企业官网建设流程全解析

临沂 企业网站建设,微商营销技巧,网站改版,广州专业网站制作结合工程与科学#xff1a;揭秘某中心Alexa核心技术演进 对许多人来说#xff0c;使用语音与计算机、手机和其他设备交互#xff0c;是由如某中心的Alexa等服务实现的、相对较新的体验。但对Luu Tran来说#xff0c;这已是“老生常谈”。作为一位资深首席工程师#xff0…结合工程与科学揭秘某中心Alexa核心技术演进对许多人来说使用语音与计算机、手机和其他设备交互是由如某中心的Alexa等服务实现的、相对较新的体验。但对Luu Tran来说这已是“老生常谈”。作为一位资深首席工程师Tran与计算机对话已超过三十年。他是语音计算的超早期采用者还记得个人电脑没有声卡、麦克风甚至音频插孔的日子。因此他构建了自己的解决方案。“我记得当我拿到第一块声霸卡时它附带了一个麦克风和名为‘Dragon Naturally Speaking’的软件”Tran回忆道。通过一些简单的即插即用工程Tran突然就能用他的声音在90年代中期的个人电脑上打开和保存文件了。用语音取代键盘和鼠标是一种神奇的体验让他得以一窥语音驱动计算的未来。快进到2023年我们正处于语音计算的黄金时代这得益于机器学习、人工智能以及像Alexa这样的语音助手的进步。“某中心对Alexa的愿景始终是成为一个会话式的、自然的个人助理它了解你、理解你并具有一定个性”Tran说。在他的岗位上Tran监督了许多Alexa功能的计划-构建-部署-扩展周期定时器、闹钟、提醒、日历、食谱、Drop In、宣布功能等。现在他正在帮助某中心促进公司的工程师与能够帮助推进机器学习和人工智能的学术科学家之间的合作——包括全职学者以及参与某中心学者和访问学者项目的学者。Tran对计算范式的转变并不陌生。他在Akamai、Mint.com和Intuit的先前经历让他亲历了技术领域一些最剧烈的转变包括互联网的诞生、移动设备的爆炸式增长以及从本地部署到云计算的转变。Tran将三十年的经验应用到在某中心的岗位上通过激发工程团队与科学团队之间的合作帮助进一步探索语音计算的潜力。在日常工作中他鼓励工程师和科学家肩并肩地作为一个整体一起工作将最新的科学研究与前沿工程相结合。Tran帮助引领Alexa的下一个工程篇章并非偶然。在《星际迷航》的陪伴下长大他一直着迷于能与计算机交谈而计算机能用人工智能回话的想法。“我一直认为人工智能在我的职业生涯和有生之年是遥不可及的。但现在看看我们今天所处的位置”Tran说。Alexa的工程科学Tran认为与科学家合作对于持续创新至关重要无论是对于Alexa还是人工智能整体而言。“将他们——工程和科学——结合在一起是一种强大的组合。我们的许多项目并非仅仅是我们可以用更多代码和更好算法解决的确定性工程问题”他说。“我们必须运用大量不同的技术并利用科学来填补空白例如机器学习的建模和训练。”帮助工程师和科学家紧密合作并非易事因为他们通常来自不同的背景有不同的目标和激励因素在某些情况下甚至说不同的“语言”。例如Tran指出“功能”这个词对产品经理和工程师的意义与对科学家的意义大不相同。“我来自一个工程师的视角虽然学习过一些理论但几十年来一直在现实世界的约束条件下将技术理念转化为现实。对我来说理解‘什么可行’比理解‘为什么可行’更重要”Tran说。为了实现两者最好的结合Tran表示Alexa团队正在采用一种比以往更加敏捷的方法——组建由产品经理、工程师和科学家组成的项目团队通常根据目标、功能或所需技术采用不同的组合。没有教条规定特定团队必须包含哪些角色。Tran指出最重要的是每个团队从一开始就理解客户需求、用例、产品市场契合度甚至是盈利策略。从一开始就让科学家参与项目至关重要。“我们总是在团队中配备产品经理、工程师和科学家。有些团队的科学家和工程师比例各占一半。有些团队90%是科学家。这完全取决于我们要解决的问题。”团队的构成会随着项目的进展而变化。有些团队开始时以工程为主导然后确定需要科学研究的用例或问题。另一些团队开始时以科学为主导一旦看到可行的解决方案就逐渐增加更多工程师来构建、测试和迭代。Tran相信团队如何形成和改变的这种推/拉关系——以及快速迭代所需的自主组织和重组能力——是关键。“通常仍然是产品经理描述核心客户需求、用例以及我们将如何解决它”Tran说。“然后科学家会说‘是的这可行或者不这仍然是科幻小说。’