AI
AI+财税，税云想要让机器代替税务师帮企业节税优税
在税务服务上，基本上是税务师事务所来服务企业。截止2015年年末，全国有5000多家税务师事务所，参与服务的税务人员接近10万人。而官方统计，这部分服务仅仅覆盖了5%-6%的企业，还有更多企业需要服务。但这部分中小企业一方面因为受制于价格因素，另一方面因为税务服务人员的水平限制，这些企业找不到匹配的服务对象。
当前国家征税管理互联网化是一个趋势，许多公司业务都进入了信息化时代，而企业税务端管理尚未实现信息化，目前仍处于靠人管理税收的阶段，效果仍取决于服务人员的专业水平高低。此外，因为所有的税务服务都是依照税法进行，因此税务管理的效率和结果取决于税务人员对税法的理解和应用，而这种专业的税务人才是稀缺资源，如何将税务人才的经验在数千万家企业推广应用仍是个很大的挑战。
基于这几个方面的考虑，税云想要推动企业信息化管税，为企业提供智能化税务服务。
税云根据100多名税务师的税务经验，建立了涉税知识库、案例库、法规库和企业经济业务特征库这几个数据库，通过把众多税务师的案例和处理业务的出发点进行数据化处理，设计税务处理分析的机器学习模型，不断完善“税云大脑”（大穗），实现税务服务的人工智能化，让机器代替税务师帮助企业做税务判断。
有了这个数据库和底层机器学习模型作为基础，税云为大企业和中小企业提供了两套解决方案。
针对大企业，税云会按照客户具体需求提供定制化服务。例如对新奥集团，税云为其定制税务评估分析和税收备案备查管理，所有税务资料都能够通过平台进行可视化分析，此外还为其提供平台化管税系统，对增值税实现税务集团化税务管控。还有新疆城建和广汇集团，税云为他们提供自动税务风险识别系统，这些都推动了集团税务智能信息化发展。
而对于中小企业，税云研发了一系列的SaaS应用，帮助其进行纳税筹划和管理。例如在纳税筹划方面，税云推出了个人所得税工资薪金最有测算，只要输入应税收入，就能够通过模型算法算出最优工资及年终奖金发放方案，让企业的代扣税金降至最低。此外，还有土地增值税等税种的筹划与管理。
此外，若是企业有安全考虑，税云还可以为将SaaS软件部署在企业内网，所有数据都存储在企业自己的云端。
当问及如何读取企业的财务数据时，税云创始人兼CEO王云告知，税云收购了一款读数软件，能够通读90多个版本的财务软件的财务数据，然后根据这些数据做税务改进处理。这款工具是税云的核心知识产权，已经应用了十几年了。
因为税收与国家利益息息相关，因此税务服务的合规性关系到客户的合规风险，这直接影响一家智能税务公司的市场规模。而在合规性方面，王云强调称，税云依据的所有税务师案例均符合税法要求，不会涉及法律的灰色空间。
在智能税务上，去年德勤会计师事务所与Kira systems合作将人工智能引入会计、税务和审计，并在年末推出多项税务智能管理解决方案。与之相比，王云认为税云的优势在于熟悉本土的税收法规和企业管理流程。
据悉，税云的团队有20人左右，都是技术人员，外聘的税务师达到60多个。未来税云将会在上海设立人工智能研究院，专注于技术研发。
『本文图片来自：Yestone 邑石网正版图库』
来源：36氪，作者：司徒，如若转载，请注明出处：http://36kr.com/p/5069098.html
AI
不只是聊天那么简单，Kylie.ai 用 AI 技术帮助企业进行客户支持
商务决策远比简单聊天复杂，和chatbots相比，Kylie.ai 将工作能力提升到了另外一个层级
Chatbots技术带来的即时讯息回复被视为下一代客户服务的媒介，也越来越得到企业的重视，借助这类技术，后台客服人员的团队配置得以减轻，转由聊天机器人来解决客户方的要求或提问。伴随着 AI 技术的发展，越来越多的企业用户开始关注 AI 在改善服务体验中的潜力，期待 AI 能够提供更高水平的问题解决能力。
Kylie.ai 是一家获得Y Combinator Fellowship 资助的创业公司，创始人 Jamasen Rodriguez 和 Sinan Ozdemir 表示，Kylie.ai 能够了解客户投诉时的不同情境和情绪，并在公司的数据库中选择合适的响应方式。
Kylie.ai 的最大特点在于跨平台。使用Kylie.ai 的用户需要将其接入到第三方企业服务平台中，如Zendesk、 Google、 Twitter、SAP 和 Salesforce等，这些平台上的信息流涵盖了企业和客户之间的交流。平台接入意味着 Kylie.ai 可以大量接触到企业和客户的交流信息，在前期，问题经过工作人员进行审核和处理后由Kylie.ai 进行信息回复，在这一阶段 Kylie 虽然并没有接触到核心的信息处理环节，但是对工作人员的处理流程和决策的监控是 Kylie 作为 AI 的深度学习过程。经过大量重复性问题训练后，AI 便可以独立进行客户支持工作，对不同的诉求进行自动回复。而这些工作也是跨平台的。同时也能保证24 X 7 的服务时效。
聊天机器人的数据来源一般是从大量的对话中学习得来的，这些对话可以没有特定的主题，Kylie.ai 的学习过程囊括了大量的商务交流，很显然，Kylie.ai 需要面对的问题的情境性更强。
客户支持远比简单聊天的客服工作复杂，和chatbots相比，Kylie.ai 将工作能力提升到了另外一个层级：
