推薦演算法管控

⑴ 30歲後，程序員的出路在哪

程序員是很苦的，技術發展太快，我們需要不斷地學習，以更新知識與技能，否則很快這會被時代所淘汰，沒有成功的程序員，只有時代的程序員，我們不想像諾基亞那樣被時代所拋棄。世界正從IT時代走向DT時代，未來是大數據的時代，企業最有價值的資產就是數據，你所擁有的數據越多你就越有說話權，因此未來企業里最牛逼的員工應該是和數據有關的職位，比如CDO（首席數據官）、數據科學家、數據分析師、數據工程師等，我個人認為這些職位將成為程序員又一個美好的出路。
大數據之愛絕非偶然
1、技術日漸成熟，應用空間得以拓展
大數據技術，最早於1980年被首次提及，卻在近幾年才獲得突飛猛進的發展。相較於幾十年前神經網路演算法捉襟見肘的計算能力，如今處理器對大規模數據的高速處理能力無疑發揮了關鍵性的作用。藉助於處理器的高性能，使我們短時間內完成PB 級數據的機器學習和模型訓練成為可能，由此為高度依賴深度學習的圖像、語音識別產品的快速迭代奠定基礎，大數據應用空間得以拓展，也由此催生了提供相關產品與服務的技術公司。
2、重視數據資產，數據挖掘已成必然
現代信息技術使每日產生的數據量呈指數級增長，企業發展再也無法迴避對數據價值的挖掘與利用。電商平台利用畫像做個性化推薦，互聯網金融公司利用高危識別技術管控金融風險，滴滴出行利用交易數據通過實時定價優化利潤……這些都是對大數據價值的發掘和利用。隨著數據資產意識的加強，數據挖掘也將獲得越來越多結合具體行業場景的重視。
3、技術催生業務新模式，蘊含創業新契機
大數據產業鏈，催生出針對不同版塊提供產品和服務的業務組合新模式，無論是利用推薦演算法做內容服務的今日頭條，還是基於數據整合提供監測服務的 TalkingData，或者是提供底層架構支持的阿里雲，無不是發覺了大數據產業鏈條所蘊含的創業先機。
大數據創業，時至今日熱度不減，雖難出BAT那樣巨頭獨大的局面，其提供的相對公平的競爭機會，依然在吸引著新的創業公司加入。
4、市場供不應求，崗位挑戰空間大
翻看大數據相關招聘崗位，一方面是供不應求的招聘局面，另一方面是騰訊、華為等大牌互聯網公司開出的誘惑薪資，都讓普通崗位的程序員躍躍欲試。
再加上這些崗位相比於傳統的軟體工程，有更高的挑戰空間和更大的難度，自然引得更多人才進入到這個領域。

⑵ 名詞解釋 演算法

演算法（Algorithm）是指解題方案的准確而完整的描述，是一系列解決問題的清晰指令，演算法代表著用系統的方法描述解決問題的策略機制。也就是說，能夠對一定規范的輸入，在有限時間內獲得所要求的輸出。如果一個演算法有缺陷，或不適合於某個問題，執行這個演算法將不會解決這個問題。不同的演算法可能用不同的時間、空間或效率來完成同樣的任務。一個演算法的優劣可以用空間復雜度與時間復雜度來衡量。

