精华内容
下载资源
问答
  • 浅谈青岛未来发展的定位

    千次阅读 2018-06-08 20:46:28
    “如果提前了解了你们所要面对的人生,不知你们是否还会有勇气前来?” 借用电影《无问西东》来...谈青岛,便是自己对未来的一个期望,搭上这股五月的风,站在一个更广阔的平台。 中国是一个有深厚文化底蕴的国度...

        “如果提前了解了你们所要面对的人生,不知你们是否还会有勇气前来?”

        借用电影《无问西东》来引出这篇浅谈吧,读研已一年有余,当我突然停下脚步,审视自己----朴实无华,换句话便是放进人堆中便即被淹没。我能做的大概便是未雨绸缪,纵然无法实现家国情怀,也能让自己不会落下太多路途。谈青岛,便是自己对未来的一个期望,搭上这股五月的风,站在一个更广阔的平台。

        中国是一个有深厚文化底蕴的国度,这话我们能从生活的方方面面听到,却没有认真的思考其中涵义。中国的思想起源于“合”字,后来的正统思想选择了儒家安世。从古至今,无论多少朝代更迭,历史烟云,我们到如今依旧处处讲求的是均衡。如今的环境,南方的优越在加速拉大与北方的距离,暂先抛开经济的话题,中国人口断崖风险是一直存在的,未来的发展核心将必然是“以人为本”,没有雄厚的人口基数,发展也将失去了源动力。因此,当下国内各个核心城市在抛出新政拉拢人才落户。青岛现在其实并没有采取优惠力度大的优惠政策,这是为什么呢?我猜原因有几点:一、人口净流入增速一直很平稳的增高。二、青岛整体的规划还未完成,目前最需要引进的是领军人才。三、大军未动,粮草先行。贸然的引入大量人力,会造成发展的阻塞,就像接水一般,我的被子只有这么大,猛然开大了阀门,水必然溢出。 国家在发展规划上将青岛的定位位于深圳之下,天津之上的一种定位,可见青岛未来潜力是巨大。青岛目前引入了超过29所重点高校的落户,也就是为发展打下地基。加之国家政策的倾斜,此处无论是国防、经贸、科技都将占有一席之地。但是青岛的未来将发展的何种程度,并不是靠着这些便能看到的,山东官本位思想桎梏,公务员至上的思想严重影响了城市的发展,如何摆脱这种思想桎梏,如何将这种思想淡化,才是真正决定青岛发展高度的核心。我相信在2020年到来以前,这种端倪一定会显露出来,我也将持续关注

    2018年6月8日                                                                                                                                                  

      

    附:

    中科院青岛科教园
    中国社科院青岛研究院
    中国海洋大学黄岛校区
    国防大学青岛教学基地
    中国核建青岛科技园
    哈船材料研究院
    青岛善航水下装备研究院
    山东大学
    北京航空航天大学青岛研究院
    西安交通大学青岛研究院
    天津大学青岛海洋工程研究院
    大连理工大学青岛新能源材料技术研究院
    哈尔滨工程大学青岛研究院
    四川大学青岛研究院
    吉林大学青岛研究院
    对外经贸大学青岛研究院
    复旦大学青岛研究院
    同济大学青岛研究院
    北京外国语大学
    哈尔滨工业大学青岛科技园
    清华大学大数据中心
    北京大学青岛科技园和海洋研究院
    中国政法大学中美城市管理学院
    中国人民大学青岛研究院
    北京理工大学虚拟显示研究院
    西北工业大学青岛研究院
    普华永道大学
    大连工业大学
    大连海事大学青岛校区
    北京电影学院现代创意媒体学院
    上海财经大学青岛财富管理研究院
    加州大学伯克利分校青岛建基地
    中德双元工程大学

    展开全文
  • 日本大阪--(美国商业资讯)--日本贸易振兴机构(JETRO)和日本2025年世界博览会协会将于2021年3月3日举行名为“疫情之后的未来社会,2025年世博会的期望,以及大阪关西地区的潜力”的在线研讨会。 此新闻稿包含...

    日本大阪--(美国商业资讯)--日本贸易振兴机构(JETRO)和日本2025年世界博览会协会将于2021年3月3日举行名为“疫情之后的未来社会,对2025年世博会的期望,以及大阪关西地区的潜力”的在线研讨会。

     

    此新闻稿包含多媒体内容。完整新闻稿可在以下网址查阅:https://www.businesswire.com/news/home/20210219005225/en/

     

    除了气候变化、环境问题和经济差异外,最近的新冠疫情也已成为全球面临的一项重大挑战。在本次研讨会中,与会者将讨论2025年大阪关西世博会如何帮助解决这些问题。

     

    研讨会的上半部分将审视2025年大阪关西世博会的作用和意义,以及对新冠疫情后不久的未来的预测。下半部分将侧重于关西地区的生态系统和创新功能。

     

    活动概要
    日期:2021年3月3日(周三)14:00-16:30(日本标准时间)
    地点:在线(Zoom直播)

    语言:日语、英语(同声传译)

    主办单位:日本贸易振兴机构(JETRO)、日本2025年世界博览会协会
    协办单位:关西经济产业局
    注册:网站注册(https://www.jetro.go.jp/en/events/20210303.html)

     

    议程
    [开幕致词]
    日本2025年世界博览会协会秘书长Hiroyuki Ishige
    JETRO董事长兼首席执行官Nobuhiko Sasaki
    [主题演讲]
    “未来不可知但又不可避免——合作是解决之道”
    日内瓦高级国际关系学院(Graduate Institute)国际经济学教授Richard Baldwin
    “未来社会与2025年大阪关西世博会”
    大阪大学和ATR智能机器人与通信实验室教授Hiroshi Ishiguro
    [演讲和小组讨论]
    演讲1:“创新与可持续发展目标”
    联合国项目事务厅全球创新和技术负责人Jonas Svensson
    演讲2:“共同创造可持续创新的一个实验室真实模型”
    双威集团(SUNWAY)首席创新官Matt van Leeuwen
    小组讨论:“作为开放式创新平台,关西地区如何与全球社会合作并为实现可持续发展目标做出贡献”
    小组成员:
    - 大阪大学共同创造局局长执行助理Yasuo Kitaoka
    创新部总监
    - 日本2025年世界博览会协会公共关系策略局局长Yoshimasa Sakai
    - 联合国项目事务厅全球创新和技术负责人Jonas Svensson
    - 阪急阪神不动产株式会社(Hankyu Hanshin Properties Corp.)城市管理部高级总经理Chikara Takagishi
    - Biome Inc.创始人兼首席执行官Shogoro Fujiki
    [闭幕致辞]
    关西经济产业局局长Takeshi Yonemura

     

    展开全文
  • 点击上方“小白学视觉”,选择加"星标"或“置顶”重磅干货,第一时间送达在未来十年中,计算机视觉将取得长足发展。在本文中,我们将探讨2010~2020年间计算机视觉的发展趋...