从内容层面上， Kylie.ai 所面对的信息的将更佳复杂、量级也更为庞大。
对合作客户支持的情境是十分复杂的，同时要考虑到各类因素。目前这类问题的响应过程需要客户支持人员根据客户要求查询资料后，由高级业务人员再作出决定，而现在，借助大量的“学习积累”，多个工作人员的协作由 Kylie 代替。
对于企业来说，将 AI 应用到更宽泛的场景中有诸多便利：
由于工作人员的工作能力水平对客户支持水平的影响较大，不掺杂情感因素的 AI 技术能够帮助企业剔除这些不可控因素，效率之外更多质量
用 AI 技术来完成和客户之间的支持对接意味着团队的缩减，管理成本的降低
借助 AI 的协助，工作人员有更多精力专注那些复杂问题
虽然愿景美好，但客户支持工作的不确定性难以量化，加重 AI 在企业经营中的角色对于企业运营而言试错成本高，面对纯理性的 AI，理性的企业家们或许并不是那么放心。
本文参考了多个信息来源：venturebeat.com，如若转载，请注明出处：http://36kr.com/p/5069603.html
AI
AI遇阻？Chatbot 错误率高达70% Facebook削减AI投资
据外媒报道，由于Messenger聊天机器人的错误率高达70%，Facebook已决定削减对机器学习和人工智能技术的投资。
聊天机器人错误率高达70% Facebook削减AI投资
外媒称，Facebook将暂时放弃打造大型聊天机器人生态系统，而转向于训练Messenger机器人专注处理一些特定任务。以后，我们不会再只能听到聊天机器人无聊的唠嗑了。
Facebook在去年强化了其Messenger bot（聊天机器人）平台，允许企业与Messenger应用的庞大用户群进行互动，比如电商等各种基于在线服务业态都可以是bot的应用场景。
那时，Facebook对bot开放平台的商业前景给予了厚望，认为其可以替代一部分人工客服，降低公司运营成本。
据了解，自Facebook开放Messenger bot以来，得到银行和航空公司等企业大力拥护。截至去年9月，开发者已开发出了3万个聊天机器人。
不过，日前有外媒报道指出，其目前的结果并不如人意。因为Messenger的错误率高达70%，即用户70%的请求都无法完成。
国外分析师 Richard Windsor指出，Facebook在尝试将其系统自动化的过程中做了太多错误的决策。“问题不是 Facebook 缺乏这方面的人才，而是该公司在人工智能方面的研究没有足够久。”（周小白）
推荐阅读
AI
摩根大通AI软件几秒完成律师36万小时工作，分析师
华尔街第一大投行摩根大通又搞了一件大事情！
摩根大通软件几秒内就能完成律师36万小时的工作。
彭博社报道称，摩根大通开发了一款金融合同解析软件COIN。这款软件上线半年多，经测试，原先律师和贷款人员每年需要360000小时才能完成的工作，COIN只需几秒就能完成。而且，不仅错误率大大降低，它还不用放假。
COIN仅仅是开端
COIN只是这家美国最大银行的起点，是其2,000个技术项目之一。
摩根大通专门设立了技术中心，聘用约4万名技术工作者，技术预算达90亿美元，专攻大数据，机器人和云基础设施，期望借此找到新的收入来源，降低费用和风险。此外，它还和英特尔、微软等30多家企业组成了一个新的区块链联盟，以开发相关的标准和技术，让企业更加便利使用新崛起的Ethereum区块链技术。去年，摩根大通还与区块链创业公司Digital Asset Holdings启动了一个测试项目。该公司CEO布利斯?马斯特斯（Blythe Masters）是摩根大通前高管。
在去年2月的投资者日活动上，摩根大通企业投行业务总监丹尼尔·平托（Daniel Pinto）表示：“金融科技和新的能力对于我们所做的一切非常重要。”
另一个程序X-Connect也开始投入使用，主要用来检索电子邮件，以帮助员工找到与潜在客户关系最密切的同事，并帮忙介绍认识。摩根大通还在去年向机构客户提供一些云支持技术，允许像BlackRock这样的公司自助获取财报、研报和交易工具这些常规信息，解放了销售和客服。
摩根大通这一系列动作，仅仅是整条华尔街的一瞥。
华尔街失守
之前整个社会担忧人工智能可能夺走300万卡车司机的工作。但事实证明，现在最该担心的是华尔街的交易员和对冲基金经理。
一群来自哈佛、麻省的数学博士加上硅谷极客，创立了大数据智能分析处理引擎Kensho，“用AI取代金融分析师”的口号引发了华尔街的巨震。你可以向这个引擎提问，比如“iPhone6发布后哪些股票会涨”，他就会在一秒钟之内给你精确的答案，而且准确率非常高。
这个引擎太具有杀伤力了，因为有了他的存在，70%以上的股票分析师将会失业。因此，就连高盛也对此项技术大惊失色，联合Google共同入股Kensho，布局人工智能金融领域。
高盛科技部门联合负责人Don Duet称，高盛将获取数据以及将数据转化为信息的能力，看做重要资产和核心策略，在人工智能和机器学习领域正进行大规模投资。
鼎鼎大名的IBM超级计算机Watson在金融领域也有应用，Watson采用全新的认知计算系统，可以提供诸如客户需求分析，预测经济走势等服务。它还能够结合个人投资履历给出智能化的投资计划。
