定義環境模型和模板的記憶，因此對於變化著的環境就不好處理了，比如在遍歷機器人的工作過程中突然出現一個障礙等。4. 人工智慧法近年來有許多學者利用模糊邏輯、人工神經網路、遺傳算法等現代計算智慧技術來解決機器人的路徑規劃問題，並取得了一些可喜的成果。A....
目前圍棋世界排名第一的柯潔，終於要跟 AlphaGo 進行對局了。6 月 4 日，在無錫世界圍棋業餘錦標賽抽籤儀式上，國家體育總局棋牌運動管理中心黨委書記、國際圍棋聯盟事務總長楊俊安透露，中國圍棋協會和 Google 雙方都同意在不久後，安排柯潔和 AlphaGo 進行「人機終極對決」。其實 AlphaGo 跟柯潔對弈一事並不突然，5 月 27 日中國圍棋九段古力就曾在其微博上表示，「3 天的工作愉快而艱辛，感慨最深的是人工智慧令人咋舌的進步速度」，暗示他已與圍棋 AI 進行對局。再讓我們在往前看，今年的 3 月 31 日， Google CEO 桑達爾‧皮蔡就曾拜訪棋聖聶衛平開設的聶衛平道場，與柯潔、古力、聶衛平進行非公開交流。根據圍棋等級排名 GoRatings 顯示，目前柯潔以 3,625 位居第一，AlphaGo 以 3,605 位居第二，而曾與 AlphaGo 對弈的南韓九段李世乭，則是以 3,545 位居第四。今年 3 月份，AlphaGo 李世乭五番棋（五局三勝制圍棋比賽）在全世界範圍掀起話題，「人工智慧是否要超越人類，是否會統治人類」等話題出現在電視節目、雜誌，甚至是一般民眾的對話中。對於日漸式微的中國圍棋來說，他們希望藉 AlphaGo 來喚回民眾對圍棋的關注。而對於近年來在尋求途徑回歸中國市場 Google 來說，透過與中國圍棋協會這樣的政府機構合作，也能夠重修官方關係。這次比賽能夠實現共贏狀態。而 AlphaGo 與柯潔一站的實際勝負，可以說是毫無懸念。在《一虎一席談》節目裡，柯潔也委婉地表示過，人類終有一天會輸給人工智慧，他會盡力而為。值得一提的是，在與 AlphaGo 對局後，李世乭棋力大為上漲，實現了 9 連勝。但在 5 月 30 日，由古力九段終結了其連勝之路。如果古力當時對弈的 AI 真為...
Google 收購的英國人工智慧公司 Deep Mind 已經展現出 AI 先進的自學能力，其演算法不僅在玩遊戲比人厲害，而且還在與人類頂級圍棋選手的對決中取得了壓倒性的勝利。這不僅引發了 AI 超越人類的擔憂，甚至還有人擔心類似《魔鬼終結者》劇情那樣，天網對人類殺戮時刻的到來。現在 Deep Mind 決定未雨綢繆，據英國鏡報報導，在近日公布的一篇論文中，Deep Mind 提出了給機器人安裝「切斷開關（kill switch）」的想法，為的是阻止 AI 學會如何阻止人類對某項活動（比方說發射核武器）的干預。用專業術語來說，這叫做「安全可中斷性」。關於安全科中斷性的作用，論文寫道：安全可中斷性可用於控制機器人不正確甚至可能導致不可逆後果的行為，或者將其從微妙處境中脫身出來，或者甚至臨時用來實現某項機器人尚未學會執行或未必會為此受到獎勵的任務。天生具備拯救人類使命感的 Elon Musk 以及地球最聰明的大腦之一霍金都認為，機器對人類的威脅並非杞人憂天。2015 年底的時候，Musk 和孵化器 YC 的總裁 Sam Altman 共同宣布設立一家非盈利的人工智慧公司 OpenAI。他們希望，這個專案能夠抵消邪惡的人工超級智慧可能帶來的威脅。這種威脅的可能性正如牛津大學的哲學家 Nick Bostrom 發出的警告一樣──如果毫無限制地分享人工智慧的研究成果，在沒能確保安全的情況下，一些不懷好意的人可能就會利用它幹壞事：「如果你有一個按鈕，只要按一下就能夠對世界造成破壞，你肯定不希望每個人都擁有一個這樣按鈕。」而 Deep Mind 的研究，就是這一種按鈕的切斷按鈕。不過將來的問題也許是，哪一個按鈕會先用到？（本文由 36Kr 授權轉載；首圖來源：Flickr/chupacabra runner CC BY 2.0）