    点击上方小白学视觉”,选择加"星标"或“置顶

    重磅干货,第一时间送达

    在未来十年中,计算机视觉将取得长足发展。在本文中,我们将探讨2010~2020年间计算机视觉的发展趋势和取得的突破性成就,以及未来计算机视觉的发展目标。

    01. 计算机视觉简史

    在整个80年代,90年代和00年代,计算机视觉是一项非常困难的任务。甚至在实验室环境中的也很难得到较好的处理结果。在那个年代,用于训练视觉学习的机器学习系统是通过特征工程手动设计而成。

    那什么是特征工程?这意味着我们用“专家”的直觉进行了特殊的设计,这些办法对图像中的特定模式起作用,从而为学习计算机视觉创造许多有用的功能。多年来,我们积累了许多不同的办法,每种办法都有自己的缩写:HOGSIFTORB甚至SURF。但是,不幸的现实是,解决现实世界中的问题需要花费大量的时间将这些技巧的融合在一起以达到较好的效果。我们可以用他们来检测道路上的分界线,但是无法用于识别和区分人脸等。建立通用系统仍然是遥不可及的梦想。

    02. 超越特征的工程

    在2010年初计算机视觉发生了巨大变化,当时我们看到了自计算机本身发明以来计算机视觉领域的最大革命。2012年,在ImageNet大规模视觉识别挑战赛上,一种名为AlexNet的计算机视觉算法比其竞争对手提高了10%。世界震惊了。关于它的最神奇的事情是:该模型没有使用手动设计的部分。相反,该模型依赖于称为神经网络的通用学习系统。AlexNet的突破在于使用GPU(图形处理单元)来更快地训练计算机视觉模型:AlexNet在两个消费级GPU上进行了6天的训练。为了进行比较,OpenAI于2020年发布的GPT3在355年的模拟等效时间里进行了培训,培训费用约为4,600,000美元。自从AlexNet以来,我们继续添加清晰明确的数据点:数据集越大,模型越大,并且训练的时间越长,我们的学习功能就越好。

    最近,在最近几年中,随着transformers的出现,我们看到了视觉算法的新突破。transformers是一种基于编码器和解码器的深度学习架构,这些编码器和解码器在自然语言(NLP)任务中已经流行了一段时间了。来自Facebook的AI研究小组的DETR论文引起了轰动,它们展示了如何使用transformers来获得视觉任务的最新性能。transformers比当前流行的计算机视觉算法(例如MaskRCNN)更易于实现,并且代表了朝着减少计算机视觉自动化的方向又迈出一步。我们花在开发和调整算法上的时间越少,就越可能完成日益复杂的任务。

    在未来的十年中,这些都将对计算机视觉产生巨大的影响,目前关于智能代理(IoT摄像头,Alexa和Google Home设备等)是在云上还是直接在设备本身上存在许多争议。

    03. 数据功能和用于计算机视觉的合成数据

    我们已经讨论了算法和硬件。现在,我们陷入了AI难题中最重要的部分:数据

    历史趋势向我们展示了以下内容:一、算法变得越来越通用,二、人工设定数据的需求越来越小。其结果是计算机视觉的性能更多地取决于用于训练它的数据。这不足为奇,我们所有人都看到科技巨头聚集了大量的数据集。

    但是,获取庞大的数据集并不能解决所有的AI的问题。因为这些数据集,无论是从Internet上抓取还是在室内精心上演和捕获,都不是训练更通用的自主算法的最佳选择。这种“真实数据”所含有的误差不可避免地会渗入计算机视觉算法中。此外,真实数据不容易输入培训中:需要对其进行清理,标记,注释和修复。

    因此,我们发现已经要准备好迎接技术变革的新时代了,就像引入神经网络和transformers一样重要。数据是阻碍计算机视觉发展的最大障碍。我们认为,解决方案是数据合成。快速定义:合成数据是由计算机创建和生成的数据(例如视频游戏或电影中看到的CGI)。完全控制此虚拟世界意味着可以使用像素标签(请考虑元数据,例如哪些像素对应于图像中的脸部),甚至是在现实世界数据集中可能无法标记的标签。

    数据合成仍处于早期阶段。与2010年代非常相似,目前每个合成数据集都是使用人工直观设计的。但是,正如我们所说的那样,初创公司(包括我们!)正在构建系统,这将使我们能够生成由学习系统本身设计的无限量的合成数据流。

    自动化合成数据生成的出现将改变计算机视觉。从现在开始的十年后,计算机视觉算法将通过称为终身学习的过程不断改进。该模型将识别其弱点,为该弱点生成新的综合数据,然后对该数据集进行训练。最好的情况是:全部自动化实现,在云中某处成群的GPU上运行。

    这就是我们进入2020年代时可以期望的:它与数据有关,更具体地说,与数据合成有关。这将优化并实现更复杂的计算机视觉任务。

    下载1:OpenCV-Contrib扩展模块中文版教程

    在「小白学视觉」公众号后台回复:扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

    下载2:Python视觉实战项目31讲

    小白学视觉公众号后台回复:Python视觉实战项目31讲即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。

    下载3:OpenCV实战项目20讲

    小白学视觉公众号后台回复:OpenCV实战项目20讲即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。

    下载4:leetcode算法开源书

    小白学视觉公众号后台回复:leetcode即可下载。每题都 runtime beats 100% 的开源好书,你值得拥有!

    
    

    交流群

    欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~

    展开全文
  • 推荐系统的未来发展

    千次阅读 2020-04-28 09:00:00
    作者丨gongyouliu编辑丨gongyouliu这是作者的第34篇文章,约1.1w字,阅读需60分钟随着科学技术的进步,移动互联网快速发展,手机越来越便宜,拥有智能手机不再是一件遥不...