⑶ 資料庫在資源充足的表現

如何應對資料庫CPU打滿？最優解在這里...
阿里雲資料庫
2020-04-26 16:48·字數:4996·閱讀:129
如何用好資料庫，調校資料庫使其發揮最優的性能？
如何快速診斷和應對各種原因導致的突發資料庫性能問題？
如何以最低資源成本滿足業務需求？
......
這些復雜的運維難題最優解到底是什麼？
今天（4月22日）15:00資料庫自治服務DAS重磅發布會
現場為你揭曉答案！
資料庫自動駕駛時代一觸即發點擊這里
即可預約直播
今天提前為大家揭秘資料庫自治服務DAS的一個創新功能 —— AutoScale，基於資料庫實例的實時性能數據作為輸入，由DAS完成流量異常發現、合理資料庫規格建議和合理磁碟容量建議，使資料庫服務具備自動擴展存儲和計算資源的能力。
01背 景
為業務應用選擇一個合適的資料庫規格，是每個資料庫運維同學都會經常面臨的一個問題。若規格選的過大，會產生資源浪費；若規格選的過小，計算性能不足會影響業務。
通常情況下，運維同學會採用業務平穩運行狀態下，CPU可處於合理水位（例如50%以下）的一個規格（如4核CPU配8G內存）並配一個相對富餘的磁碟規格（如200G）。
然而在資料庫應用運維同學的日常生活里，線上應用流量突增導致資料庫資源打滿的情況時有發生，而引發這類問題的場景可能多種多樣：
1、新業務上線，對業務流量預估不足，導致資源打滿，如新上線的應用接入了大量的引流，或基礎流量比較大的平台上線了一個新特性功能。
2、不可預知的流量，如突發的輿論熱點帶來的臨時流量，或某個網紅引發的限時搶購、即興話題等。
3、一些平時運行頻次不高，但又偶發集中式訪問，如每日一次的上班打卡場景，或每周執行幾次的財務核算業務。這類業務場景平時業務壓力不高，雖已知會存在訪問高峰，但為節省資源而通常不會分配較高的規格。
當上述業務場景突發計算資源不足狀況時，通常會讓運維同學措手不及，嚴重影響業務，如何應對「資料庫資源打滿」是運維同學常常被挑戰的問題之一。
在資料庫場景下，資源打滿可分為計算資源和存儲資源兩大類，其主要表現：
1、計算資源打滿，主要表現為CPU資源利用率達到100%，當前規格下的計算能力不足以應對；
2、存儲資源打滿，主要表現為磁碟空間使用率達到100%，資料庫寫入的數據量達到當前規格下的磁碟空間限制，導致業務無法寫入新數據；
針對上述兩類問題，資料庫自治服務 DAS 進行了服務創新，使資料庫服務具備自動擴展存儲和計算資源的技術能力，應對上述的問題。
DAS AutoScale基於資料庫實例的實時性能數據作為輸入，由DAS完成流量異常發現、合理資料庫規格建議和合理磁碟容量建議，使資料庫服務具備自動擴展存儲和計算資源的能力。
接下來，本文將對DAS AutoScale服務的架構進行詳細的介紹，包括技術挑戰、解決方案和關鍵技術。
02技術挑戰
計算節點規格調整是資料庫優化的一種常用手段，盡管計算資源規格只涉及到CPU和內存，但在生產環境進行規格變配的影響還是不容忽視，將涉及數據遷移、HA切換、Proxy切換等操作，對業務也會產生影響。
業務有突發流量時，計算資源通常會變得緊張甚至出現CPU達到100%的情況。通常情況下，這種情況會通過擴容資料庫規格的方式來解決問題，同時DBA在准備擴容方案時會至少思考如下三個問題：
1.擴容是否能解決資源不足的問題？
2.何時應該進行擴容？
3.如何擴容，規格該如何選擇？
解決這三個問題，DAS同樣面臨如下三個方面挑戰：
2.1. 挑戰一：如何判別擴容是否能夠解決問題？
在資料庫場景下，CPU打滿只是一個計算資源不足的表徵，導致這個現象的根因多樣，解法也同樣各異。例如業務流量激增，當前規格的資源確實不能夠滿足計算需求，在合適的時機點，彈性擴容是一個好的選擇，再如出現了大量的慢SQL，慢SQL堵塞任務隊列，且佔用了大量的計算資源等，此時資深的資料庫管理員首先想到的是緊急SQL限流，而不是擴容。在感知到實例資源不足時，DAS同樣需要從錯綜復雜的問題中抽絲剝繭定位根因，基於根因做出明智的決策，是限流，是擴容，還是其它。
2.2. 挑戰二：如何選擇合適的擴容時機和擴容方式？
對於應急擴容時機，選擇的好壞與緊急情況的判斷准確與否密切相關。「緊急」告警發出過於頻繁，會導致實例頻繁的高規格擴容，產生不必要的費用支出；「緊急」告警發出稍晚，業務受到突發情況影響的時間就會相對較長，對業務會產生影響，甚至引發業務故障。在實時監控的場景下，當我們面臨一個突發的異常點時，很難預判下一時刻是否還會異常。因此，是否需要應急告警變得比較難以決斷。
對於擴容方式，通常有兩種方式，分別是通過增加只讀節點的水平擴容，以及通過改變實例自身規格的垂直擴容。
其中，水平擴容適用於讀流量較多，而寫流量較少的場景，但傳統資料庫需要搬遷數據來搭建只讀節點，而搬遷過程中主節點新產生的數據還存在增量同步更新的問題，會導致創建新節點比較慢。
垂直擴容則是在現有規格基礎上進行升級，其一般流程為先對備庫做升級，然後主備切換，再對新備庫做規格升級，通過這樣的流程來降低對業務的影響，但是備庫升級後切換主庫時依然存在數據同步和數據延遲的問題。因此，在什麼條件下選擇哪種擴容方式也需要依據當前實例的具體流量來進行確定。
2.3. 挑戰三：如何選擇合適的計算規格？
在資料庫場景下，實例變更一次規格涉及多項管控運維操作。以物理機部署的資料庫變更規格為例，一次規格變更操作通常會涉及數據文件搬遷、cgroup隔離重新分配、流量代理節點切換、主備節點切換等操作步驟；而基於Docker部署的資料庫規格變更則更為復雜，會額外增加Docker鏡像生成、Ecs機器選擇、規格庫存等微服務相關的流程。因此，選擇合適的規格可有效地避免規格變更的次數，為業務節省寶貴的時間。
當CPU已經是100%的時候，升配一個規格將會面臨兩種情況：第一種是升配之後，計算資源負載下降並且業務流量平穩；第二種是升配之後，CPU依然是100%，並且流量因為規格提升後計算能力增強而提升。
第一種情況，是比較理想的情況，也是預期擴容後應該出現的效果，但是第二種情況也是非常常見的情形，由於升配之後的規格依然不能承載當前的業務流量容量，而導致資源依然不足，並且仍在影響業務。如何利用資料庫運行時的信息選擇一個合適的高配規格是將直接影響升配的有效性。
03解決方案
針對上述提到的三項技術挑戰，下面從DAS AutoScale服務的產品能力、解決方案、核心技術這三個方面進行解讀，其中涉及RDS和PolarDB兩種資料庫服務，以及存儲自動擴容和規格自動變更兩個功能，最後以一個案例進一步具體說明。
3.1. 能力介紹
在產品能力上，目前DAS AutoScale服務針對阿里雲RDS資料庫和PolarDB數據提供存儲自動擴容服務和規格自動變配服務。
其中，針對即將達到用戶已購買規格上限的實例，DAS存儲自動擴容服務可以進行磁碟空間預擴容，避免出現因資料庫磁碟滿而影響用戶業務的發生。在該服務中，用戶可自主配置擴容的閾值比例，也可以採用DAS服務預先提供的90%規格上界的閾值配置，當觸發磁碟空間自動擴容事件後，DAS會對該實例的磁碟進行擴容；
針對需要變更實例規格的資料庫實例，DAS規格自動變配服務可進行計算資源的調整，用更符合用戶業務負載的計算資源來處理應用請求，在該服務中，用戶可自主配置業務負載流量的突發程度和持續時間，並可以指定規格變配的最大配置以及變配之後是否回縮到原始規格。
在用戶交互層面，DAS AutoScale主要採用消息通知的方式展示具體的進度以及任務狀態，其中主要包括異常觸發事件、規格建議和管控任務狀態三部分。異常觸發事件用於通知用戶觸發變配任務，規格建議將針對存儲擴容和規格變配的原始規格和目標值進行說明，而管控任務狀態則將反饋AutoScale任務的具體進展和執行狀態。
3.2 方案介紹
為了實現上面介紹的具體能力，DAS AutoScale實現了一套完整的數據閉環，如圖1：
圖1 DAS AutoScale數據閉環
在該閉環中，包含性能採集模塊、決策中心、演算法模型、規格建議模塊、管控執行模塊和任務跟蹤模塊，各模塊的具體功能如下：
性能採集模塊負責對實例進行實時性能數據採集，涉及資料庫的多項性能指標信息、規格配置信息、實例運行會話信息等；
決策中心模塊則會根據當前性能數據、實例會話列表數據等信息進行全局判斷，以解決挑戰一的問題。例如可通過SQL限流來解決當前計算資源不足的問題則會採取限流處理；若確實為突增的業務流量，則會繼續進行AutoScale服務流程；
演算法模型是整個DAS AutoScale服務的核心模塊，負責對資料庫實例的業務負載異常檢測和容量規格模型推薦進行計算，進而解決挑戰二和挑戰三的具體問題；
規格建議校驗模塊將產出具體建議，並針對資料庫實例的部署類型和實際運行環境進行適配，並與當前區域的可售賣規格進行二次校驗，確保的建議能夠順利在管控側進行執行；
管控模塊負責按照產出的規格建議進行分發執行；
狀態跟蹤模塊則用於衡量和跟蹤規格變更前後資料庫實例上的性能變化情況；
接下來，將分別針對DAS AutoScale支持的存儲擴容和規格變配兩個業務場景進行展開介紹。
!圖2 存儲擴容方案](https://upload-images.jianshu.io/upload_images/16625435-f448260506c94c56.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240 "lADPD26eLFb47F_NAW3NBDg_1080_365.jpg_720x720q90g.jpg")
存儲擴容的方案見圖2，主要有兩類觸發方式，分別是用戶自定義觸發和演算法預測觸發。其中，演算法將根據資料庫實例過去一段時間內的磁碟使用值結合時序序列預測演算法，預測出未來一段時間內的磁碟使用量，若短時間內磁碟使用量將超過用戶實例的磁碟規格，則進行自動擴容。每次磁碟擴容將最少擴大5G，最多擴大原實例規格的15%，以確保資料庫實例的磁碟空間充足。
目前在磁碟AutoScale的時機方面，主要採用的是閾值和預測相結合的方式。當用戶的磁碟數據緩慢增長達到既定閾值（90%）時，將觸發擴容操作；如果用戶的磁碟數據快速增長，演算法預測到其短時間內將會可用空間不足時，也會給出磁碟擴容建議及相應的擴容原因說明。
圖3 規格變配方案
規格變配的方案見圖3，其具體流程為：首先，異常檢測模塊將針對業務突發流量從多個維度（qps、tps、active session、iops等指標）進行突發異常識別，經決策中心判別是否需要AutoScale變配規格，然後由規格建議模塊產生高規格建議，再由管控組件進行規格變配執行。
待應用的異常流量結束之後，異常檢測模塊將識別出流量已回歸正常，然後再由管控組件根據元數據中存儲的原規格信息進行規格回縮。在整個變配流程結束之後，將有效果跟蹤模塊產出變配期間的性能變化趨勢和效果評估。
目前規格的AutoScale觸發時機方面，主要是採取對實例的多種性能指標（包括cpu利用率、磁碟iops、實例Logic read等）進行異常檢測之後，結合用戶設定的觀測窗口期長度來實現有效的規格AutoScale觸發。
觸發AutoScale之後，規格推薦演算法模塊將基於訓練好的模型並結合當前性能數據、規格、歷史性能數據進行計算，產出更適合當前流量的實例規格。此外，回縮原始規格的觸發時機也是需要結合用戶的靜默期配置窗口長度和實例的性能數據進行判斷，當符合回縮原始規格條件後，將進行原始規格的回縮。
3.3核心技術支撐
DAS AutoScale服務依賴的是阿里雲資料庫數據鏈路團隊、管控團隊和內核團隊技術的綜合實力，其中主要依賴了如下幾項關鍵技術：
1.全網資料庫實例的秒級數據監控技術，目前監控採集鏈路實現了全網所有資料庫實例的秒級採集、監控、展現、診斷，可每秒實時處理超過1000萬項監控指標，為資料庫服務智能化打下了堅實的數據基礎；
2.全網統一的RDS管控任務流技