據 6 月 7 日最新消息，AlphaGo 之父哈薩比斯（Demis Hassabis）6 日透過推特正式回應稱，盛傳的 AlphaGo 和柯潔之間要進行一場巔峰對決的消息純屬網路謠言，目前 AlphaGo 沒有任何進一步的比賽計畫。 contrary to internet rumours, we’ve not decided yet what to do next with #AlphaGo, once we have, there will be an official announcement here — Demis Hassabis (@demishassabis) 2016年6月6日李世石與 Google AlphaGo 之間的人機大戰至今讓人回味無窮，而期間「中國圍棋第一人」柯潔的強勢態度也一度成為焦點話題，柯潔與 AlphaGo 之間何時大戰一場也成了很多圍棋迷、技術宅的期待。4 月初的時候，Google CEO 皮蔡（Sundar Pichai）現身北京聶衛平圍棋道場，在聶衛平和柯潔等人的陪同下參觀了圍棋學校，並進行了約一個小時愉快的交流。當時，Google 官方微博稱：「當現代科技遇上古老藝術圍棋，將會碰撞出什麼火花？讓我們拭目以待。」這也讓外界對 AlphaGo 戰柯潔有了更多猜測。 6...
足球、網球、賽車等運動賽事，選手身上的球衣與車衣往往有著大大小小的贊助商廣告標誌，如今又有一個知名聯賽也要加入這個行列，國人熟悉的 NBA 於 2016 年 4 月決議自 2017 年起將允許球衣上有贊助商標誌，規定大小為 2.5×2.5 英吋，不過問題來了，這球衣上的廣告曝光，到底應該值多少錢呢？總部位於洛杉磯的運動顧問及管理公司瓦瑟曼（Wasserman），過去要評量球賽轉播中的廣告曝光價值時，得動用分析師人工枯坐數小時看影帶，人工記下贊助商廣告出現在場館標示、廣告飛船、球員球帽等處的次數與時間，這種傳統做法勞師動眾，且無法大量作業。2015 年 7 月，原本提供美國情報單位影像搜尋軟體的奈夫科技（Nervve Technologies）進軍運動領域，與瓦瑟曼合作，有了奈夫科技的技術之後，以軟體自動計算，不僅更精確、更快速，且可大規模作業，奈夫科技的軟體能追蹤贊助商廣告在球賽轉播中曝光的頻率、位置、大小，以及曝光時間，幫助聯盟、球隊與廣告商知道球賽內廣告的曝光程度，以及該在哪些地方放置廣告。於是，當 NBA 聯盟找來十幾家顧問公司，想測試它們評估球賽內廣告價值的能力時，奈夫科技與瓦瑟曼的結盟團隊也在其中之一，2 月時，NBA 全明星賽中，兩隊球衣上都有起亞汽車（Kia）的廣告商標，這就是給各顧問公司測試其技術的機會，最後 NBA 選出兩組團隊，其中一組就是奈夫科技與瓦瑟曼，另一個入選者是運動與娛樂顧問公司 Repucom。奈夫科技的辨識技術以速度見長，在 5 秒鐘內就能掃描一整個小時的賽事，以單一伺服器，可在 2 分鐘內掃描整賽季的洋基隊比賽中特定贊助品牌曝光資訊。目前已有克里夫蘭騎士隊、奧蘭多魔術隊等十數家球隊與奈夫科技與瓦瑟曼合作，分析球衣廣告市場商機。奈夫科技共同創辦人暨執行長湯瑪斯史洛威（Thomas Slowe）在羅格斯大學時期研究機器學習，之後歷任麻省理工媒體實驗室（MIT Media Lab）、愛立信（Ericsson），也曾加入研發動態捕捉技術的新創事業，2003年創立分析臉部表情的新創公司，2011 年時，史洛威與另一名共同創辦人雅各高爾納（Jacob Goellner）合作，日後開始成為奈夫科技主要技術的研究，目標市場設定為美國的情報機構。 