AI领军人物本.戈泽尔（Ben Goertzel）博士带领的团队，则正在通过人工智能进行股票交易。他的团队创造了一个名为“基因进化”的系统，由多个AI引擎构成，在自动分析所有的股票价格、交易量、宏观数据、上市公司账目之后，所有的AI引擎会“聚在一起”做市场预测，然后投票选出最佳的市场决策，进行股票交易，没有任何人类干预行为。
本·戈泽尔博士的事迹被拍成了电影《超验骇客》
而智能理财服务服务代表企业Wealthfront和Betterment已是资本市场宠儿，他们完全依靠智能运算和数据分析来取代传统的理财顾问。
花旗银行预测，未来10年，智能理财管理的资产可能可以呈现指数型增长，有望增至5万亿美元。嘉信理财和全球最大投资管理公司贝莱德都已经注意到这点，嘉信理财自行开发了在线财富管理工具，贝莱德2015年8月底宣布将收购专注于智能理财领域的初创公司Future Advisor。
AI操盘，未来几何？
《哈佛商业评论》提到：“几乎所有的工作都有计算机在可预见的未来无法处理的主要元素。但是，我们不得不承认，有一些知识型工作将会屈服于人工智能的兴起。”
一家专职从事招聘的公司Options Group对超过3200名金融专业人士进行调查发现，大多数人对人工智能的未来还是持欢迎态度，他们还是倾向认为新技术将改善他们的职业。
而对于AI能否真的在华尔街崛起，很多人还持有怀疑的态度。就算真有一家基金用AI获得了成功，也存在风险——其他公司或许会复制这个系统，从而破坏它的成功。如果市场中的大多数人都采取同样的行为，很有可能会改变整个市场。因为“一旦有人发现一个行得通的花招，不仅其他基金会迅速抓住这一点，其他投资者也会将资金倾泻而入。真的很难想象出只有它能套利的情形。”一个投行高管如是说。
金融业是冷酷的，要在金融市场中赚钱，光有聪明远远不够，还需要用一种与其他人不同的聪明方式来做事。AI操盘，未来几何？我们且走且看吧！
信息参考：雷锋网、华尔街见闻
来源：本文来公众号英途。
摩根大通已经开始使用学习机器来对金融交易进行语法分析，而这些工作此前需要法律团队花费成千上万小时。该程序名为COIN（Contract Intelligence的缩写），用于对商业贷款协议进行分析。在6月份这一项目上线之前，这些单调乏味的工作每年需要花费律师和信贷人员360000小时的工作量。
而现在，该软件能够在数秒内审核文件，而且更加不容易出错，并从来不需要休假。将平常任务自动化，为银行家和客户创造新工具，这些是摩根大通96亿美元科技预算中不断增长的一部分，也是本周二该公司年度投资者会议上的核心主题。而对于COIN，根据设计者称，该程序已经帮助摩根大通减少了贷款业务失误，这些失误的大部分都来自于每年12000份新批发合同分析中的人工错误。此类技术通过摄入数据来识别类型和关系，而摩根大通正寻求在更多领域应用该技术。摩根大通计划在诸如信用违约掉期和托管协议等其他种类的复杂法律文件中使用该技术。
有一天，该银行可能会用此技术来帮助分析监管规则和企业传播。
在小编看来，这对法律从业者是一个巨大的警钟，想，仅这家银行每年节省出来的36万小时就意味着多少法律工作将变得多余，从而多少法律人员将变得多余，即便这些更多导致美国法律人员变得多余，那么多出来的美国法律从业者也将过剩地去转向其他领域或业务，包括中国高端律师的业务，而被驱赶的中国高端律师又会去转向其他律师的业务……
所以，哪天你发现连普通律师业务都这么难找的时候，可能是远方海浪的连锁反应已经推到你的眼前了……
AI
关于企业服务AI，Salesforce Einstein教会了我们什么｜Xtecher硅谷
编译｜Xtecher GeneHe、硅谷加先生 来源｜VentureBeat 网址｜www.xtecher.com 微信公众号ID｜Xtecher
每一次交易都需要消费者，每一个消费者都需要被关心。这就是企业服务AI-CRM至关重要的原因。但不完整的数据和沉重的工作流程让大多数公司的销售和市场运作差强人意。
同时，除了Google和Facebook之外的公司也没有大笔的预算建立AI团队完全替代人力成本。尽管个别公司拥有合适的技术人才，但仍然缺少开发基于神经网络模型的系统架构的专家。
企业AI大有可为
人工智能云计算机不仅仅是泡沫一般的构想。如今，大多数最强大的计算机和科技公司正在大步前进以调整市场方向。其根源在于AI和云技术即将像龙卷风一样席卷全球，从而改变我们的生活。如果他们不转变方向迎头赶上，就将被时代淘汰。
Salesforce计划将其产品与AI的鸿沟嫁接起来。首席科学家Richard Socher表示，Einstein是一个“融合所有Salesforce Cloud特性和功能的人工智能层，而非独立的产品。”
15万多家Salesforce企业用户应该可以轻松拓展AI功能。拥有自己的数据科学和机器学习团队的机构可以通过Predictive Vision和Predictive Sentiment Services这样的API来延展基本功能，使公司通过图像和视频的方式来了解他们的产品特性和消费者反馈。
这些改进已经显而易见。Socher表示，Salesforce Marketing Cloud的消费者预测功能不但帮客户迅速掌握高价值的活动，而且让取消订阅的用户再次回归。该技术评价提升了25%的点击量。Salesforce中，Sales Cloud的客户已经在预测性分数中看到了300%的增长，而Commerce Cloud的客户从每个网站访问者利润中获取7-15%的增长。