    作者丨gongyouliu

    编辑丨gongyouliu

    这是作者的第34篇文章,约1.1w字,阅读需60分钟

    随着科学技术的进步,移动互联网快速发展,手机越来越便宜,拥有智能手机不再是一件遥不可及的事情,互联网用户规模已接近增长的顶点。摄像头和信息处理软件(各种滤镜、剪辑等工具)技术的进步让每一个人都可以轻松地生产高质量的内容,信息的产生以指数级增长,我们的生活中充斥着海量的信息。

     

    在上述背景下,怎么高效快速地获取对自己有价值的信息对每个互联网公民来说是愈发重要的事情,推荐系统的出现可以轻松地应对这一棘手的难题。推荐系统作为一种高效的信息过滤工具,可以很好地部分解决用户精准高效获取信息的问题(搜索、导航等也是解决用户获取信息的手段),并且也是非常重要甚至是不可或缺的一种手段(在人们需求不明确时,借助推荐系统获取信息是非常必要的,而每一个人都有不明确的需求)。

     

    推荐系统作为一项技术在国内的发展时间不长,从2012年头条成立之初将推荐系统作为核心产品功能到现在差不多有8年时间,在这8年中推荐系统的商业价值在国内逐步得到认可和肯定,大家都认可推荐系统在内容分发、用户体验、商业变现等方面的重大价值。推荐系统目前已经成为toC互联网产品的标配技术,任何一个toC产品要想很好地为用户提供一种被动高效获取信息的工具,推荐系统是绕不过去的。在特定情况下人类需求的不确定性、信息的爆炸式增长这两个条件让推荐系统成为一项长久而实用的技术,推荐系统不会昙花一现,它会伴随着人类的发展而不断发展进化。

     

    在前面的一系列文章中,我们对推荐系统的算法、工程、评估、展示、交互、业务等方方面面都进行了深入的介绍。虽然推荐系统在国内的出现只有短短8年,但是在各个方面都取得了极大的进步,发展越来越快,各种新的方法、应用场景、产品形态层出不穷。未来推荐技术会朝哪些方向发展?推荐行业又有哪些变化?推荐系统的应用场景和价值体现又有什么新的特点呢?这些问题都值得我们深入思考。

     

    针对上述问题,作者结合自己对推荐系统的理解和行业判断,在这篇文章中讲讲推荐系统的未来发展与变化。具体我会从政策及技术发展对推荐系统的影响、推荐系统的就业变化、推荐系统的应用场景及交互方式、推荐算法与工程架构、人与推荐系统的有效协同、推荐系统多维度价值体现等6个方面来讲解推荐系统的未来发展和变化。本文为读者提供多角度来观察推荐系统的未来发展与变化,期望读者读完可以更好地把握推荐系统未来发展的脉络,对推荐系统的未来变化有更深入的了解。

     

    一、政策及技术发展对推荐系统的影响

    推荐系统的发展是与整个大环境和技术发展趋势密不可分的,一定会受到国家政策层面和技术发展的影响。不过对推荐系统来说,我认为政策和技术的影响是都正向的。下面我们就从政策和技术两个维度来分析。

     

    1. 政策层面

    随着智能化、数据化等概念的兴起,大数据与人工智能在科技发展中起着越来越重要的作用,大数据与人工智能得到了国家层面的重视。要想发展好大数据与人工智能,首先必须有相关人才。国内从2016年开始逐渐有一些高校开始开设大数据和人工智能专业甚至创办大数据、人工智能学院,这类高校呈上涨趋势,目前全国开设了大数据相关专业的高校超过282个(见参考文献1)。在2019年全国已经有35所高校获得人工智能建设资格(见参考文献2)。除了国家政策层面的支持,这也间接说明这类专业受到市场的青睐,就业前景较好,高校才愿意不遗余力地推进大数据与人工智能专业的建设。教育层面对大数据与人工智能的支持,为依赖这些技术的业务和产品提供了源源不断的人才储备。

     

    推荐系统本身就是人工智能中非常重要并且有极大业务价值的子领域,同时构建推荐算法模型也依赖于对大规模用户行为数据的处理,大数据技术也是推荐系统必备的技术。因此,推荐系统直接受益于国家在教育层面对大数据与人工智能的支持,未来有充足的人才来源。

     

    上面提到的只是国家在教育层面的布局,其实国家将大数据与人工智能提到了战略的高度,希望通过大数据与人工智能来革新各个产业。政策层面的大力支持,媒体的大势宣导,今日头条的样板示范作用,让个性化推荐相关产品和业务得到更多投资人、公司管理层的重视,这也有利于推荐系统在更多产品和业务中落地。

     

    2. 科技层面

    云计算技术是最近几年非常火的技术,云计算行业已经发展得越来越成熟,大公司早已布局,并已成为盈利源泉,是业务的第三增长极,国外的有亚马逊的AWS、微软的Azure,国内有阿里云和腾讯云。

     

    经过近十年的发展,云计算基础设施已经相对健全,未来会在SAAS服务和toB行业应用中大力发展,这其中就包括推荐SAAS服务。创业公司只需要利用云平台提供的各种SAAS服务就可以轻松搭建推荐系统各个模块,大大降低了推荐系统的准入门槛。除了云计算公司提供这类服务,toB的创业公司也在这方面有所布局,也提供PAAS或者SAAS的推荐服务。

     

    构建一套完善、稳定、高效、低成本、灵活的推荐系统是一件非常困难的事情,涉及到数据、算法、工程、产品交互、业务指标等方方面面,只有对这些知识点有深入全面的了解,再结合公司的业务才能构建出具备商业价值的推荐系统。在这一背景下,创业公司一般可以选择利用云服务来构建推荐业务,这种方式投入低,无固定成本,是非常好的选择。只有中、大规模公司或者将推荐作为核心竞争力的公司才会自建一套推荐算法业务体系。

     

    2020年突如其来的新冠病毒疫情,给每个人的生活带来了极大的影响,限制了每个人的线下活动,用户将更多时间用在了线上。有很多研究认为这些变化是持久的,不会随着疫情的消失而消失。这也间接提升了推荐系统等互联网服务面对的用户规模,为推荐系统的发展创造了新的机遇与挑战。

     

    上面这些变化,对推荐行业产生了深远的影响,对推荐系统各方面都会带来极大的改变。最直接受到影响的是推荐系统就业的变化,这就是我们下一节主要讲述的内容。

     

    二、推荐系统的就业

    我们在《推荐算法工程师的成长之道》这篇文章中讲到推荐系统是一个非常好的职业选择,主要表现在就业范围广(推荐、搜索、广告技术一脉相承,技术体系极为类似)、薪资高、有业务价值(读者可以参考这篇文章第一节“为什么说推荐算法是好的职业选择”)。本节我们就来讲解在大环境和科技层面不断发展变化的情况下推荐系统就业的变化。