從情報機構奠基美國情報機構所側錄下來的影片資料多到讓分析人員吃不消，每個分析師一早起來桌上就堆著 TB 容量硬碟，裡頭有上百甚至數千小時的影片資料待看，而可掃描影片的自動分析系統，需要的硬體伺服器可裝滿整個房間，需要高階機密等級人員才能授權操作，奈夫科技創造一個簡易的介面，讓受過最基本訓練的使用者能快速又正確地找到目標物件，卻不需要太多硬體運算需求。之後奈夫科技花了 2 年時間，改善機器學習的流程，過去機器學習演算法往往需要輸入資料人員回答一系列的是非問題，如要教導人工智慧認出貓咪，資料輸入人員要一張張照片回答這是貓或不是貓，奈夫科技改善這樣的流程，以拼圖來比喻，過去的辦法是一次拿起一張來拼，奈夫科技的想法是一次先看過所有的拼圖碎片，猜猜看要怎麼拼，最後才讓資料輸入人員看拼得對不對，把是非問題留在最後。2012 年起，奈夫科技開始為一些情報機構測試這個系統，2014 年美國中情局投資部門 IQT（In-Q-Tel）投資奈夫科技，金額未公開，奈夫科技授權給許多政府機構自行進行測試，如用來分析無人機所拍攝的影片等。當情報機構的生意已經穩固，史洛威開始將注意力轉移到民間企業部門，開始尋求媒體高層合作，瓦瑟曼立即發覺奈夫科技的技術在運動娛樂領域的潛力。目前瓦瑟曼已經應用奈夫科技的技術，分析足球、籃球、全國運動汽車競賽協會（Nascar）賽車、肯塔基賽馬大賽（Kentucky Derby）的轉播。NBA 開放球衣廣告後，第一起合約是費城 76 人隊與售票服務公司以每年 500 萬美元簽約，出售球衣上的 2.5×2.5 英吋廣告空間。費城 76 人隊並非奈夫科技與瓦瑟曼的客戶，而瓦瑟曼預估，某些 NBA 球隊的球衣廣告價值，將是費城 76 人隊的 3 倍。 The...
兩大政治黨派如何利用大數據分析來說明他們做出決定並且嘗試領先競爭對手，是今年美國總統大選的主要情節之一，大家可能沒有意識到的是，大資料在決定選票變化上已經變得多麼普遍。這裡我們就深度剖析一下兩個在行業內領先的資料分析公司，如何利用大數據分析說明他們支援的政黨來取得勝利。在過去的兩個總統大選中，有人認為歐巴馬競選團隊有效利用大資料分析的能力，就是他贏得其他對手的其中一個原因。但是今年像歐巴馬那種優勢幾乎已經不會存在了，TargetSmart 的首席執行長 Tom Bonier 說，值得一提的是，TargetSmart 同時給國家民主黨派和州民主黨派以及他們的同盟提供大數據分析和服務。「與過去相比，現今的總統選舉在利用大數據分析這一塊更加旗鼓相當。」Bonier 告訴 Datanami。「2008 年，民主黨在利用大數據分析領域比共和黨聰明太多，而且更有遠見，但在這個年代不是這樣。現在，對參選者來而言，在選舉進行的創新性這一方面是一個更加公平的遊戲。」Deep Root Analytics，給國內和州內的共和黨及其從屬團隊提供數據分析，它們的分析和產品創新的主管，David Seawright 也同意上述觀點。「從 2012 年的失敗中我們吸取的最大教訓就是我們需要在大數據分析上努力，而且我們需要我們的分析變得更好。」Seawright 這麼說。「所以這方面已經有很大的投資，不僅僅提供給黨內平台，而且也用於幫助 Deep Root 以及像我們一樣的公司，真正地在這一領域進行深度挖掘並且提供這些服務給我們的客戶。」現在這類服務正在快速增長。由於新資料來源的結合，先進分析的大眾化，可接受的大規模計算能力增長，2016 年的政治運動盡情享受數據分析帶來的便利，放到過去來看，這是極其不可能的。從全國性的政治運動到州內和當地的政治競爭，大資料分析正在美國的國家政治上留下很大印記。 將資料做為武器Deep Root 是在共和黨的努力下成立的，用來更有效地與民主黨在大數據分析領域進行競爭。這家公司本質上是共和黨的大數據武器，為共和黨參選人提供資料和分析服務，上至總統選舉，下到州立法機關選舉。