⑷ 大數據是什麼，是怎麼帶動經濟發展的

大數據的概念

概念：難以用常規的資料庫工具獲取、存儲、管理、分析的數據集合。

特徵：

1、數據量大：起始單位是PB級的。

1KB=1024B

1MB=1024KB

1GB=1024MB

1TB=1024GB

1PB=1024TB

1EB=1024PB

1ZB=1024EB

2、類型多：

結構化、板結構化、非結構化：網諾日誌、音頻、視頻、圖片、地理位置等信息混雜。

3、價值密度低：

獲取數據的價值就像是淘金一般。

4、速度快時效高：

數據呈指數倍增長，時效性要求高，比如搜索引擎要求幾分鍾前的新聞能夠被用戶查詢到，個性化推薦演算法盡可能的完成實時推薦。

5、永遠在線：

大數據時代的數據是永遠在線的，隨時應用計算，這也是區別於傳統的數據的最大特徵。

大數據從哪來

1、搜索引擎服務

網路數據量1000PB，每天響應138個國家數十億次請求，每日新增10TB

2、電子商務

3、社交網路

QQ：8.5億用戶，用4400台伺服器存儲用戶產生的信息，壓縮後的數據100PB，每天新增200~300TB

4、音視頻在線服務

5、個人數據業務

6、地理信息數據

7、傳統企業

8、公共機構

智慧城市：攝像頭拍攝的圖片，1080P高清網路攝像機一月產生1.8TB數據，大點的城市50萬個攝像頭，一個月3PB的數據量。

醫療、中國的氣象系統。

大數據的存儲與計算模式

存儲：

面臨的問題：數據量大、類型復雜（結構化、非結構化、半結構化）

關鍵技術：

1、分布式文件系統（高效元數據管理技術、系統彈性擴展技術、存儲層級內的優化、針對應用和負載的存儲優化技術、針對存儲器件的優化技術）

2、分布式資料庫

事務性資料庫技術：NoSQL：（支持非關系資料庫、具有多個節點分割和復制數據的能力、用最終一致性機制解決並發讀操作與控制問題、充分利用分布式索引及內存提高性能）代表有：BigTable、HBase、MongoDB、Dynamo。

分析型的資料庫技術：Hive 、Impala

3、大數據索引和查詢技術

4、實時流式大數據存儲與處理技術

計算：

面臨的問題：數據結構特徵、並行計算（以分布式文件為基礎的Hadoop以分布式內存緩存為基礎的Spark）、數據獲取（批處理流處理）、數據處理類型（傳統查詢數據挖掘分析計算）、實時響應性能、迭代計算、數據關聯性（先map一下再rece一下）。

關鍵技術：

1、大數據查詢分析計算模式與技術：HBase、Hive、Cassandra、Impala

2、批處理計算：Hadoop MapRece、Spark

3、流式計算：Storm、Spark Steaming

4、圖計算：Giraph、GraphX

5、內存計算：Spark、Hana（SAP公司全內存式分布式資料庫系統）、Dremel

應用領域

1、智慧醫療（臨床數據、公共衛生數據、移動醫療健康數據）（共享疾病案例，基因分類參考）

2、智慧農業（主要指依據商業需求進行農產品生產，降低菜殘傷農概率）

3、金融行業：

精準的營銷：根據可與習慣進行推銷

風險管控：根據用戶的交易流水實施反欺詐

決策支持：抵押貸款這一塊，實施產業信貸的風險控制。

效率提升：加快內部數據處理。

產品設計：根據客戶的投資行為設計滿足客戶需求的金融產品。

4、零售行業（對零售商來說：精準營銷（降低營銷成本，擴大營銷額）；對廠商：降低產品過剩）

5、電子商務行業

6、電子政務

希望對您有所幫助！~

⑸ java程序員如何轉型做大數據

有java基礎轉型大數據相對較為簡單
1、有著充足的學習資料
2、有著詳盡的學習課程安排
3、最好有人能給指導自己
4、有真實的項目讓自己實操
5、自己加倍努力

⑹ 論內容理解演算法

經過幾年的膨脹期，演算法的熱度快速下降，不論是AI四小龍的上市之路艱辛，還是各大頭部互聯網公司的副總裁重返學術界，以及演算法人員的招聘凍結。這里有總體經濟形勢惡化帶來的影響，也與演算法本身的能力上限有關，在各類學習任務上，演算法的性能正在逐漸進入瓶頸，通用任務效果提升的梯度在逐漸變小，有效的進展都依賴於超大規模的數據和模型參數，以通用語義表徵任務為例，完成一次超大規模的預訓練模型的成本達到數百萬元，極大地限制了中小企業參與的機會。

在業務應用方面，經過幾年的持續建設和多種類型功能的輸出，業務依賴的不同方向所對應的內容理解演算法在應用和效果層面已趨成熟，能夠帶來驚喜效果的機會變的很少。這種形勢下，作為偏後台支持的角色，如何去識別並持續深化內容理解演算法的作用變得很重要。本文試圖從價值視角分析內容理解的生存形勢，發掘未來發展的可能性以及從業人員的應對手段方面做了些不算嚴謹的闡述。

一直以來我們定義內容理解演算法為業務的萬金油，隨時隨地可以插拔式應用。從配合內容生產者做創作提示，幫助運營做質量分析，版權保護，相似查找，幫助搜索演算法提供長尾查詢的效率增強，幫助推薦演算法提供標簽等細粒度語義特徵，根據消費者的負向反饋進行同類型的內容屏蔽(如軟色情，惡心，不喜歡的明星)。因此很自然地，我們把內容理解演算法的使命定義為「內容流轉的全鏈路提質提效」，這里的質量包含對確定性劣質的去除，以及優質內容的免審或者高曝推薦。效率指的是把內容從生產到消費的鏈路上的時間優化到最快，包括配合運營進行快速的內容篩選，輔助分發演算法進行人群和內容的精準匹配。