然后我们进行迭代并大致正式确定项目。这样我们可以避免花费数月时间尝试构建某些东西如果我们事先做了研究就会发现以现有技术是不可能的。”工程 科学 更智能的食谱推荐最近一个受益于新的敏捷协作方法的项目是Alexa的新型食谱推荐引擎。为了向请求食谱推荐的客户可能是在厨房台面上的某中心Echo Show提供相关的推荐Alexa必须从其庞大的收藏中选出一个食谱同时理解客户的愿望和上下文。我们所有人都有独特的口味、饮食偏好、潜在的食物过敏以及实时的情境因素例如冰箱里有什么、一天中的什么时间以及我们有多少时间准备饭菜。Alexa必须将所有参数都考虑在内以进行食谱推荐并在毫秒内返回一个它认为既高度相关例如墨西哥菜又个性化例如对素食顾客不含肉类的食谱。为了向每位顾客提供相关、安全、满意的推荐所涉及的技术复杂得令人难以置信。“这不是你可以用蛮力工程构建的东西”Tran指出。“这需要很多科学知识。”构建新的食谱引擎需要两个并行项目一个新的机器学习模型经过训练可以从数百万在线食谱库中查找和选择食谱以及一个新的推理引擎以确保Alexa收到的每个请求都附加了去标识化的个人和上下文数据。“我们把它分解了就像构建任何其他软件的过程一样”Tran说。“我们制定了计划确定了任务然后决定每个任务是由科学家还是工程师处理最好或者也许两者合作完成。”Tran表示团队中的科学家主要专注于机器学习模型。他们首先研究了所有现有的、公开可用的食谱推荐机器学习方法——对模型类型进行分类并根据他们认为表现最好的方法进行筛选。“科学家们研究了许多不同的方法——贝叶斯模型、基于图的模型、跨领域模型、神经网络和协同过滤——并确定了一套他们认为最适合我们尝试的六个模型”Tran解释说。“这帮助我们迅速缩小范围而无需详尽尝试每一种可能的模型方法。”与此同时工程师们开始设计和构建新的推理引擎以更好地捕获和分析用户信号包括隐式信号例如一天中的时间和显式信号用户是要求晚餐还是午餐食谱。“你不想在早餐时间推荐鸡尾酒食谱但有时人们想吃煎饼当晚餐”Tran开玩笑说。推理引擎必须构建成能够适应现有用户和从未要求过食谱推荐的新用户的查询。性能和隐私是关键要求。工程团队必须设计和部署该引擎以优化吞吐量同时最小化计算和存储成本并遵守客户从其历史记录中删除个人信息的要求。一旦新的推理引擎准备就绪工程师们就将其与科学家构建和训练的六个机器学习模型集成连接到设计团队构建的新前端界面并相互测试模型以比较结果。Tran表示所有六个模型都相较于基线推荐提升了转化率当用户选择一个推荐的食谱时触发“转化事件”但有一个模型的表现比其他模型高出100%以上。团队选择了该模型该模型目前正在生产中运行。不过食谱项目并未就此结束。既然它已经上线并投入生产就有一个持续改进的过程。“我们总是在从客户行为中学习。哪些是客户真正满意的食谱哪些是他们从不选择的食谱”Tran说。“工程师和科学家之间也有持续的合作以完善解决方案。”未来由科学驱动的Alexa工程为了进一步加速Alexa的创新某中心成立了Alexa首席社区——一个由数百名工程师和科学家组成的矩阵式团队他们致力于Alexa和Alexa相关技术。“我们拥有来自公司各个部门的人员无论他们向谁汇报”Tran补充道。“将我们凝聚在一起的是我们共同致力于Alexa背后的技术这真是太棒了。”今年早些时候该社区的100多名成员包括现场和远程齐聚一堂分享、讨论和辩论Alexa技术。“作为社区小型领导团队成员我主持了几场会议但我主要是为了向同行学习、与同行联系并影响他们”Tran说。Tran非常享受他与科学家们的工作并且觉得他从合作中受益匪浅。“与许多科学家紧密合作帮助我理解最先进的人工智能能做到什么这样我就可以在我设计和构建的系统中利用它。但他们也帮助我理解其局限性这样我就不会高估并试图构建一些在现实时间框架内无法实现的东西。”Tran说现在比以往任何时候都更是在Alexa工作的绝佳时机。“人们的想象力已经被释放出来我们的客户群也是如此”他说。“所以下一个问题是‘Alexa将走向何方’我们正尽我们所能快速为顾客带来新功能。我们有很多正在筹备中的项目正在努力实现这一目标。”更多精彩内容 请关注我的个人公众号 公众号办公AI智能小助手或者 我的个人博客 https://blog.qife122.com/对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号网络安全技术点滴分享