「我們喜歡用的一個詞是武器化，行動化——實施某個行動」，Seawright 說，「我們能夠提供這種服務，而且能夠同時洞悉很多不同活動，洞悉很多不同陣營在選票上的上下變化。利用大數據分析將不再是一張豪華機票——它是一種任何人都能做到而且應該做到的東西。」Deep Root 和 TargetSmart 都是利用 Alteryx 的軟體來說明他們容納、淨化、混合以及分析來源不同的大規模資料。這種分析軟體以一種最有效的方法來使用，它分析所有選民的年齡結構，根據不同年齡段來分段並且打分，然後利用這些資訊來優化他們在媒體上的花銷，特別是在非常重要的電視廣告上。Deep Root 利用它的分析模型來告訴參選者，在他們的已有電視預算的條件下，哪些地方他們能獲得最大的收穫。正如 Seawright 解釋的那樣，資料分析在每天的決策過程中發揮很重要的作用。「我們的資料將會指示客戶該將他們的競選廣告放到哪，才能讓他們的目標人群最有可能看到。」他說，「我們也會提示他們花銷的紀錄，透過讓客戶在情景中能夠意識到這個問題，不僅提供他們所做的與目標人群相關的理由，而且也會分析你的競爭對手或同盟所做的，對你的目標人群的影響，這就允許他們能夠對他們正在進行的分配任務具有策略性，並對廣告投放更聰明——把廣告投放在最不顯眼而又最高效的地方，同時在根據其他人或組織的行動來及時做出反應上，也會讓他們更加機靈。」TargetSmart 提供相似的分析服務。但是透過利用資料來優化行動不僅只是在電視廣告投放上，也在客服中心活動、傳統郵件花費及社區拉票，TargetSmart 在它的 360 度投票者聯繫技術上比他們的老對手共和黨走得更遠。 一對一政治傳統上，相較於其他席位的競選，總統競選吸引了更大數額的資金。但是由於 2010 年的聯合公民決定，解除競選運動委員會在廣告投入上的限制，今年的總統競選看起來會將電視開銷提升到一個全新水準。競選行動委員會的資金與有力的分析工具形成競選中的有力武器，能將資訊以一種較以前更精細的方式傳達出去。Bonier 曾經透過 2012 年建立的慈善運動實驗室參與過歐巴馬的連任競選活動，按照 Bonier 的說法，對目標分析的利用是非常新奇的，「利用大數據分析是那種你隨處都可以感受到的東西」，他說，「但是如果你回顧一下 2012 年的競選活動，它真的只是說明目標廣告購買而已。歐巴馬競選活動總體預算的一小部分才花費在目標廣告上，在今年，將不會是這種情況。我會說幾乎全部的廣告投放，至少總統競選水準，他們的發生都會經過大數據目標分析過程。」多虧了正在進行的先進分析軟體的普遍化，競選活動有各種預測手段和統計模型可以使用，Alteryx 的總裁 George Mathew 如是說，「你從政治圖譜的兩側所聽到的，其實這就是新常態，」Mattew 說。「創新性，人們更加被隱藏於大資料分析中的能力，它們就是在政治圖譜兩側持續發展的東西。」廣泛增加的有技巧的大資料實踐者在這當中也扮演重要角色，Seawright 說，「除了這些被採用和被接受的事物的變化，隨著新資料來源的變化，新的可以用來解決問題的技術和軟體的出現，在市場上也會發生實踐轉向。」他說，「當然那些變化的某些部分會伴隨著人類增加的天賦而來，這就使我們能夠做好這些工作並且利用它們服務我們客戶。」 下一步：社會分析兩家大公司都正在越過電視領域來到類似社群媒體的數位媒介來探險。但是這種嘗試是非常艱難的，因為數位媒介上的資料更概略，透過媒體分析並不容易知道你所要到達的目標人群。Bonier 認為，「數位導向分析在大家看來顯然不可靠，你不知道你正在接近你需要去談話的人群，所有競選活動幾乎從未在數位媒介上花費像投入在廣播電視和其他形式上的這麼多。」TargetSmart 在這一領域正在做一些創新性的工作，以希望能影響 2016 年的總統大選。透過利用個人可辨識的資訊，這家公司將...