這里需要回答的是，在上述相對完備的能力基礎上，內容理解演算法所能提供的最核心的價值是什麼？

首先是客戶的定義問題，內容理解演算法的客戶不是運營，不是分發演算法，也不是生產者和消費者。而是要回歸到最原始的「內容」，用於對內容進行附加值的極大化提升。

其次，參與到內容流轉各環節的角色承擔了對內容理解演算法的價值落地和放大，不論是運營所主導的平台意志實現，分發演算法對內容和消費者的高效匹配，以及生產者和消費者分別從內容供給和消費方面對內容理解演算法的訴求。

最後，內容本身是一種載體，載體背後是人對現實世界的刻畫，平台層面有對內容進行按需取用的邏輯，消費者也有用腳投票的權利，這里的內容理解演算法不應當做任何的自我傾向，按照業務訴求的多樣化能力輸出是內容理解存在的核心價值，否則通過簡單搬運學術界的開源模型便可形成表面上的業務能力堆砌，顯然是無法滿足業務的增長訴求。

因此，我們可以形成價值定義： 「內容理解演算法的核心價值是內容全生命周期內，根據服務業務的多樣化訴求，提供智能化和結構化的理解能力，其衡量標准為上述能力帶來的附加效率提升和成本下降。」

從這個定義來看，內容理解演算法似乎沒有站在主戰線上，價值被隱性地統計起來。實則不然，就如戰爭一樣，沖鋒在前的部隊只有少數，而承擔防守和輔助任務的兵種實際上是不可或缺的，很多時候也決定了戰爭的走向， 歷史 上由於後勤保障問題導致戰爭走向改變的例子比比皆是。就如定義中的效率提升，它其實不是一票式的，由於效率的提升會帶來供給者和消費者的規模增大，又會產出對內容理解演算法效率提升的更多訴求，這種正反饋式的鏈路也是內容業務可以快速實現既定目標的重要方式。

一、估值 游戲

以2021年11月小紅書的估值來看，彼時6千萬DAU和47分鍾人均時長的內容社區獲得200億美金的估值認可，這屬於一個早期內容社區經歷過較長時間的成長後才能達到的高度。考慮一個相對創新內容業務，兩到三年的時間想要達到5000萬DAU和5分鍾的人均時長其實還是比較困難的，按照對標小紅書的邏輯，估值上限為30億美金，假設內容理解演算法對業務貢獻率用3%折算，估算下來內容理解估值為9千萬美金，按照簡單的市銷率10倍計算，內容理解每年的營收為900萬美金(按照估值反推營收的原因是是內容理解演算法對業務的點狀式能力輸出難以做到精準的量化統計)。

900萬美金是非常尷尬的數字，因為內容理解演算法存在比較高昂的成本，從大頭上來看，內容理解演算法支出分為三部分，第一部分是演算法人員，以15人的支撐團隊計算（看起來有點多，實則不然，想要支撐對未來預期的增長，15個人實際並不夠用），按照單人每年的支付成本150萬計算(這個成本折算到員工回報大約為100萬左右，已經沒多大市場競爭力)，大約400萬美金/年；第二部分是資源消耗，按照百萬內容/天的規模計算，各種資源成本(包括機器，存儲、輔助軟體等)大約500萬美金/年；第三部分是配套工程人員，產品經理，外包標注支持等，這部分大約150萬美金/年。可以看到業務發展到這個階段，內容理解演算法是入不敷出的。

按照上述口徑，能夠改善內容理解價值的核心方法包括三個方向，一是業務估值的上升，需要業務DAU和時長的穩定提升。二是內容理解演算法的業務貢獻率提升，這里對內容理解演算法的要求是比較高的，不僅僅要從內容的質量，生產者的輔助，分發流量效率，業務的大盤生態，或者業務商業化上有所作為。三是降低成本，這個路徑的可行性很弱，反倒是隨著業務的成長，成本的消耗會進一步增加，能夠做的是控製成本增長的速度小於業務增長。

「按照業務貢獻對處於業務發展前期的內容理解演算法進行價值衡量，情況是非常不樂觀的」。

二、價值重塑

前面的視角是業務閉環下的價值衡量，放開到更大的視角，內容理解演算法之所以構成相對獨立的功能單元是因為它提供的能力是相對通用的，比如標簽識別演算法不僅僅可用於小紅書，也可用於抖音和快手這樣的內容業務。

因此在支撐具體的業務的過程中沉澱出通用演算法進行其他類似業務的價值輸出，是內容理解演算法的另一扇門。這裡面臨的另一個問題是如果是頭部業務，一定是要求內容理解演算法是為它量身定製的，而中小業務願意為內容理解演算法買單的價錢是有限的。針對這個問題的核心解法是在做頭部業務能力定製的時候，提供盡可能通用的能力，通過對數量眾多的中小業務形成價值輸出，實現量級的堆砌。

此外，要差異化成熟業務和創新業務，對於成熟業務而言，內容理解演算法對業務的微小提升可能是非常明顯的，以京東平台為例，如果內容理解演算法通過圖像搜索或者同款識別等能力提升業務成交0.1%，也將是數億美金每年的價值加成。對於創新業務而言，內容理解演算法應當深入業務，從內容的全生命周期為業務提供硬核的能力，用以幫助業務實現生產者和消費者體感的明顯提升，最終帶來業務的正反饋式增長，早期的抖音就是依託炫酷的AI特效體系實現用戶規模的快速增長。

「目前能看到的，讓內容理解演算法進行價值放大的有效途徑是貼身服務頭部業務的過程中，沉澱通用化能力橫向輸出盡可能多的同類型業務。針對成熟業務尋找對業務增長的確定性增長點，創新業務尋找到適合於業務快速增長的硬核能力」。

作為一名內容理解演算法沉浮六年的老兵，我對內容理解演算法的未來持謹慎樂觀的態度。原因有三個方面，一是這一輪深度學習帶來的演算法提升空間變得有限；二是互聯網用戶進入存量時代後，頭部內容會更加精耕細作，從追求效率轉向運營的精細化和粘性保持；三是對未來可能出現的下一代內容消費方式的期待和觀望。

一、相對有限的演算法提升空間

過去的幾年，內容理解演算法的演進可以分為三個方向，一次是從傳統的手工特徵到神經網路特徵的升級，通過大數據和大算力實現效果的明顯提升，也極大降低了演算法人員的准入門檻；二是對內容的理解從單一模態升級為多模態&跨模態，以及以圖神經網路為基礎的推理能力；三是極大規模數據的模型學習，即以大規模預訓練模型為基礎的統一內容表徵方式，催生了transformer家族的不斷壯大。

然則，演算法的性能逐漸接近瓶頸，不論是在看圖說話、 情感 分析、還是標簽識別等演算法任務上距離人類仍然存在一定的距離，並且這份距離看起來短期內沒有明確的突破機會。反倒是業界開始從監督學習往無監督學習靠近，試圖利用海量數據學到背後的範式，這本質上是對追趕上人類能力的背離。