达到这些结果并不容易。Salesforce的机器学习和人工智能收购了包括RelateIQ (3.9亿美元), BeyondCore (1.1亿美元), PredictionIO (5800万美元)，以及Socher曾担任CEO和CTO的深度学习专家Metamind。2016年，Marc Benioff花费了超过40亿美金收购优秀的人才与技术。
企业技术竞短争长
即使有足够的资金与合适的技术人员，由于竞争与高期望，向企业推出人工智能服务依然危机重重。Gartner分析师Todd Berkowitz指出，Einstein的性能在市场中“不像独立解决方案那么高级“。其他的评论家指出，这门技术“离完全成熟起码还有一年半。”
Infer是一个上述独立解决方案之一，它为销售和市场提供预测性分析，使其能够直接与Salesforce竞争。在一篇关于当前AI炒作的论文中，首席执行官Vik Singh质疑，像Salesforce这样的大公司“把机器学习做成了像AWS这样的基础设施，很鸡肋”。Singh还表示 “机器学习不同于简单的运行然后神奇的连接到某些系统的AWS。”
挑战是暂时的，未来是光明的
Salesforce首席科学家Socher表示困难是存在的，但是克服只是时间问题。
通信是CRM的核心，尽管计算机在很多关键的视觉系统工作上超过了人类，但自然语言处理（NLP)和自然语言理解 (NLU)还不能在高风险的企业环境中运行。
大多数神经网络方法存在的问题是，它们只会在单个任务和单个数据类型上建立训练模型以解决一个狭窄的问题。另一方面，对话需要不同类型的功能。“你必须能够理解社交要点和视觉世界，逻辑推理，并检索事实。虽然运动皮层看似与语言理解相关，”Socher解释说，“如果没有多任务处理方法，你无法解决智能NLP。”
这就是Salesforce AI研究团队正在创新利用的“联合多任务”学习方法，将神经网络一个领域的知识扩展开来。理论上讲，理解语言形态应该也会加速语义和语法的理解。
在实践中，Socher和他的深度学习团队已经能够为实体识别的学术实现最先进的基准测试结果（你能识别关键对象，位置和人员吗？）和语义相似性（你能识别作为同义词的单词和短语吗？）。他们的方法可以一次解决五个NLP任务 - 分块，依赖性解析，语义相关性，文本内容和部分语音标签 - 并且优化以处理不完整，拼写错误或未知的单词。
Socher认为，AI研究人员将在2017年在深度学习领域取得巨大进步。我们生活也将嵌入更多的语音识别。“现在消费者仅仅向Siri询问明天的天气，但我们希望让人们能够就自己独特的经历提出问题。”
AI研究困难，应用更困难
解决困难的研究问题只是第一步。“令人惊讶的是，你可能已经解决了一个关键的研究问题，但为客户实施您的工作，整个公司需要做更多工程与协调。”Socher透露。
“Salesforce拥有成千上万的客户，每个客户都有自己的分析和数据，”他解释说，“你必须在战略层面了解这些问题，并理解为每个客户做这些的所有复杂性。同时，客户还会试图修改和定制功能以达到他们想要的结果。”
Socher指出了企业服务AI的三个关键点：数据，算法和应用。数据往往是许多公司的最大障碍。“理论上讲，公司理应拥有正确的数据。但现实生活中，数据则太过分散，没有正确的结构或标签，甚至根本不可访问。“
招聘顶尖人才也意义非凡，正如计算机科学家喜欢说的。不同类型的AI问题具有不同的复杂性。虽然一些AI应用程序更简单，但挑战非结构化数据（如文本和视觉）意味着可以处理它们的专家的供不应求。
最具挑战性的是最后一部分：应用。如果没有用户，那么AI研究的意义究竟是什么？ Socher强调，“你必须非常仔细思考如何使用AI功能为用户和客户赋权。这是非常复杂，但也非常具体的问题。销售流程与自驾车的应用方式有天壤之别。”
除非我们使用AI发明新的AI，否则迭代数据，研究和操作将是人类一个永无止境的工作。“Einstein永远不会被完成。你可以随时改进工作流程，使它们更高效。”Socher总结说。
AI
不用怀疑，这8大产业未来将会被AI彻底改变，虚拟助手、销售自动化等
在日常经营中，每家公司每天都要处理海量的信息，它们很容易遗漏重要的趋势和销售机会。人工智能的出现算是消解了这一难题，因为它们能完成自动化的数据分析，这就意味着公司不但能节省经费，还能更快的做出抉择。
AI的自动化数据分析无处不在，物流、旅行、医疗保健甚至交通运输中都会出现它的身影。美国福布斯文章认为以下这8个是会从AI发展中受益最多的产业，它们的形态未来将发生本质变化。
1. 物联网
人工智能是学习和消化消费者行为的高手，因此它是消费级物联网产品的重要大脑。进入用户汽车和家中后，AI可以帮物联网设备了解自己的主人，以便更好的为用户服务。
2. 销售自动化服务
随着AI的发展，我们可能很快就能享受新一代的服务了。类似InsideSales.com的销售自动化公司现在是当红炸子鸡，它们能红火起来靠的就是AI。人工智能的加入让整个销售过程变了样子，它们凭借对用户行为和喜好的分析，能找到潜在商机，帮助公司提高销售成绩。
3. 虚拟助手