     

    我们在第一节讲到各类高校开设大数据与人工智能课程、成立相关院系,未来推荐相关的人才供给会更加充裕。大数据和人工智能是当下的热点,而推荐系统是人工智能中非常重要并且有极大应用前景和商业价值的方向,人的从众本性会导致对热点盲目追随崇拜,趋之若鹜,因此一定会有很多从其他方向转岗到推荐算法领域的人才。虽然将来会有更多的企业提供推荐产品和服务,但我个人判断推荐方向的人才肯定会供过于求,相关职位竞争压力极大。

     

    构建一套完善的推荐系统是一个非常复杂的系统工程,因此才有这么多云计算公式和toB创业公司将推荐系统打造为高效易用的SAAS或者PAAS服务了,在不久的将来,很多公司不会自己去从零开始搭建推荐算法团队了,而是直接购买云平台或者toB公司的推荐服务。因此,推荐方向的工作形式和工作重点可能会有如下几类变化。

     

    1. 推荐算法商业策略师是新的职业方向

    随着推荐系统相关的云产品越来越成熟,创业公司会更倾向于直接购买推荐云服务,快速搭建自己的推荐算法产品,而不是从零开始自己摸索。利用云产品的好处是轻量、快速,让公司将更多的精力放到核心业务上,轻装上阵,快速发展业务。关于这一块的介绍,读者可以参考《从零开始构建企业级推荐系统》这篇文章第二节3中的介绍。

     

    为了更好地将云推荐产品落地到企业中,对需要的人才技能及要求会有变化,这时不需要特别懂具体的算法实施和工程,更多的是希望了解各类算法的优缺点和应用场景,能将推荐算法跟本公司的业务结合起来,让推荐算法更贴合本公司的业务情况,最终让推荐算法产生业务价值。

     

    这类人员需要了解推荐系统全流程,知道构建推荐系统可能遇到的困难,有全局把控能力,善于沟通,有对商业的敏锐嗅觉。这样的人才我称为推荐算法商业策略师,他们的主要工作是怎么基于推荐云服务将推荐落地到本公司的业务中。

     

    2. 在特定领域和场景下出现新的推荐形态

    随着科技的发展,特别是智能硬件、5G通信技术、语音等新交互方式的发展,推荐系统的应用场景及交互方式会拓展到更多场景和领域。

     

    在新的业务场景及新交互方式下,怎么构建推荐业务及推荐算法是非常值得思考的一个问题,也是未来新的机会。读者可以参见下一节关于推荐场景及交互方式变化的介绍。

     

    由于是新的行业和场景,短期云计算公司提供的推荐服务还很难覆盖到这些行业和场景,因此,在这些新兴的行业和场景中,是需要企业自己来实现相关的推荐服务的(当然云计算公司的产品可以提供一定的补充作用),这对于推荐算法从业人员来说也是新的机遇。

     

    随着新领域的逐步成熟,云计算与toB服务公司也会涌入新赛道。提供推荐SAAS或者PAAS服务的云计算公司或者toB创业公司也需要大量精通推荐算法和工程的专业人才,在这些新领域提供推荐解决方案。

     

    3. 推荐从业者需要更加关注业务价值产出

    推荐系统本身就是一个比较偏业务和工程的方向,企业构建推荐系统的目的就是希望借助推荐系统来获得更多的商业价值(读者可以参考《推荐系统的商业价值》这篇文章对推荐系统的商业价值有更多了解)。

     

    在当前互联网红利见顶的情况下,原来那种通过融资烧钱发展用户的粗放经营模式不再有市场。在当前竞争日益激烈的商业环境下,企业从创立第一天就应该考虑商业变现的事情,需要在创业早期阶段就尝试商业化,学习这方面的技能,积累相关经验,这样才更有可能生存下来。

     

    推荐系统作为一个非常有价值的变现工具,需要肩负起商业变现的责任,因此推荐从业人员需要更加关注推荐系统的业务价值产出,并尽量量化推荐系统的价值,建立价值产出的闭环体系。只有让老板看到推荐的价值,推荐业务才有更好的发展空间。

     

    4. 推荐系统相关技术培训市场更加火爆

    前面提到很多新兴toC互联网行业都将推荐系统作为核心功能,加上云计算和toB创业公司对推荐工程师的大量需求,市面上对推荐算法人才的需求是比较旺盛的。

     

    推荐算法工程师的工资水涨船高,吸引很多其他方向的工程师转行从事推荐算法相关工作,他们没有推荐相关技能储备及项目经验,因此需要进行学习和培训。另外虽然很多高校开设了人工智能方面的专业,但是大学所学课程跟企业对技能的要求还是有比较大的差距的,严重脱节,这些学生要想在激烈的竞争环境中找到推荐相关工作,也需要找推荐相关实习或者参加相关职业技能培训。这两个情况促使市面上出现很多从事推荐系统相关技能培训的副业及相关技术培训创业公司。这些公司进行在线或者线下技能培训,这也间接提供了录制推荐课程或者培训推荐技能的工作机会。

     

    三、推荐系统的应用场景及交互方式的多元化

    目前的推荐系统主要应用于PC端和移动端,特别是在移动端,占推荐系统产品的绝大多数。未来随着智能化的发展,智能设备会出现在更多的场景中,这些场景中的应用当然也可能需要借助推荐技术来进行信息的分发。同时这些场景不同于移动端,在交互方式上会有变化,可以借助语音、手势等更多新的交互方式来与用户互动。下面我们就对3个可行的推荐系统应用场景进行说明。

     

    1. 家庭场景

    国内最早在2015年5月份乐视智能电视发布,随后小米、微鲸、暴风、华为、传统5大电视厂商(长虹、创维、TCL、海信、康佳)纷纷入局智能电视行业,国外电视厂商也强势杀入智能电视市场。各类智能盒子(小米盒子、天猫魔盒等)种类繁多,五花八门,家庭互联网进入智能时代。

     

    目前智能电视上唯一的杀手级应用就是看视频。在智能电视上的操作主要是以遥控器为主(虽然很多智能电视具备语音交互能力,但是目前还存在居多问题,导致交互能力有限),操作相对手机来说更为不便,因此个性化推荐的作用就凸显出来,智能电视上是更适合做智能推荐的。

     