以transformer為例，百億數據下訓練一次消耗數百塊GPU，數周的訓練時間才有可能獲得明顯的效果的提升，這還不包括精細的網路調整的令人沮喪時間成本。此外下游任務想要得到期待的效果，還需要進一步的遷移學習。從表象來看，只是提供一個更好的演算法學習的起點。

我們經歷了一個業務對我們翹首以待到逐漸理性的合作過程，AI演算法從來就無法成為救世主，而是有更強生產力的工具。當然我們不應當過於悲觀，起碼過往的幾年，蓬勃發展的演算法體系帶來了從業人員的准入門檻極大下降，大眾對AI演算法的廣泛認知也有助於內容理解演算法相對長期的旺盛生命力和成長。

二、存量用戶時代的內容社區的運營方式

中國互聯網用於見頂，意味著各大內容業務必須進入存量用戶階段。存量用戶階段面臨的困境是粗放式增長不復出現，用戶群體開始細分，用戶粘性變得更加艱辛，要求內容社區必須進行精細化運營。精細化運營背後的表現為對效率的要求下降，轉而對用戶心智和長期的戰術保持耐心。這種情況下內容理解演算法會成為散落到業務眾多需求列表的功能支撐點，獨當一面的機會愈發減少。

「從演算法學習的角度來看，人的創意，玩法設計，互動屬性是目標(ground truth)的天花板，因此此時此刻保持工具屬性是相對合理的態度」。

三、下一代的內容消費方式

互聯網時代的內容消費經歷了文本到圖像的升級，再到視頻的升級，每一次內容消費升級背後產出對內容理解演算法的爆發式增長，那麼下一代的內容消費方式又是什麼呢？

業界目前正在押注元宇宙，facebook甚至把名字都改成了meta。過去有幾波VR/AR的熱潮，看起來除了在某些線上成人網站和線下 游戲 設備之外，並未有足夠顛覆我們日常生活方式的輸出。

人類對更高級的感知外部環境和與他人無時空差別的交互需求是明確存在的，只是它是否由「元宇宙」承載卻是個未知數。如果元宇宙是這個載體的話，那麼虛擬世界的感情識別，觸感生成，自然交互，生態的 健康 治理，超大規模內容消費下的負載下降會是內容理解演算法可以嘗試去攻克和深耕的全新地帶，也會承擔更為核心的角色。

「下一代的內容理解消費方式有機會成為內容理解的下一個主戰場，但是目前的形勢並不明朗，需要我們保持耐心地思考和觀望」。

四、其他的可能

拋開頭部綜合性AI大廠商如網路，騰訊，阿里巴巴，華為等企業作為內容理解多樣性需求輸出的第一極之外，還有以內容理解演算法作為平台能力輸出的第二極，比較有名的是AI四小龍(商湯、曠視、依圖，雲從)，以及深度結合各民生領域的產業AI能力輸出。

醫療AI，解決醫療資源匱乏導致看病需求無法被滿足，人工看診時間長等問題。比較典型的case是COVID-Moonshot眾包協議，由500多名國際科學家共同參與，以加速COVID-19的抗病毒葯物研發。

教育AI，解決優質教育資源匱乏導致的分配不公，及教師和學生的信息不對稱問題，雖然國家正在推新教育雙減政策，但是教育作為一項基本的人身權利應當得到更好的滿足，比較知名的企業有松鼠AI，猿輔導等。

製造AI，解決製造車間設備、數量、功能增多、調度分配難度大、需求端個性化要求等問題，利用AI，自動化，IOT，邊緣計算，雲，5G等手段，充分利用生產車間的海量價值數據，把人從簡單重復的勞動中解放出來以從事更高級的任務，幫助提高產量的同時降低缺陷率，比較知名的企業有正在香港上市的創新奇智和創新型工業AI-PASS平台提供商遠舢智能等。

此外，還有在智能駕駛、智慧城市、晶元AI等產業領域深度耕耘的各種公司，他們正在充分發揮大數據和AI演算法的能力，為各大產業帶來源源不斷的創新能力。

回到內容理解演算法的現存生存環境，仍然存在一定的潛力可以挖掘。在下一代內容消費方式到來之前，可以做得更好，形成與上下游的積極聯動，在現在的舞台上展現出更佳的風采。

一、產品

內容理解演算法的產品是不是剛需，這個話題有點爭議，有人說演算法的產出速度是比較慢的，讓昂貴的產品角色參與建設本身會存在浪費的情況。我個人認為內容理解演算法所對應的產品角色必須具備，因為在龐大的業務體系後面，如果缺失了面向業務需求的自頂向下的內容理解演算法體系設計和建設，非常容易出現業務賦能的水土不服。

產品需要考慮的核心問題是如何衡量長期和短期投入，演算法是比較精細的工作，對結果的預期是非確定性的，因此需要做好對業務預期的管理以及同業務需求的及時交互。為了保障演算法最終在業務的使用效果，前期可以通過簡化版本或者半成品演算法的產品化方案進行快速試錯，幫助業務決策的同時給演算法的長期迭代爭取空間。此外，針對演算法長期迭代設計有效的樣本數據迴流機制，通過配置化輸出給到業務盡可能多的試錯方式，以及業務上線使用後的效果實時監控等都是產品需要思考的工作。

二、運營

運營應該是內容理解演算法打交道最頻繁的相關方，內容理解演算法的評價標准和業務適配都需要運營來進行構建和監控。內容理解演算法是運營進行內容供給生態和消費生態運營的智能助手，從內容結構化標簽角度提供到運營各種分析使用方式，如內容審核、內容圈選，內容人群定投等。

和運營打交道對內容理解演算法提出高要求，如何快速衡量需求的合理性及可行性非常關鍵。有時候內容理解演算法做了過度承諾，導致上線效果不佳，影響業務的發展。有時候對演算法實現效果的不自信或產品化用法借力不夠從而拒絕需求導致業務失去寶貴的試錯機會。因此內容理解演算法應當對內容運營的鏈路有相當的掌握，可以和運營一起定義全鏈路演算法能力，從應用的視角推進演算法需求的合理有序的開展。

三、生產者

生產者對於平台來說至關重要，巧婦難為無米之炊，不論運營和分發演算法多麼牛逼，缺少了高質量的內容生產來源，業務是不可能有持續增長的。通常情況下兩千優質生產者加上數萬的普通生產者即可支撐起千萬DAU的業務，如何服務好這部分生產者對平台來說非常關鍵。

內容理解演算法和生產者目前的主要交互方式包括幾個方面，一是在內容生產的時候給到生產者的內容元素的智能推薦，如話題，標題，配樂的推薦等；二是進行內容展現效果的提升，如濾鏡，貼紙，美顏，畫質增強等；三是從質量層面給予生產者指導和管控，包括從業務視角給到生產者發布的內容大致因為何種理由不被平台採納，內容高熱趨勢消費榜單，內容的版權保護等。

從生產者視角來看，盡可能多地從平台獲取流量或者商業化價值是根本追求，因此往往會出現對平台規則的不斷試探以攫取利益，如發布大量的擦邊球或危言聳聽的內容。內容理解演算法需要在內容供給規模不斷變大的情況下幫助平台保持 健康 的生態和有效的流量分配同時盡可能給到生產者更多指導。這種相愛相殺的關系也給內容理解演算法帶來了不少的挑戰和生存空間。