虽然人工智能暂时还无法完全替代人类，但AI确实能在几秒钟内处理海量的数据，让用户快速得到反馈，这就省下了用户打开浏览器进行针对性搜索的时间，改变了传统的交互方式。随着各家巨头陆续加入虚拟语音助手之战，此类产品未来将逐渐进入主流市场。
4. SMB协议工具
在美国，500人以下的公司是绝对主力，它们包揽了全美业务总量的99.7%，而SMB协议工具能成为小企业开展业务的“神兵利器”，人工智能的加入会让这把“神兵利器”更加锋利。
5. 自动化交通运输
据国家安全委员会统计，2015年美国的交通事故共造成3.83万人死亡，440万人受伤，这是50年来伤亡人数增幅最大的一次。要解决这一棘手问题，减少对无数家庭的伤害，人工智能扮演主要角色的自动化交通运输是最好的良药。因为自动驾驶汽车等产品将大大降低事故发生率和乘客伤亡率。
6. 运输与物流
人工智能也能在运输与物流业中发挥自己的影响力，除了自动驾驶汽车带来的运输效率提升，这些聪明的“大脑”还能教我们如何活用集装箱的空间，并对运输路线进行动态管理以便缩短运输时间。
7. 安全分析
人工智能的应用可以说是全行业性的，安全行业也正在经历一场AI主导的大转型。借助AI强大的分析能力，安全公司能从海量数据中找到客户公司存在的弱点，避免它们陷入诈骗陷阱并免受日益严重网络攻击的威胁。
8. 医疗保健
医疗保健行业是人工智能发展的主要受益者之一。健康越来越受到现代人的关注，对该领域进行投资人们可不会思前想后。AI介入医疗保健行业不但能减少病人的花销，还能提升医院收入，全社会的健康水平也得到了有效保证。（编译/锐志）
AI
Word 天哪，人工智能机器人已经开始帮助IBM 做好新员工入职啦！
据硅新社报道：IBM 的人力资源部门开始使用人工智能语音机器人，提升新员工的入职体验，包括寻找附近的同事作为导师，Chatbot 还可以回答任何岗位最常见的200个问题。
很多大公司都有HR Operations team，他们的工作就是回复员工各种各样的问题。据报道，美军也在采用类似的 chat bot，回复士兵的各种问题。虽然这些问题在员工手册和公司的规章制度里都可以找到答案，但是大多数人不愿意看，喜欢问HR。
2017年将是一次巨大变革的一年！机会所有的人力资源科技市场都会迎来巨大的变革。移动计算、视频、AI人工智能、各种传感器正在加速融合，同时我们需要密切关注员工敬业度、企业文化、员工健康等话题！
记住科技将会彻底重塑！Will totally reinvent what HR technology—and HR itself—can do.
在中国大陆，有一些HR科技公司开始尝试引入各种新的技术帮助企业改进流程，提升员工体验。比如优面宝，一款针对面试管理的轻型高效工具，从面试邀约到面试现场管理，再到面试体验的整个过程，通过机器学习的方式，帮助企业更好的选择人才！在发起一次面试邀约的过程中，umianbot会帮助HR自动完成面试邀约，候选人信息分析等诸多帮助！可以有效帮助企业提升效率，提高面试体验，找到好人才！有兴趣的可以直接点击注册：http://umian.me/k3YE22
人力资源科技产品正在大跨步的迈入人工智能时代，通过自然语言处理例如Echo\Siri\Viv等将各个系统信息流整合到业务流程中，That process may include prehire assessment; interviewing; onboarding; new-hire orientation; and the first six months of training, meeting people and learning.
AI
【YC新创产品】Nova：销售邮件智能写手，还帮你寻找感兴趣的用户
HRTechChina编辑部 4月14日报道，如需转载请注明出处与本文链接。
如果你或你的朋友的项目希望被 HRTechChina报道，戳这里可寻求报道。
编者注：在2016YC Demo Day上，HRTechChina小编关注了许多2B初创项目潜力股，之后会陆续为大家进行详细产品报道，请持续关注哟~
Nova（http://www.nova.ai/）成立于2015年1月，它运用人工智能自动写邮件，在网站和社交媒体智能搜索邮件接收者的消息，并且投其所好地加到邮件中，例如最新的新闻主题，或是特定的爱好。
Nova写的营销邮件要优于人工邮件，Nova的邮件拥有67%的邮件点击率和11%的网站点击率。Nova计划面向美国400万B2B销售人员兜售自己的产品，每台电脑每月收费99美元，并且现在Nova已经同Uber和Monster签约。
Nova的联合创始人为Will Dinkel（CEO）和Bryan Pirtle（CTO），Will毕业于加州理工工程系，并在哈佛商学院学习过商务，Will曾在惠普与CloudFlare中担任过销售工作。在Nova的顾问团队中，Kendall Collins曾是Salesforce Cloud的CEO，并且现在是AppDynamics的CMO。
Will在CloudFlare里担任销售职位时，他发现定制邮件对销售人员是很重要的，但定制邮件是一个很费时间并还不成规模的一件事，于是他决定自己创立公司来解决这个事。Will说他希望销售人员可以花更少的时间写出更好的销售邮件，并得到更好的结果！
目前Nova团队规模在12人左右，地址在美国旧金山湾区。