    作者所在公司开发的家庭智能软件产品电视猫,作为聚焦家庭智能终端(电视机、智能盒子)上的视频应用,从2012年就开始构建个性化推荐系统,目前已有超过15种智能推荐产品形态。推荐系统在提升用户体验、创造商业价值等方面产生了巨大的价值。爱奇艺、腾讯视频、优酷等互联网视频巨头都已经布局智能电视端,并且它们都提供了各种各样的智能推荐能力。

     

    在智能电视或者智能盒子上构建推荐系统,由于交互方式及展示方式的特点,以及面对的是非移动多人场景,跟移动端有很大的差别,且更有难度,这里面是有很多点是值得探索和挖掘的,比如怎么更好地跟用户交互、怎么识别多人场景并提供精准推荐能力。

     

    家庭场景中另外一个不得不说的智能硬件是智能音箱。前几年亚马逊的Echo在美国大热,引爆了智能音箱市场,国内快速跟进,BAT、小米、科大讯飞等一众企业纷纷布局,上演了智能音箱大战。国内目前每年有千万级的销售量,逐步成为家庭中仅次于智能电视的现象级硬件产品。

     

    智能音箱以语音交互为主(带屏智能音箱也可以采用触控的方式交互),智能音箱上的应用目前种类非常多,以音乐、故事知识、生活帮助(查天气股票等)为主,除了音乐这类音频的产品可以非常自然地整合个性化推荐能力(是手机上的个性化电台在智能音箱上可以自然延伸),目前还没有看到将智能推荐应用到智能音箱中的其他场景(比如购物等)。由于交互方式、展现方式的限制,在除音乐等音频之外的应用上,怎么整合智能推荐的精准推荐和信息分发作用,是一个比较难的事情,也是一个非常值得探索的方向。

     

    2. 车载场景

    车载场景是一个非常重要的场景,用户规模巨大,同时也是一个比较特殊的场景。在车载场景下司机的主要注意力在开车,车载智能设备的交互方式一定以语音交互为主,应用也会有所局限,音乐、新闻等是主要的应用场景。推荐系统也会聚焦在音乐、新闻等信息流推荐上,其他的智能推荐应用场景很难挖掘。这跟智能音箱类似,这里不再赘述。

     

    3. VR(虚拟现实)/AR(增强现实)/MR(混合现实)场景

    虚拟现实/增强现实/混合现实等技术的发展,给人类提供了了解世界、获取信息的一扇窗,目前这些智能设备还不够成熟,基于设备之上的应用也相对少(主要是游戏类、视频类)。这类设备的交互方式以语音、手势、触控等为主。这类设备上生态还极不成熟,内容也相对少,目前还不满足做智能推荐的条件,但是是一个比较值得期待的方向。特别是当混合现实发展成熟时,就像谷歌眼镜那样,人可以在行动中获取信息,并可以整合当下的环境信息,推荐系统一定有很多新奇的玩法。

      

    除了上面提到的三类应用场景,其他场景如智能冰箱上做智能推荐也是可行的。智能冰箱可以记录家居生活中食物的消费情况,了解家庭的饮食习惯。基于对家庭消费习惯的挖掘,进行精准的个性化食物推荐是非常可行的一种策略,这就跟电商直接联系起来了,非常有商业价值,值得期待和探索。

     

    应用场景的变化一定伴随着交互方式的变化,在上述几类场景中主流的交互方式都跟手机上的触屏交互不一样,因此应用场景对基于这些场景下的智能推荐的交互及展示方式是有极大影响的。对于推荐系统UI交互和视觉展示的未来发展,读者可以参考《推荐系统的UI交互与视觉展示》这篇文章第五节“推荐系统UI交互和视觉展示的展望”进行深入了解。

     

    四、推荐算法与工程架构的发展

    推荐系统中最重要、最核心、最有技术含量的一个模块非推荐算法莫属了。目前主流的、在工业界大量使用的推荐算法有基于内容的推荐、各类协同过滤算法等。这些传统的推荐算法时至今日还在推荐系统中发挥着巨大的价值。随着机器学习技术、大数据技术、云计算及软硬件的发展,会有更多新的学习范式应用于推荐系统中。除了算法层面的变化外,通信技术的发展让实时推荐成为可能,推荐系统在数据处理、工程架构等方面也会迎来新的发展与机会。下面我们就从算法和工程两个角度来梳理推荐推荐系统的未来发展。

     

    1. 推荐算法新的机会

    最近几年随着深度学习技术的发展,深度学习在推荐系统中的应用也越来越广泛。深度学习由于可以获得比传统算法更好的精准度、不需要做复杂的人工特征工程而受到推荐算法工程师的追捧,深度学习技术逐渐成了推荐系统中的主流技术。作者在《深度学习在推荐系统中的应用》这篇文章中对深度学习在推荐中的应用进行了比较全面的介绍,其中第七节“深度学习推荐系统的未来发展”中对深度学习在算法模型维度、工程维度、应用场景维度、数据维度、产品呈现与交互维度等进行了探讨,读者可以参考和学习。

     

    推荐系统本质上是一个交互式学习引擎,它会根据用户对推荐物品的反馈(是否浏览、点击、购买等)来调整后续给该用户的推荐结果,这个过程是一个互动的过程,用户与推荐系统互动得越多越频繁,推荐系统就越懂你,给你的推荐也会越精准。在机器学习领域有一种学习范式就是互动式学习的典范,这就是强化学习(参见下面图1)。强化学习中智能体通过与环境互动(action)获得环境的反馈(feedback),基于反馈调整自己与环境的交互,形成新的交互方式与策略,最终通过多轮互动,智能体可以更好地从环境中学习,获得更大的综合回报。

     

    如果我们在强化学习范式下考虑推荐系统,推荐算法就是智能体,而使用推荐系统的人就是环境,推荐系统通过与人互动(推荐系统给人推荐标的物,而人对推荐的标的物进行行为操作)更深入地了解人的行为特点、兴趣偏好。推荐系统从与人互动中不断迭代,获得更好的推荐效果。强化学习在推荐系统中的应用,工业界已经有一些成果,感兴趣的读者可以查看参考文献3、4、5、6,分别是今日头条、京东、YouTube将强化学习应用于推荐中的案例。

     

    对强化学习感兴趣的读者可以学习参考文献7,这是强化学习之父Sutton写的一本非常有影响力的书。随着推荐系统越来越趋向于实时化,我相信强化学习在推荐中的应用一定是未来非常值得探索的方向,也一定会产生极大的商业价值。