四、分發演算法和消費者

把分發演算法和消費者放在一起的核心邏輯是內容理解演算法絕大部分情況下是需要通過分發演算法和消費者打交道的。從消費者視角觀察，高活用戶代表主流心智，如何服務好這波群體關繫到業務的生存問題。中低活用戶是平台的增量所在，持續加強這部分用戶的平台粘性是關鍵任務(這里會有部分用戶的出逃，為了維護平台的心智，這部分的犧牲是可接受的)。分發演算法承擔了把海量內容做負載下降後根據用戶的長短期興趣進行推薦的使命，分發演算法是需要秉承平台意志的，用於進行內容的流量調配用於影響消費者的體感和心智，給平台帶來源源不斷的生機。

早期編輯為主的內容分發模式下，消費者是被教育的對象，一天之內能夠看到的新鮮內容是非常少的，這種情況導致消費者的瀏覽深度和時長是受限的。個性化推薦模式下，用戶的興趣被極致放大，由於相關內容和新鮮內容的快速推送，消費者會感受到強烈的沉浸式消費體感。然而內容的多樣性，消費體感的持續維護，興趣的拓展等變得非常重要，這給分發演算法的精準性提出很高要求。提供分發演算法細粒度的識別能力是內容理解演算法可以大展身手的機會，內容是否具備不錯的分發潛力以加大分發流量？內容的適合人群是什麼？用戶無序瀏覽背後的核心興趣是什麼？軟色情/部分人群不喜好內容(蛇蟲寵物)如何精準識別用以分發調控等問題都是分發演算法難以觸達的地方，這些命題正是內容理解演算法可以深入研究並影響內容分發和消費的重要方面。

除了特定的場景(如互動玩法，個性化封面圖等)，內容理解演算法應當恪守自己在內容生命周期的參與廣度。涉及到內容的分發和消費，內容理解演算法應當把自己定義為分發演算法不可或缺的助力，而不是試圖去做替換，站在內容理解演算法視角，分發演算法可以約等於消費者。以飯館運作為例，分發演算法是大廚，根據消費者的口味和食材和菜譜提供個性化的食物服務。內容理解演算法可以對食材進行質量管控，研發新的菜譜，在必要的時候提供半成品的菜品。和消費者的交互交由分發演算法來處理，畢竟術業有專攻，內容理解演算法可以在對內容的深度理解和消費者洞察上做縱向的深入，提供更多的可能性，包括生態、多樣性、內容保量等。

內容理解演算法和分發演算法的理想態是正和 游戲 ，零和 游戲 對雙方都是沒有意義的，因此這里額外對內容理解演算法提出的要求是在內容消費場景建立一套相對客觀的評價體系，通過演算法的標准化評估進行上線流程的加速，通過不斷的快速試錯給分發演算法提供更多槍支彈葯。

五、工程&數據分析

一個好漢三個幫，內容理解演算法背後也站著一群小夥伴，面向演算法生產的大規模工程基礎設施和面向演算法洞察的數據分析能力可以幫助內容理解演算法更好的發展。在內容爆炸式增長的今天，高效的演算法工程體系非常關鍵，甚至是拉開不同公司差距的最重要手段之一。有個非常明顯的例子，在業界舉辦的各種演算法大賽上，只要是大型互聯網公司參賽基本上都會出現霸榜的情況，這背後是模型訓練效率的強大先發優勢，擁有百塊級別GPU並發訓練能力的高校是非常少的。此外以通用向量檢索功能為例，百億級的向量索引能力在有限的算力和內存消耗下穩定運行起來是需要大量的工程優化手段的，而這個功能對演算法的高效使用至關重要。

服務於內容理解演算法，數據分析有非常多的應用。根據消費統計行為構建面向內容興趣的用戶畫像，風向趨勢內容消費對供給的指導，層次耦合的內容標簽的合理掛靠關系，演算法上線前的有效性分析，及演算法上線後持續監控和異常告警等。

內容理解演算法需要做的是面向業務場進行完整的架構設計，從演算法的效率角度，包括演算法服務效率，演算法洞察視角等方面聯動工程&數據分析提供強大的生產力，通過規模和系統厚度構建足夠的技術門檻。

2021年對中國互聯網，甚至是中國 社會 的前行都是不同尋找的一年，在全球經濟下行，國家間人為壁壘構建的情況下，恰恰又遭遇了國內人口增長的停滯，國家對互聯網平台的強管控，以及互聯網用戶滲透的見頂。

內容理解演算法背後的AI演算法體系多少也收到了波折，不過從整體形勢來看，AI演算法體系和產業化仍然在往前走。基礎理論研發體系中對應的論文發表、會議舉辦及大賽的舉行和參賽人員的規模都在增長。這兩年的遇冷問題主要是受到市場大環境的影響，AI占總體投資的比重仍然在上升。從國內方面來看，全球經濟的技術封鎖進一步堅定了中國立足自主創新的決心和信心，國家十四五計劃也明確提出了大數據，人工智慧，VR/AR的產業發展規劃，AI產業仍然有很強的潛力值得挖掘。

作為依附於業務的內容理解演算法，需要有清晰的自我認知和定位。我們的核心價值是什麼？它如何得到有效的定義和量化？作為服務於業務眾多角色中的一員，如何做好同其他角色的正向互動？上述問題背後的答案代表了內容理解演算法的核心作用。現在的演算法界有一股投機風，什麼熱門就搞什麼，有號稱無需數據標注的無監督學習，有號稱可以效果對標大量標注樣本的小樣本學習，有號稱單個演算法模型打遍天下的多模態預訓練學習等等。如果從問題抽象簡化的角度去研究基礎的理論體系和演算法學習範式是沒有問題的，但是如果業務的算同學也把這類概念擺在嘴上是有問題的，脫離了業務場景的核心訴求去談技術創造新商業，是一種對客戶的傲慢，屬於典型的機械主義。

作為深度結合業務的內容理解演算法，應當從業務場景出發，結合演算法的可行性去 探索 用於業務賦能的核心技術，對於明確可以產生正向業務價值的演算法技術，哪怕需要較長一段時期的打磨，也要敢於投注建設，在演算法研發的過程中不斷地思索業務的更多可能性，逐漸把業務的不確定性轉化為技術的相對確定性。對於較長時間無法形成對業務貢獻的演算法，應當果斷放棄深入研究，當然作為技術觀望跟進是沒有問題的。

從目前形勢來看，內容理解演算法的發展確實碰到了一些困難，但我們可以保持對未來的謹慎樂觀，期待下一代內容消費形態的來臨，同時盡可能多地進行業務場景的細化進行能力輸出和加強，把存量業務價值做好放大，通過演算法自身的持續建設，為將來可能來臨的那一刻做好技術儲備。

⑺ 管控率怎麼算

管控率演算法為，管控率=進度/總進度。
經查閱，根據公式定理，管控率=進度/總進度。
管控率是管理制度或榮或衰的重要標志。制度發展，事實上必然表現為管理效率的提高，反之，則是管理效率的下降。