价格方面，Nova为专业销售员提供＄89/月（一年付）与＄99/月（一月付）两个选择，还为企业增加提供自定义定制、新员工培训以及白天的电话服务三个功能。
关注更多YC DEMO DAY上的2B初创企业：
http://www.hrtechchina.com/12295.html
http://www.hrtechchina.com/12311.html
AI
AI 概念热浪袭人，来看看我国人工智能领域的专利布局
“4：1”。
这是在与前世界围棋第一人、韩国九段名将李世石的对弈中，谷歌人工智能“阿法狗”（AlphaGo）机器最终取得的战绩。
这场“人机大战”或“人工智能PK人类智慧”的全球网络直播秀，全程的关注人数、传播速度以及影响范围应该已超过1997年深蓝击败国际象棋大师卡斯帕罗夫的世纪之战。
如果说，1997年深蓝大战卡斯帕罗夫宣告了“电脑或计算机”的到来，那么，这“阿法狗”对弈李世石或将让“大数据或深度学习”更加贴近现实。
在人工智能概念热浪袭人的时候，我们不禁要问，我国在人工智能领域的专利布局如何？是深陷被动跟随之中，还是能做到与世界同步？
人工智能非新概念：我国最早可追溯至1993年
从概念上来看，“人工智能”（Artificial Intelligence，英文缩写为AI）并非新概念，早在上世纪90年代就有科学家提出。
有观点认为，人工智能作为计算机科学的一个分支，也有观点认为，除了计算机科学以外，人工智能还涉及信息论、控制论、自动化、仿生学、生物学、心理学、数理逻辑、语言学、医学和哲学等多门学科。
但是，不管怎样，人工智能的发展历史是和计算机科学技术的发展史联系在一起的，同时，人工智能技术企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
以人工智能领域的图像识别技术为例，国家知识产权局网站的统计数据显示，我国最早与图像识别相关的专利申请发生在1993年。
当时，中国科学技术大学提交了一项名为“图像识别火灾监测报警装置”的发明专利申请，该专利技术主要原理是“在软件支持下，用像素点灰度值判别有否火焰存在，以影像面积增长率识别是火焰还是火灾”。
显然，根据其技术原理及实现方式，这项早在1993年就提交的发明专利已经具备了很强的“人工智能”理念或原理。
而从其应用领域或场景来看，通过图像识别技术防范火灾隐患，如果和当下的“互联网+”相结合，堪称“互联网+火灾预警”应用典范。
不过很可惜，这个23年前提交的发明专利中途因未及时缴纳专利费已经失效。
但这也从一个侧面说明，人工智能确实并非新概念，其研究和应用也并非刚刚起步，而我国在人工智能相关细分领域也并非全面落后于发达国家。
人工智能技术研究：技术、专利和标准需齐头并进
1997年深蓝大战卡斯帕罗夫，在当时也是被认为属于人工智能领域的重要成果和重大进展，它告诉我们通过“电脑或计算机”可以替代部分人的工作，随后，电脑及互联网应用席卷全球，不仅带来了全新的技术革命，也深刻改变了很多行业或产业。
如今，“阿法狗”对弈李世石，则让更多人领略了人工智能领域的“大数据或深度学习”的魔力，它让人看到了“机器”或“系统”更多的可能，甚至有替代人做推理或决策的可能。
因此，从新技术的价值普及来说，“阿法狗”机器与围棋高手李世石的对决，应该说正面意义很大，它让更多人看到了更多的可能，并对科学或技术产生浓厚的兴趣和关注。
但是，一方面，我们要看到人工智能技术进步给科技产业及传统产业带来的积极影响，另一方面，我们也要注意人工智能还不能等同于“机器万能”，它可能还存在这样或那样的问题有待解决。
而具体到产业发展和技术布局， 对于人工智能领域可能涉及到的大数据技术、语言识别技术、图像识别技术等各类新技术，不仅需要研究及时跟上，更需要专利布局和保护及时跟上，并在前述基础上参与或建立相关技术标准的制定，为以后更广泛的行业或产业应用打下坚实的基础。
人工智能应用推广：政府、市场和应用一个都不能少
回顾计算机时代，由于我国起步晚，未能较早参与相应的技术、专利及标准制定中，虽然享受到了技术进步的红利，但也奉上了数额不菲的“学费”。
而在通信技术领域，虽然我国错过了2G技术、专利和标准，但在3G时代标准上建立了中国标准，在4G时代更是催生了更多本土智能手机厂商。
事实上，近3年，国内智能手机厂商也是专利申请最多的行业所在。
对于5G甚至6G等移动通信技术，随着我国参与的主体越来越多，自主研发的技术越来越多，对标准的贡献或占比越来越大，都将改变我们在通信技术领域多年被动跟随的尴尬。
而对于人工智能领域，我国也有很多科研机构和企业在参与其中的技术研发，应该说，在某些领域可能与国外基本是同步甚至是领先的，这对于提升我国在未来人工智能时代的技术、标准话语权以及市场应用主导权至关重要。
仅以“图像识别技术”为例，国家知识产权局网站的统计数据显示，截止目前，国内共有1015年项与图像识别相关发明专利申请，申请时间横跨1993年至2015年。
从专利申请主体来看，既有个人，也有单位，在单位主体中，既有大学等科研机构，也有各类企业。
而在企业之中，既包括LG、佳能、松下、索尼、三星、爱普生、欧姆龙等国外专利巨头，也有百度、携程、小米、创维、TCL、长虹、神画等国内互联网或家电企业代表。
可以说，从时间跨度、参与主体以及研究成果来看，至少在图像识别领域我国已经有一定的技术和专利积累。