           图1:强化学习范式

    机器学习中另外一个非常重要的学习范式是迁移学习,所谓迁移学习简单来说是将从一个领域获得的知识通过某种方式应用于另外一个领域(需要寻找到这两个领域之间的某种关联关系)。这种学习范式对人类来说是再平常不过的事情了,我们平时所说的举一反三、触类旁通等就是人类大脑的迁移学习能力。

     

    迁移学习在推荐系统中的应用目前有少量尝试,读者可以查看参考文献8、9、10、11、12,这些都是迁移学习在推荐系统上的探索。我们在《嵌入方法在推荐系统中的应用》第五节3中讲到盒马利用迁移学习将淘宝用户特征迁移到盒马中可以很好地解决用户冷启动问题,这算是迁移学习在工业级推荐系统中一个比较好的应用案例。

     

    目前很多平台型的大公司都孵化出了很多产品,构建出了超大规模的产品矩阵,比如阿里系下的产品、头条系下的产品等,在这些产品之间进行迁移学习是非常自然的事情。另外云计算公司服务于非常多的同类型公司,这里面就有非常多迁移学习可以落地的场景,云计算公司从一个公司构建推荐算法服务的经验和获得的算法成果都可以迁移到另外一家同类型的公司中(当然需要考虑到信息安全和隐私,这在下面提到的联邦学习框架下是可行的)。

     

    监督学习目前还是机器学习中最重要应用最广的学习范式,但是获得大量标准样本是非常费时费力费钱的,怎么在没有大量标注样本的情况下学习是一个非常重要的问题(在医学等领域标记样本不足是很自然的事情)。迁移学习提供了一种可行的方案,另外一个可行的方式就是半监督学习(参见参考文献13),半监督学习利用标记样本和无标记样本来进行学习,可以很好解决标记样本不足的问题。目前我们所获得的数据中无标记数据量是非常巨大的,比如视频、音频、评论信息、标的物介绍文本等,这些信息在半监督学习范式下都可以使用。参考文献14就是半监督学习在推荐系统上的尝试。这方面的技术目前还很少看到在企业级推荐系统上的应用,但是一定是未来非常值得深入挖掘的一个方向。

     

    目前国内的产品一般都是通过霸王协议来获取用户数据,多多少少都是不太符合人性和道义的,随着用户隐私意识的增强和法律层面对隐私保护的重视,未来推荐系统可能更难获得更多的用户数据,这就要求推荐算法从更加保护用户隐私的方向努力,在这个方向上联邦机器学习(见参考文献15)就是一种非常好的学习范式。

     

    联邦机器学习是一个机器学习框架,能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下,进行数据使用和机器学习建模。联邦机器学习在推荐系统中的应用已经在业界有比较好的尝试了,未来肯定会是推荐系统发力的一个方向。关于用户隐私和联邦机器学习相关的知识点读者可以参考《推荐系统的价值观》第三节3中的介绍。

     

    上面讲到了在推荐算法上未来推荐系统可能的方向和变化,在数据处理及工程方面,推荐系统也会面对很多的调整、变化与发展,下面我们就来简单梳理一下。

     

    2. 推荐系统工程层面的发展变化

    现在主流的基于内容的推荐和协同过滤推荐算法都只利用了部分用户数据进行模型训练,还远远没有将所有可用的信息综合起来进行推荐。这一方面是数据量太大,二是数据处理复杂(特别是富媒体数据处理起来成本高技术复杂),三是更多的数据对推荐算法性能及可拓展性的要求更高。在不久的将来随着特征工程技术的进步、数据处理能力的增强、计算成本的降低以及算法自身的发展,获取更多的数据进行更加复杂模型的训练成为可能,更多的数据和更复杂的模型也会让最终的推荐效果更好。这种复杂的模型可以是更深层的深度学习模型还可以是各种模型的混合推荐(读者可以参考《混合推荐系统介绍》这篇文章)。

     

    随着通信技术的发展,特别是5G技术的普及,信息传输的速度更快、传输费用更便宜,我们可以在极短的时间内获得大量的信息,计算能力的增强和算法模型的发展让处理信息更加快速及时,同时用户也趋向于获得及时快速的互动,在这些因素的影响下,推荐系统正变得越来越实时。目前大火的信息流推荐就是很好的体现。实时推荐不光用户体验好,并且还具备更好的商业价值(实时推荐增加了信息分发的效率,让单个推荐位的产出大大提高),实时推荐是推荐系统未来最为重要的发展方向之一。

     

    要想做好实时推荐,除了算法外,对工程架构、交互方式等都需要进行相应调整。在工程上需要采用流式处理技术(如Flink、Spark Streaming等)来进行特征处理与模型训练,这样才可以更好地响应用户的实时操作。交互方式上也需要给用户提供更加自然流畅的交互,目前在移动端的下拉刷新就是一种比较好的交互方式,当推荐场景拓展到家庭智能设备、车载设备、甚至虚拟设备上时,交互方式都需要进行重大革新。作者在《实时个性化推荐介绍》这篇文章第八节“实时推荐系统的未来发展”中对实时推荐系统未来的发展方向进行了比较全面的介绍,读者可以参考学习。

     

    还有一个不得不提的点是特征工程,这是任何机器学习算法必须要面对的问题,随着富媒体信息在所有信息中所占比重越来越大以及实时推荐对特征处理时效性的要求,这个问题变得日益严峻。幸好深度学习等技术可以减少人工特征工程的难度,另外自动化特征工程在某种程度上也可以缓解这个问题。关于特征工程未来发展及变化,读者可以参考《推荐系统之数据与特征工程》第五节“推荐系统数据与特征工程未来趋势”中的相关介绍。

     

    目前的推荐算法都是部署在云端的,所有人共用一套推荐算法体系。随着边缘计算技术的发展,未来是极有可能在终端上部署比较复杂的模型的,到那时就可以为每个用户构建一个个性化的推荐算法模型,直接在终端给用户生成推荐结果。这种部署方式有几大优点:一是推荐会更加及时,可以给用户更好的体验;二是每个人拥有自己量身定制的算法,算法精准度也会更高;三是信息直接在终端进行处理,也更加安全可靠。《实时个性化推荐介绍》第八节“实时推荐系统的未来发展”2中对这个情况进行了比较细致的描述,读者可以参考。

     