講到氣象資料和氣象預報，大概會提到蝴蝶效應，來說明氣象難以預測。但看來 IBM 認為如果餵大量資料，就有辦法克服氣象預報。如今 IBM 用它買來的氣象公司，連同裡面的專家和資料，推出用深度學習預測氣象的 Deep Thunder，希望能提高小規模地區的預測結果。自從 IBM 收購 The Weather Company 的 B2B 資料部門後，可能很多人好奇為何 IBM 要買它。但現在 IBM 推出新的氣象產品，結合最近流行的深度學習技術，再加上從 Weather Company 收購案得到的氣象資料，推出 Deep Thunder 預測天氣狀況。Deep Thunder 靠更好的演算法，還有餵好幾 PB 等級的資料，調教 Deep Thunder 的預測模式，希望在 0.2~ 1.2 英里的尺度下預測氣象。預測結果將用在保險、消費者行為預測上面。在新聞稿中，Weather Compay 科學和預測營運部門主管 Mary Glackin 說：「Weather Compay 專注觀測大氣狀況，而 IBM Research 則領先各界，相當小尺度下的超級地方等級下，擁有提高預測準度的技術，可以用在重要決定上。今天推出的新整合預測模型，將會提供增進我們簽署服務理想的平台──為不同企業和工業應用，理解各種氣象現象的衝擊和找出建議的行動。對擁有技術的公司來說，只有演算法但沒有能驗證演算法的資料也作用不大。未來我們可以看到更多做 AI 或預測的公司，出手買公司取得這些公司背後的資料，拿這些資料訓練 AI 做出更精準的預測。(首圖來源：Patrick on Flickr, CC-BY 2.0) 相關連結 ...
人工智慧會威脅人類的安危嗎？當機器人越來越聰明，有一天會成為人類的敵人嗎？這可能是許多人正在擔憂的事，微軟信息技術和創新基金會發表報告稱，人們對於人工智慧存在五大誤解，人工智慧不會對人類帶來威脅。人工智慧讓許多人失業和歷史上每一次的技術升級一樣，人工智慧能夠提升勞動效率，但不會對工作職位的總量、失業率造成影響。這些擔憂高估了人工智慧的能力，事實上取代人類勞動者是非常困難的，近幾年人工智慧和機器人都處於高速發展階段，但美國的生產率成長速度卻處於歷史低點，人工智慧不會大規模地讓工作職位消失，而是幫助人類提升產能和推動創新。即使人工智慧能夠承擔部分工作，總體而言能夠降低生產過程中的勞動力成本。人工智慧讓人類變傻？人工智慧發展到一定程度，能夠幫人類解決許多問題，本來需要學習掌握的技能可能就不需要了，但是能夠被淘汰的技能就已經不是必要的了，就像在汽車出現之前，人要遠行就必須學會騎馬，有了汽車就不必學習騎馬了，人工智慧也是如此，技術會升級人類的技能。人工智慧讓人類沒有隱私？人工智慧的學習很多時候是需要大量的資料做為基礎，但並不等於人工智慧侵犯人類隱私的可能性更多，因為後者只承擔統計和分析工作，這一問題不是技術問題，而是法律問題，如果建立一個有效的規範保證在不侵犯個人隱私的狀況下，讓人工智慧系統獲得足夠的資料。人工智慧讓技術被濫用？人工智慧使用的機器學習技術比以往的軟體系統技術都更複雜，會根據數據和分析結果進行改進，有人擔心這會產生一種技術性的偏見，甚至有可能存在人為的濫用技術，但技術本身不存在惡意，技術只是完成了人類的意圖，大多數狀況下人類的決策中帶來的偏見，比技術系統更多。人工智慧最終將消滅人類接管地球？長期來看人工智慧將變得越來越聰明，甚至在智力水準上超越人類，這一種觀點高估了技術發展的速度，由於晶片處理能力的成長速度在放慢，機器學習之外的人工智慧技術都發展緩慢，即使真有一天能夠製造出接近人類智力水準的機器，這些機器還是會受控於人類，如果不能保證安全，是不會被創造出來的。人工智慧的發展過程中存在風險，但應該以樂觀的態度去看待，新技術的誕生和發展都會遇到這樣的問題，發現問題就去解決，而不是抑制人工智慧的發展，人工智慧能夠在人類進步的過程中扮演一個重要的角色。 New Report Rebuts Hyperbolic Myths About Hypothetical Harms from Artificial Intelligence (首圖來源：Flickr/University of Washington CC BY 2.0)