所以，我们在感慨“人工智能”的神奇之时，更要看到其未来深不可测的应用前景，在叫好的同时，更要做好本土的技术研究、专利布局和标准制定。
而在人工智能技术应用推广和市场开发中，既需要国家在政策、资金及应用等方面适当予以扶持或支持，加快新技术今早从实验室走向广袤的民用领域，也需要各类企业结合所处行业或领域的特点，尽早将各类人工智能技术成果与自身业务相结合，催生新的服务体验和竞争实力。
本文系作者 李俊慧，来源钛媒体（http://www.tmtpost.com/1658603.html）
AI
从大数据的风水图，来看到底大数据是怎么回事
本文中的Big Data Landscape图笔者随手分享在LinkedIn上，不晓得引起大量转发和评论，截止本周，得到6700个like，3800次share，400多条comment，笔者也觉得很神奇。这里就跟从事大数据或者投资领域的朋友推荐一下。原文作者是VC First Mark的Mark Turck，提下这一家VC，主要投资于早期阶段技术类公司的风险投资机构，包括新兴媒体、广告、游戏、教育、云计算、分析和基础设备等方向。大家熟悉的Airbnb，Pinterest，Shopify都有它的投资身影。
技术型的高科技创业公司都是喜欢闪闪发光的新东西，而“大数据”跟3年前火热程度相比反而有些凄惨。虽然Hadoop创建于2006年，在“大数据”的概念兴起到达白热化是在2011年至2014年期间，当时在媒体和行业面前，大数据就是“黑金石油”。但是现在有了某种高原感。 2015年数据世界中时尚年轻人喜欢转移到AI的相关概念，他们口味变成：机器智能，深度学习等。
除了不可避免的炒作周期，我们第四次年度“大数据风水图”（见下图），回顾过去一年发生的事情，思考这个行业的未来机会。
2016年大数据还是“回事”么？让我们深度挖掘。
企业级技术 = 艰苦的工作
其实大数据有趣的是它不是直接可以炒作的东西。
能够获得广泛兴趣的产品和服务往往是那些人们可以触摸和感受到的，比如：移动应用，社交网络，可穿戴设备，虚拟现实等。
但大数据，从根本上说是“管道”。当然，大数据支持许多消费者或企业用户体验，但其核心是企业的技术：数据库，分析等：而这后面几乎没人能看到东西运行。
而且如果大家真正工作过的都知道，在企业中改造新技术并不大可能在一夜之间发生。
早年的大数据是在大型互联网公司中（特别是谷歌，雅虎，Facebook，Twitter，LinkedIn等），它们重度使用和推动大数据技术。这些公司突然面临着前所未有的数据量，没有以前的基础设施，并能招到一些最好的工程师，所以他们基本上是从零开始搭建他们所需要的技术。开源的风气迅速蔓延，大量的新技术与更广阔的世界共享。随着时间推移，其中一些工程师离开了大型网络公司，开始自己的大数据初创公司。其他的“数字原生”的公司，其中包括许多独角兽，开始面临跟大型互联网公司同样需求，无论有没有基础设施，它们都是这些大数据技术的早期采用者。而早期的成功导致更多的创业和风险投资。
现在一晃几年了，我们现在是有大得多而棘手的机会：数据技术通过更广泛从中型企业到非常大的跨国公司。不同的是“数字原生”的公司，不必从头开始做。他们也有很多损失：在绝大多数的公司，现有的技术基础设施“够用”。这些组织也明白，宜早不宜迟需要进化，但他们不会一夜之间淘汰并更换关键任务的系统。任何发展都需要过程，预算，项目管理，导航，部门部署，全面的安全审计等。大型企业会小心谨慎地让年轻的创业公司处理他们的基础设施的关键部分。而且，一些（大多数？）企业家压根不想把他们的数据迁移到云中，至少不是公有云。
（大数据分析的基本流程图）
从另一个关键点大家就明白了：大数据的成功是不是实现一小片技术（如Hadoop的或其他任何东西），而是需要放在一起的技术，人员，流程的流水线。你需要采集数据，存储数据，清理数据，查询数据，分析数据，可视化数据。这将由产品来完成，有些由人力来完成。一切都需要无缝集成。归根结底，对于这一切工作，整个公司，从高级管理人员开始，需要致力于建立一个数据驱动的文化，大数据不是小事，而是全局的事。
换句话说：这是大量艰苦的工作。
部署阶段
以上解释了为什么几年后，虽然很多高调的创业公司上线也拿到引人注目的风险投资，但只是到达大数据部署和早期成熟阶段。
更有远见的大公司（称他们为“尝鲜者”在传统的技术采用周期），在2011 - 2013年开始早期实验大数据技术，推出Hadoop系统，或尝试单点解决方案。他们招聘了形形色色的人，可能工作头衔以前不存在（如“数据科学家”或“首席数据官”）。他们通过各种努力，包括在一个中央储存库或“数据湖”倾倒所有的数据，有时希望魔术随之而来（通常没有）。他们逐步建立内部竞争力，与不同厂商尝试，部署到线上，讨论在企业范围内实施推广。在许多情况下，他们不知道下一个重要的拐点在哪里，经过几年建设大数据基础架构，从他们公司业务用户的角度来看，也没有那么多东西去显示它。但很多吃力不讨好的工作已经完成，而部署在核心架构之上的应用程序又要开始做了。
下一组的大公司（称他们为“早期大众”在传统的技术采用周期）一直呆在场边，还在迷惑的望着这整个大数据这玩意。直到最近，他们希望大供应商（例如IBM）提供一个一站式的解决方案，但它们知道不会很快出现。他们看大数据全局图很恐怖，就真的想知道是否要跟那些经常发音相同，也就凑齐解决方案的创业公司一起做。他们试图弄清楚他们是否应该按顺序并逐步工作，首先构建基础设施，然后再分析应用层，或在同一时间做所有的，还是等到更容易做的东西出现。