    总之,随着机器学习算法自身的发展,随着硬件、信息处理技术、信息传输技术的发展,未来的推荐系统在算法实现方案、工程架构等方面都会产生极大的变化,会出现更多的可能性。这些都是值得我们去期待、去思考、去探索的方向。

     

    五、在与推荐系统协作上凸显人的价值

    虽然以深度学习为代表的第三次人工智能浪潮给学术界和产业界带来了极大的变化,机器学习在很多方面的能力达到甚至超越了人类。但在涉及到创造和情感方面,在可预见的未来机器是无法取代人的。而为用户提供有价值的信息和情感联系是好的、具备人文关怀的推荐系统必须要具备的能力,这就要求人和机器有效协同,这也是未来很长一段时间推荐系统的常态。

     

    从数据过滤、特征选择、模型调整、结果干预、展示优化、效果调控等推荐系统的各个维度人工都可以发挥极大的价值。《推荐系统的人工调控》这篇文章对人工怎么调控推荐系统,人工在推荐系统中的定位和作用等进行了比较深入的介绍,读者可以学习了解。加入了人工因素的推荐系统更有情感也更加可控。

     

    目前人工在推荐系统中所起的调控作用还比较粗暴,更多可能是对结果层面的干预,未来人工怎么跟推荐系统更好地协同,怎样在推荐系统中发挥人的创造力和情感力量是非常值得思考和探索的。

     

    六、关注推荐系统多维价值体现

    推荐系统作为一种获取商业价值的工具,已经被过度商业化了。在用户体验上虽有所考虑、有所收敛,但是做得还不够。作者在《推荐系统的价值观》这篇文章中对推荐系统应该从哪些维度来体现价值进行了比较深入的介绍,特别是人文关怀、生态健康发展和弘扬社会正向价值观这3个方向上,给出了自己的思考,这也是当前推荐系统价值体现中非常缺失的部分。

     

    随着科技的发展,特别是云计算将很多技术能力变成像水电煤一样可以方便获取的资源,大家在技术能力上的差异会越来越小,这时能够让你脱颖而出的可能是你的产品能不能打动用户、能不能跟用户产生共情。推荐系统作为一个跟用户强交互的产品,也是满足这种趋势变化的。因此,未来能够做好推荐系统的企业一定是能做定义好推荐系统价值的企业,不光要考虑商业价值,更应该考虑用户体验和人文关怀。

     

    总结

    这篇文章基于作者在推荐领域多年的实践经验和深入思考,从多个维度对推荐系统的未来发展进行了总结和介绍。

     

    国家层面对大数据与人工智能技术的大力支持,有利于推荐系统行业获得更多的专业人才,同时竞争也显著加剧。云计算等技术的发展让构建推荐系统就像购买商品一样方便,创业公司可以更轻量、更便捷、低成本地在产品中整合推荐能力。

     

    政策层面的支持、技术的发展,对推荐行业就业也会产生深远影响。企业更需要推荐算法的商业策略师更好地落地推荐算法,而推荐从业人员需要关注推荐系统的业务价值产出。

     

    物联网、通信技术、硬件技术的发展,拓展了推荐系统的应用场景,推荐系统会应用到更多的领域,包括家庭场景、车载场景、虚拟现实场景等。在这些新场景中推荐与人的交互方式会发生极大的变化,语音交互、手势交互成为可能。

     

    在推荐算法上,最近几年深度学习已经在推荐上取得了非常好的效果,未来新的推荐范式,如强化学习、迁移学习、半监督学习、联邦机器学习等都会在推荐系统中获得规模化使用。技术的进步让推荐系统利用更多的富媒体数据训练模型成为可能,推荐系统也会更加实时化、个性化,甚至可能每个人都会拥有一套量身定制的个性化推荐引擎。

     

    推荐系统不光要获得商业价值,在用户体验、人文关怀、生态繁荣、弘扬正向价值观等维度也需要有所突破,这些多维度的价值会越来越重要,会成为推荐系统的核心竞争力。在这些价值发挥中人的作用就凸显出来,未来很长一段时间,人与机器是协同发展的,推荐系统只有更多地注入人的情感和灵魂,才会有更好的发展。

     

    参考文献

    1. [开设大数据专业的高校] https://jingyan.baidu.com/article/3d69c55125fd54f0cf02d718.html

    2. [开设人工智能专业的高校] https://www.sohu.com/a/321455764_383037

    3. [2019 今日头条] Deep Reinforcement Learning for Online Advertising in Recommender Systems 

    4. [2018 京东] Deep Reinforcement Learning for List-wise Recommendations 

    5. [2018 京东] Recommendations with Negative Feedback via Pairwise Deep Reinforcement Learning 

    6. [2018 YouTube] Top-K Off-Policy Correction for a REINFORCE Recommender System 

    7. [图书:强化学习 第二版] http://product.dangdang.com/27926613.html

    8. Social-behavior Transfer Learning for Recommendation Systems

    9. [2012] Transfer Learning in Collaborative Filtering with Uncertain Ratings

    10. [2012] Selective Transfer Learning for Cross Domain Recommendation

    11. [2016] Transferring User Interests Across Websites with Unstructured Text for Cold-Start Recommendation

    12. [2015] A Multi-View Deep Learning Approach for Cross Domain User Modeling in Recommendation Systems

    13. [半监督学习] https://baike.baidu.com/item/%E5%8D%8A%E7%9B%91%E7%9D%A3%E5%AD%A6%E4%B9%A0/9075473?fr=aladdin

    14. Bridging Collaborative Filtering and Semi-Supervised Learning: A Neural Approach for POI Recommendation

    15. [联邦机器学习] https://baike.baidu.com/item/%E8%81%94%E9%82%A6%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0/23618046?fr=aladdin

    相关作品

    1. 如何成为一名优秀的推荐算法工程师?

