希望这篇文章能为有意向把AI纳入未来发展规划的所有传统与非传统企业提供些许帮助。
编译 | 张玺
编辑 | 宇多田
来源 | 经济学人
亚马逊六页会议备忘录举世闻名。公司高管必须每年写一篇商业发展规划。鲜为人知的是,这些备忘录上有一道必答题──机器学习的应用路径?据亚马逊的经理们透露,像「应用不多」这样的反馈是不被鼓励的。
机器学习是一种 AI 应用形式,通过挖掘模式中所蕴含的数据进行预测。自 1999 年 Jeff Wilke 加入公司起,机器学习就已在亚马逊生根发芽。
今天,Wilke 已经是贝佐斯的副指挥官。他组建了一个科学家团队,研究亚马逊的内部流程以提高运营效率──将所有科学家拆分为不同业务组,以自评与改善相结合的循环为默认模式。
很快,此循环又纳入了机器学习算法。譬如,第一个算法就是图书推荐。随着贝佐斯的野心逐渐扩大,「赋予产品自动洞察力」的重要性日趋明显。
然而,与亚马逊齐名的科技巨头也没有错过任何展示 AI 技术的机会──脸书的面部识别软件、苹果的数字助手 Siri、Alphabet 的自动驾驶汽车 Waymo 与大师级围棋棋手,而亚马逊的机器学习应用方式较为低调。
亚马逊的 Alexa 对标 Siri,并在云端提供预测服务。但是,优化运营业务的算法才是决定公司未来的重中之重。
而这套反馈循环似乎与其面向消费者的 AI 策略相同:构建服务、吸引客户、采集数据,最终让机器学习数据。上述所有工作强度之大是人力无法企及的。
一切的核心:Porter 的算法
看一看亚马逊的配送中心。
巨型仓库是这家 2.07 千亿美元电商巨头业务的核心所在──北美仓超过 100 座,全球仓超过 60 座。这些巨型仓库存储和配送亚马逊销售的产品。
在西雅图的某处郊区,包裹在传送带上飞快流动,声音震耳欲聋,而仓库几乎已实现无人化。
在一个足球场大小的防护区内,矗立着上千个高约 6 英尺(1.8 米)的黄色立体货架──亚马逊称其为「豆荚」。几百个机器人在豆荚间自由进出,工作场面整齐划一。
牙膏、图书与袜子以看似随机的方式堆放。其实,摄像头自带的算法能规划路径,使得整体运行有条不紊。
机器人区域周边围栏的间隙设置工作站,并配备员工(公司内部称之为「伙伴」)。部分机器人从入库豆荚中拾取物品;
还有一部分机器人往出库豆荚中放置物品,以供后续流转、储存。无论拾取或放置物品,机器人都会使用条形码阅读器扫描产品及关联货架,便于软件后期追溯。
亚马逊首席机器人专家 Brad Porter 负责上述算法开发工作,其工作团队就是配送中心 Wilke 的优化小组。Porter 重点关注「豆荚间隙」,即在机器人往工作站运输豆荚过程中的员工等待时间。
间隙越短,代表员工停工时间越短、仓库物流越高效、亚马逊的配送速度越快。虽然 Porter 团队不停尝试新的优化措施,但态度仍然较为谨慎。而「交通拥堵」可能成为机器人应用的灾难。
AWS(Amazon Web Services,亚马逊云服务)是核心基础设施的另一部分,支撑着亚马逊 260 亿美元的云计算业务,向未配备服务器的公司提供托管网站和应用程序服务。
而 AWS 正是运用机器学习预测计算需求。当互联网用户涌向某项客户服务时,计算能力不足可能会引起系统错误,而当用户访问错误页面,公司就会损失订单。
AWS 的老板 Andy Jassy 曾强调:「我们决不能说没有冗余计算能力。」因此,其团队仔细研究客户数据以确保不会出现该情况。
尽管亚马逊无法看到服务器上的托管内容,但可监测每个客户的流量数据、连接持续时间及连接稳定性。类似于配送中心,云平台的元数据「喂养」机器学习模型,预测 AWS 需求出现的时间及空间。
AWS 最大客户的之一就是亚马逊本身。而许多亚马逊业务最需要的功能就是「预测」。该功能需求之高,以致于 AWS 设计了一款名为 Inferentia 的芯片来处理上述任务。
Jassy 表示,「Inferentia」将为亚马逊节省所有机器学习任务的成本,这些任务是亚马逊为了维持运营而必须执行的,同时也能吸引客户使用其云服务。
他说:「我们坚信它至少能将成本及效率改善一个数量级。」与此同时,Alexa 中语音识别及语言理解的算法将因此而受益良多。
实际上,无人零售店 Amazon Go 是这家公司最近的一次对算法的投资。
数百个摄像头为一组,从上方观察顾客,将视觉数据转化为 3D 轮廓以追踪客户抓取商品时手部与肩部动作。系统会检查顾客离店时带走哪些商品,并将账单记入顾客的亚马逊账户。
Amazon Go 的老板 Dilip Kumar 强调,系统只是追踪顾客的身体移动。他说,系统没有使用面部识别系统辨认顾客身份,并将其与亚马逊账户关联。
相反,系统是通过在出入门扫描条形码完成工作的。系统将 3D 轮廓的后续动作视为其关联亚马逊账户的消费行为。
这是对机器学习的莫大褒奖,通过深度挖掘数以百计摄像头所采集的数据以确定顾客购买的商品。
尽管试!如果发现一处 BUG,顺走一件东西,算老板送的。
有所为,有所不为
基于人工智能的身体追踪在配送中心也十分常用。亚马逊推行了一项试点项目,内部称之为「NIKE 意图检测」系统。
该系统为配送中心服务于 Amazon Go 顾客的员工设计──系统追踪员工在货架上拾取和放置的商品。该创意的初衷是摆脱手持式条码阅读器。此类手动扫描工作耗费时间、操作繁琐。
理想状态下,员工将商品放置于任一货架,系统会自动监视及追踪。与往常一样,目标是提高效率,最大限度提高物流速度。Porter 表示「员工们都觉得特别自然。」
近来,脸书和谷歌的数据采集工作受到政府严格审查,而亚马逊的谨慎态度使其免受其苦。亚马逊采集和处理数据的唯一目的是改善顾客体验,且其并没有涉及用户满意和客户满意之间的模糊区域。
上述两者截然不同──因为广告商向脸书和谷歌支付了服务费用,用户才可以免费使用社交媒体和搜索服务。
对于亚马逊来说,用户和客户大多重叠。但监管机构确实对亚马逊在电商购物与云计算等核心业务领域的主导地位颇为忌惮。
因为统治力来自于机器学习,且丝毫没有消退的迹象。
原文链接:https://www.economist.com/business/2019/04/13/amazons-empire-rests-on-its-low-key-approach-to-ai