⑻ B站回應一年被約談十多次，公共平台需要怎樣的社會導向

B站回應一年因涉黃被約談10餘次，並提出了為期兩周的整改期間內組織專項人力排查和處理了相關稿件 。公共平台需要營造一個風清氣正的網路空間。具體如下：

各公共平台只有落實了傳播社會主義核心價值觀的主體責任，同時嚴格審核監管平台內容，才能對公眾有正確的引導，才能營造一個風清氣正的網路空間。

對於公共平台需要怎樣的社會導向，大家有什麼看法，歡迎留言。

⑼ miui9有什麼新功能

MIUI 9系統採用更加簡潔、輕快、生動的設計，讓手機使用起來高效而富有活力。MIUI 9解決用戶對快的訴求，MIUI 9以「快如閃電」為產品設計宗旨，全方位圍繞「快」體驗進行大幅改進和優化，最終打造出流暢、穩定、省電的手機系統。 MIUI 9聚焦流暢體驗，克服手機系統卡、慢、熱的問題，提供快如閃電般操作感受。 全新推出的傳送門、信息助手、快速查找照片等極速功能，幫助你極速獲取內容，讓你和「手機」這位親密伴侶的相處變得簡單而有趣。 還對系統進行了適度精簡和瘦身，得益於系統基礎體驗的大幅優化和提升，你將使用到比以往更加穩定、流暢和省電的全新MIUI系統。 2、閃電系統 為確保手機流暢體驗，MIUI 9通過採用應用啟動加速、 動態資源分配、持續自動整理、全新文件系統、內存實時反碎片等黑科技手段，使手機系統的流暢度快如閃電，而能耗卻更低 使用MIUI 9，你就可以感受到流暢、穩定、 省電的手機系統應有的樣子。 3、應用啟動速度快 應用啟動加速是對系統爆發力的考核。MIUI 9從系統底層進行深度優化，通過採用全新文件系統、觸屏反饋優化、CPU智能增速、線程調度優化等技術，實現系統級啟動加速。 MIUI 9做了系統級的應用啟動加速優化， 無論是MIUI系統應用，還是開發者提交的第三方應用和游戲，當你點擊打開時，便會感受到令人驚嘆的啟動響應速度。真正做到應用啟動速度快如閃電。 在艾瑞TOP50熱門應用啟動速度對比中，搭載MIUI 9的小米6以43個應用啟動領先獲勝。大幅領先於三星S8 (搭載SE8.1)和華為P10 (搭載EMUI5.1)。MIUI 9真正做到應用啟動快如閃電。 4、動態資源分配 MIUI 9採用動態資源分配技術，能夠優先滿足當前應用的資源需求，確保順暢運行。 無論後台各類應用的資源需求如何波動，當前操作體驗始終流暢快速。 MIUI智能分配各個應用的資源需求，確保手機的流暢體驗，尤其在手機開始下載文件時，MIUI 9資源管控效果顯著。 5、連續綜合使用不卡頓 手機操作系統長時間使用後，會因各種問題導致日常綜合使用的卡頓現象。 MIUI 9全面分析了手機系統卡、慢、熱的原因，綜合採用多達十幾項的系統優化來保證系統的綜合流暢度，這些優化措施包括:應用啟動加速、關鍵場景響應加速、動態資源分配、 持續自動清理、全新文件系統、文件系統緩存管理、內存實時反碎片、核心組件擁塞控制、異常排除機制等。全面優化讓系統時刻保持流暢狀態，確保日常使用始終穩定流暢。 MIUI9採用10餘項黑科技，確保連續綜合使用不卡頓。在日常6小時綜合使用測試中，搭載MIUI9的小米累計卡頓時長。遠遠低於三星S8 (搭載SE8.1)和華為P10 (搭載EMUI 5.1) 6、快速查找照片 在MIUI 9中查找照片十分快速高效。得益於先進的機器學習和圖像識別技術，你可以基於人物、時間、地點、表情、證件甚至截圖中的文字對照片進行快速查找。 找人 可以點擊「相冊」中的人物相冊，來瀏覽找人，也可以直接輸入人物名稱來快速查找。當然，首先你需要給人物進行命名。 點擊「相冊」中的人物相冊，直接輸入「我和老婆」就可以看到「我和老婆」在各種時候的合影，快速找到自己所需要的那張照片。 對於寶寶照片，MIUI 9系統還會基於表情來整理子相冊，在這些相冊里你可以輕松找到寶寶嘟嘴、吐舌頭、大笑、大哭等等精彩瞬間。 在搜索框直接輸入「寶寶」就能看到寶寶各種表情的照片合集，譬如大笑、大哭、吐舌頭、嘟嘴等表情合集。可以輕松找到你所需要的照片。 找證件 只要搜索「 身份證 」，你就可以快速查看你拍攝過的身份證照片 。不僅僅是身份證 ，名片 、 銀行卡、護照也都可以被識別出來並支持被搜索。 找截圖 常常截圖留下憑證，查找起來卻會耗費大量時間。現在你甚至可以搜索圖片中的文字。 基於圖片識別和文字處理，現在你可以直接搜索截圖中的文字信息來快速定位截圖。 7、信息助手 信息助手是升級版個人智能助理。使用MIUI 9，你可以在桌面最左屏幕一鍵啟用應用內的功能，統一獲取散落在各個應用中的信息。 信息助手中的每一張卡片都發揮了MIUI 9系統的整合能力，讓步驟化繁為簡，使信息聚合統一，只為助你快人一步。 應用內信息和功能前置 信息助手將常用應用中使用流程較長的高頻功能，從應用中提取出來。你可以在信息助手中一步觸達原本需要多個步驟才能用上的功能，大幅提升使用效率。如支付二維碼，微信掃一掃等常用功能，可直接觸達。 同類別信息整理聚合 將不同應用中的同類別信息整理聚合，比如收藏、支出、快遞、行程、日程等，當你想查找使用這些信息時，無需進入不同應用查找，在信息助手中就能快捷查看和使用。 8、傳送門 傳送門是MIUI 9上全新的探索型實驗功能。你可以在任何有文字的區域，通過簡單的長按操作，觸發手機系統對於文字內容的智能分析，不用離開當前應用即可得到如影評、網路、地圖、分詞搜索等信息。過去復雜的跨應用搜索從此變得輕鬆快捷。 一步直達目標內容 現在你可以對手機屏幕中任何感興趣的內容進行「長按搜索」，只需選中你感興趣的 內容，進行長按，即可立即得到如影評、網路、地圖、分詞搜索等信息，一步直達你想要的結果。內容搜索從未變得如此簡單與快速。 你長按查詢到的結果將呈現在屏幕底部，點開相應的卡片即可打開預覽或跳轉至相關應用的詳情頁。 9、分屏 MIUI 9提供了易用的分屏功能，你的工作效率從此更進一步。 現在你可以在一塊手機屏幕內，同時使用兩個應用，並能調整兩個應用的相對窗口大小。其中，上半屏的應用是主應用，下半屏的應用是副應用。分屏過程中，打開任何新應用，會替換副應用，主應用保持不變。 支持分屏應用 目前支持分屏的應用包括，但不限於:大部分MIUI系統應用、微信、微博、淘寶、愛奇藝、騰訊視頻、優酷、BiliBili、騰 訊新聞、高德地圖、 音樂、手機網路、美團、WPS、知乎、 郵箱。 由於MIUI的分屏兼容 Android N 的分屏，隨著越來越多開發者支持 Android 分屏， 將來會有越來越多的應用支持MIUI分屏。 10、通知過濾 通知過濾功能可以過濾干擾信息，讓你專注於真正重要的信息。基於小米大腦的深度學習推薦演算法，MIUI9的通知欄對你收到的通知進行智能過濾，個性化收納對你不重要的通知，讓你查看通知的效率更高、體驗更輕快 通知過濾 MIUI 9通知欄依託於機器學習，通過分析通知的來源，結合評分機制給每一條通知評分，自動折疊低分的通知，減少不重要通知對你的打擾。 全新桌面編輯 11、桌面編輯 得益於為 MIUI 9重新設計的桌面編輯功能，雙指一捏，你便可以快速地整理桌面應用圖標，排布小工具以及批量刪除應用。 雙指捏合進入桌面編輯後，你可以看到修改壁紙、添加工具、桌面設置三個功能。 12、三套新主題 在你打開手機後會感受到細節設計的輕快和靈動。令人耳目一新的桌面動畫和動態圖標，賦予了整個系統生命力;桌面 Dock 欄更加精簡，時鍾小工具與天氣結合更緊密。除此以外， 針對不同使用人群，量身定製了三套風格各異的精美主題，專為喜歡個性的你打造。