    2. 推荐系统的价值观

    3. 实时个性化推荐系统

    4. 推荐系统的人工调控

    5. 推荐系统与精细化运营

    6. 推荐系统提供web服务的2种方式

    7. 推荐算法团队介绍

    8. 推荐系统的UI交互与视觉展示

    9. 从零开始构建企业级推荐系统

    10. 推荐系统之数据与特征工程

    11. 混合推荐系统介绍

    展开全文
  • 目录AI创作目前的发展情况在音乐领域的AI创作在影视领域的AI创作在绘画领域的AI创作在文学领域的AI创作AI创作的目标AI创作未来可能的发展方向与应用领域 AI创作目前的发展情况 AI创作现目前主要涉及到的领域有:音乐...
  • 未来5-10年计算机视觉发展趋势

    千次阅读 多人点赞 2020-05-21 09:35:50
    为了进一步推动计算机视觉领域的发展,CCF-CV组织了RACV 2019,邀请多位计算机视觉领域资深专家相关主题的发展现状和未来趋势进行研讨。我们将研讨内容按专题实录整理,尽最大可能以原汁原味的形式还原观点争鸣...
  • 经过近十年的发展,国内绝大多数高职院校相继开设了日语专业,向企业输送了大量日语人才。  但是近几年来,包括本科在内的日语专业毕业生已经明显供大于求,高职日语专业毕业生的就业状况变得更加不容乐观。根据我校...
  • 来源:36氪CB Insigh日前发表了一份关于区块链技术的研究报告,结合区块链目前的发展现状,提出了区块链技术未来发展的8个趋势。虽然加密货币和加密资产的价格已从201...
  • 作者丨Oleksii Kharkovyna译者丨夏夜在这篇博客中,我不打算预测数据科学面对的未来是什么,不会去猜测它的未来是光明有前途,还是毫无希望。这里我只结合自己,还有我认识的一些人的经历,提供一些决定性因素帮忙做...
  • 最后指出人机智能融合系统是未来智能科学的主要发展趋势。关键词 人机;融合;智能;思考 《三国演义》第一回:“话说天下大势,分久必合,合久必分”。自然科学中的诸多学科之大势也莫不如此,当人
  • 芯片植入技术飞速发展 人类未来或变身 时间:2013-12-03 来源:中国科技网  目前,植入式芯片技术快速发展,人们不禁要问,人类未来会不会变成“电子人”?  美国科幻片《芯片惊魂》...
  • 计算机的认识与期望

    千次阅读 2014-10-12 17:51:08
    我认为只有将一个专业审视透彻才能更好的学习,对于我们大一这些IT菜鸟们来说能坚持学好编程是件不容易的事情,而我觉得在大一就学会编程对于我们来说是件再正常不过的事情,因此我自己有以下的期望与目标。...
  • 未来学校的教育模式 最近有人问我,现代教育将是什么样的。 我的回应:就像过去100年一样。 从悲观的角度来看我们的教育系统如何? 这不是一种悲观的观点,而是一种务实的观点。 鉴于我们教导年轻人的方式顽固地...
  • 未来十年互联网十大发展趋势

    千次阅读 2015-03-23 11:57:45
    世界已被互联网占领,互联网未来10年将如何变化与发展?1.互联网全球普及根据国际电信联盟最近统计,全球互联网用户总数已经达到20亿人;而联合国公布的最新统计数字显示,世界人口在2011年底突破70亿大关。所以到...
  • 2000-2010 年,美国和加拿大制造业岗位减少了 560 万个,其中 85% 都是由机器替代,只有 13% 的工作机会流入了劳动力价格相对低廉的发展中国家。 类似的,到 2030 年,70% 的中国企业将在不同程度上采用人工智能...
  • 人工智能的历史 人工智能的历史源远流长。在古代的神话传说中,技艺高超的工匠可以制作人造人,并为其赋予...1956年,在达特茅斯学院举行的一次会议上正式确立了人工智能的研究领域。会议的参加者在接下来的数十年...
  •  具体到工程领域的大学生,要制造未来生活和事业上的成功,不仅要有优秀的专业能力,而且还要社会和人有更多的了解。在工作的环境中,需要更加有效的合作能力、团队精神,以及人际沟通能力,需要有更多的机会同...
  • 人工智能、机器学习和数据将推动未来生产力的发展 https://blog.csdn.net/wowotuo/article/details/54744833 人工智能是信息时代的尖端技术。在最新的“创新简介”系列文件中,我们研究机器学习和深度学习的进步如何...
  • “2018看得见的未来”系列报道现在继续。本期重磅推出由云报和行业知名专家张礼立博士共同推出的“2018数字化医疗发展三⼤看点”。本系列报道将邀请内业的重量级厂商、专家、大咖,一起畅想2018年IT领域的大事小情、...
  • 导语:特殊时期,音视频在短期内成为了很多人的“刚需”:在线学习、远程工作、联系亲友等众多场景下都离不开音视频技术。那么,音视频究竟是短期刚需还是未来趋势...
  • 在被新冠疫情常态化影响的今天,职场当中呈现出了严重的两极分化现象,具体的表现...伴随着国家战略信息化建设进入高速发展期,未来信息和数据安全风险的对抗,将从现阶段的"攻坚战"转为一场"持久战"。 那么,从职业
  • 人工智能、机器学习和数据将推动未来生产力的发展http://note.youdao.com/share/index.html?id=9874d468e9dece80bcc23819232438fd&type=note&from=timeline&isappinstalled=0#/人工智能是信息时代的尖端技术。...
  • 鼠年总结&牛年期望

    千次阅读 2021-02-11 23:12:08
    2020年是不平凡的一年,今天是农历鼠年的最后一天,刚好借这个机会好好总结一下这一年,顺便也提出下一年的期望,等到了牛年年末的时候,可以再回头看看自己是否完成了年初定下的目标 1.学习收获 大一下(疫情在家...
  • 疫情中对未来行业的几点思考

    千次阅读 2020-02-18 10:43:25
    做为一个IT人,就不对这次疫情做任何评价了,毕竟不是专业的,我也怕大家产生误导,在这里我只这次疫情过后行业的发展谈谈自己的看法。我认为未来几年火热的行业主要有:在线医疗、在线教育以及远程办公。 NO....
  • 近几年,大学生就业形势日益严峻,同学们的就业压力也逐渐...大学生就业过程中存在的问题同学们对未来期望过高,企业的要求过高在大学生就业的过程中,之所以会导致部分大学生找不到合适的工作,其实也是因为同...
  • 汽车电气化共享移动性及自动驾驶对未来出行方式的全面展望 执行总结   从上空鸟瞰一座城市就是在看一个处于运动之中的世界。火车载着人们去工作或从工作中返回,出租车忙碌地穿梭在大街小巷,卡车在运送货物或运...
  • 而这次新型冠状病毒导致越来越多的人在家办公的场景,更像是对未来自我隔离的预演。 来源:Pexels 在每个工作日早晨的8点45分,我把四岁的孩子送到幼儿园,与他相拥道别,再开车回家。大多数时候,这是我最后一次和...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 13,869
精华内容 5,547
关键字:

对学校未来发展的期望