⑽ 銀行權益營銷先進經驗，助力客戶深度經營

近日， 領雁 科技 智慧營銷業務專家陳麗琴在 數字金融網主辦的「銀行智能營銷技術應用與實踐研討會」上，帶來主題為《權益營銷先進經驗以及案例》的精彩演講，分享了銀行業權益營銷的先進經驗以及相關實踐。

客戶深度經營——數智時代的必然趨勢

領雁 科技 2001年創立，總部位於北京，在上海、廣州、成都、鄭州、大連、武漢、洛陽等地設有軟體中心、辦事處、研發中心，業務覆蓋智能風控、移動金融、智慧營銷、產業金融、智能支付、網路金融六大領域，共計240多家金融機構選擇領雁，銀行客戶市場覆蓋率高達80%。

領雁 科技 智慧營銷業務專家陳麗琴表示，從2001年到2022年這20年間，中國信息技術的變化分為四個階段：信息時代、互聯網時代、數字化時代、智能化時代，現在已進入到數字化和智能化的時代。數智時代以數據為王，資源增長見頂，需要以客戶為中心，變現數據，盤活數字資產，深入經營存量的客戶，推動銀行的業務增長。

數字時代面臨的 「如何盤活存量客戶？如何搭建運營閉環？如何擊破增長瓶頸？如何變現數據資產？」等問題，成為了銀行客戶深度經營的關鍵問題。

在陳麗琴看來， 客戶運營和營銷是一個非常寬泛的話題，權益營銷是其中非常重要的一環 。權益即客戶享有的權利和利益，營銷活動的權益主要指優惠券、機場貴賓廳等，通過營銷活動如抽獎、秒殺、報名助力等發放給客戶。 權益營銷的主要應用場景，一是客戶通過參加活動獲取權益，二是銀行（企業）主動發放權益給目標客戶，對客戶進行營銷運營。 通過權益營銷刺激客戶，達到獲客、活客、留存，進而可以實現增加業務收益的目的；並且，對於內部員工的使用體驗也有了全新的要求。

銀行權益營銷方法論和解決方案

目前，銀行營銷的痛點非常多，包括效率低、管控不到位、策略選擇難、營銷精度差等。那麼如何解決這些痛點？陳麗琴表示，需要一套有體系化、完整的解決方案，能夠實時、定製、全在線、自助的滿足用戶體驗。

陳麗琴介紹到領雁 科技 智慧營銷產品藍圖，包括橫向和縱向兩個維度，橫向是渠道引流、客戶洞察、資源配給、營銷連接四方面，縱向包括咨詢規劃、數據演算法模型、資源提供、系統建設和運營支持。總體方法是一切以客戶為中心，從客群細分和洞察出發，制定客群經營策略，展開營銷活動等經營行動，配合積分權益刺激，通過指標監控和經營評估改進客群經營策略，從而達成客戶深度經營的目標。

權益管理可以劃分為五大階段：第一、權益定義階段；第二、權益發放；第三、權益帳戶管理；第四、權益使用；第五、對帳清算。

營銷活動管理也分為五大階段：營銷目標設定，營銷計劃制定，營銷活動配置，營銷活動監控，營銷活動效果分析。在用戶思維，數據驅動思維，場景思維，營銷方式快速迭代思維、營銷集約化思維以及營銷能力地圖的指引下，進行權益營銷。

該套解決方案的特點： 第一是便捷 ，通過活動模板定製、可擴展活動權益規則、快速投放渠道，方便不同類型活動和權益的快速生成，適應各類場景，完成相應渠道投放。

第二是閉環 ，通過端到端管理，權益全過程管理、客戶經營策略與監控管理，實現營銷活動從策劃到執行、監控評估的全流程管理，權益從定義到核銷結算的全過程管理，以及客戶經營全流程的閉環。

第三是精準 ，通過指標、預算管控精確，准確客戶洞察和營銷觸達，實現考核指標、成本預算精準控制，在正確時間、正確的方式，及時推送相應的產品和服務。

第四是智能 ，通過大數據人工智慧，在業務推薦、客群劃分等場景提升營銷精度，針對不同客群，不同客戶等級實現精準權益投放，提升客戶經營效能。

陳麗琴表示，數智化時代，大數據、人工智慧的使用越來越普遍。領雁 科技 在智能推薦演算法領域擁有成熟的產品。目前經常使用的有三種智能推薦演算法，分別是基於數據演算法、基於專家經驗的規則的演算法和基於AI演算法。在合適的場景選擇合適的推薦方式，才能起到最優效果。

隨後她介紹了 權益營銷的實踐案例 ，如給某股份制銀行建立權益營銷平台，客戶量截止到今年已經突破1個億。正在建設的還有：某國有銀行的權益營銷平台，智能推薦系統，線上運營平台；某股份制銀行的客戶經營平台和權益數字化名片；某頭部城商行的營銷中台等。

陳麗琴表示，之所以有眾多案例落地，是因為有一套標準的方法論，從高度、深度、精細度三方面下功夫。明確客戶的戰略目標，基於戰略目標進行拆解，對於現狀調研、診斷、架構構思以及實施路線進行各個分節做到精細化的管控，保障項目實施的過程和質量。

領雁 科技 優勢：專注服務銀行金融 科技 20餘年

最後陳麗琴介紹了領雁 科技 的優勢，主要有三點：

第一、豐富的實施案例，10多年權益營銷經驗積累，擁有豐富的案例，更容易對標最佳實踐和業務創新。在數據化、智能化、生態化轉型過程中，助力客戶構建敏捷的業務和技術能力。

第二、體系化的產品支撐，產品不斷演進：從無到有，從單一產品到體系化產品，有助於業務深度的持續積累及專業性提升，同時提高項目交付效能。

第三、高階需求的規劃能力。在公司一軟兩硬方針(文化、人才、團隊)的指引下，結合20多年銀行業務的深耕，培養了一批優秀的業務專家，可提供業務規劃咨詢、技術規劃咨詢、業務和技術規劃咨詢等高階需求方案。

最後總結，權益管理是基於客戶全生命周期的管理，領雁 科技 的權益營銷的產品優勢在於，大量可自定義的模塊，權益和場景分離，方便快速適配。隨著技術不斷迭代，形成前後端分離的成熟體系，可以滿足客戶精細化管理等各種訴求。