生态系统正在走向成熟
同时，创业公司/供应商方面，大数据公司整体第一波（那些成立于2009年至2013）现在已经融资多轮，扩大他们的规模，积累了早期部署的成功与失败教训，也提供更成熟，久经考验的产品。现在有少数是上市公司（包括HortonWorks和New Relic 它们的IPO在2014年12月），而其他（Cloudera，MongoDB的，等等）都融了数亿美元。
VC投资仍然充满活力，2016年前几个星期看到一些巨额融资的晚期大数据初创公司：DataDog（9400万），BloomReach（5600万），Qubole（3000万）， PlaceIQ（ 2500万）这些大数据初创公司在2015年收到的$ 66.4亿创业投资，占高科技投资总额的11％。
随创业活动和资金的持续涌入，有些不错的资本退出，日益活跃的高科技巨头（亚马逊，谷歌和IBM），公司数量不断增加，这里就是2016年大数据全景图：
2016年2月12日修订，（本文最有价值的图）
很显然这里密密麻麻很多公司，从基本走势方面，动态的（创新，推出新的产品和公司）已逐渐从左向右移动，从基础设施层（开发人员/工程师）到分析层（数据科学家和分析师的世界）到应用层（商业用户和消费者），其中“大数据的本地应用程序”已经迅速崛起- 这是我们预计的格局。
大数据基础架构：创新仍然有很多
正是因为谷歌十年前的MapReduce和BigTable的论文，Doug Cutting， Mike Cafarella开发 创建Hadoop的，所以大数据的基础架构层成熟了，也解决了一些关键问题。
而基础设施领域的不断创新蓬勃发展还是通过大量的开源活动。
（Spark带着Hadoop飞）
2015年毫无疑问是Apache Spark最火的一年，这是一个开源框架，利用内存中做处理。这开始得到了不少争论，从我们发布了前一版本以来，Spark被各个对手采纳，从IBM到Cloudera都给它相当的支持。 Spark的意义在于它有效地解决了一些使用Hadoop很慢的关键问题：它的速度要快得多（基准测试表明：Spark比Hadoop的MapReduce的快10到100倍），更容易编写，并非常适用于机器学习。
其他令人兴奋的框架的不断涌现，并获得新的动力，如Flink，Ignite，Samza，Kudu等。一些思想领袖认为Mesos的出现（一个框架以“对你的数据中心编程就像是单一的资源池”），不需要完全的Hadoop。即使是在数据库的世界，这似乎已经看到了更多的新兴的玩家让市场持续，大量令人兴奋的事情正在发生，从图形数据库的成熟（Neo4j），此次推出的专业数据库（时间序列数据库InfluxDB），CockroachDB，（受到谷歌Spanner启发出现，号称提供二者最好的SQL和NoSQL），数据仓库演变（Snowflake）。
大数据分析：现在的AI
在过去几个月的大趋势上，大数据分析已经越来越注重人工智能（各种形式和接口），去帮助分析海量数据，得出预测的见解。
最近AI的复活就好比大数据生的一个孩子。深度学习（获取了最多的人工智能关注的领域）背后的算法大部分在几十年前，但直到他们可以应用于代价便宜而速度够快的大量数据来充分发挥其潜力（Yann LeCun, Facebook深度学习研究员主管）。 AI和大数据之间的关系是如此密切，一些业内专家现在认为，AI已经遗憾地“爱上了大数据”（Geometric Intelligence）。
反过来，AI现在正在帮助大数据实现承诺。AI /机器学习的分析重点变成大数据进化逻辑的下一步：现在我有这些数据，我该怎么从中提取哪些洞察？当然，这其中的数据科学家们 - 从一开始他们的作用就是实现机器学习和做出有意义的数据模型。但渐渐地机器智能正在通过获得数据去协助数据科学家。新兴产品可以提取数学公式（Context Relevant）或自动构建和建议数据的科学模式，有可能产生最好的结果（DataRobot）。新的AI公司提供自动完成复杂的实体的标识（MetaMind，Clarifai，Dextro），或者提供强大预测分析（HyperScience）。
由于无监督学习的产品传播和提升，我们有趣的想知道AI与数据科学家的关系如何演变 - 朋友还是敌人？ AI是肯定不会在短期内很快取代数据科学家，而是希望看到数据科学家通常执行的简单任务日益自动化，最后生产率大幅提高。
通过一切手段，AI /机器学习不是大数据分析的唯一趋势。令人兴奋的趋势是大数据BI平台的成熟及其日益增强的实时能力（SiSense，Arcadia）
大数据应用：一个真正的加速度
由于一些核心基础架构难题都已解决，大数据的应用层迅速建立。
在企业内部，各种工具已经出现，以帮助企业用户操作核心功能。例如，大数据通过大量的内部和外部的数据，实时更新数据，可以帮助销售和市场营销弄清楚哪些客户最有可能购买。客户服务应用可以帮助个性化服务; HR应用程序可帮助找出如何吸引和留住最优秀的员工;等
专业大数据应用已经在几乎任何垂直领域都很出色，从医疗保健（特别是在基因组学和药物研究），到财经到时尚到司法（Mark43）。
两个趋势值得关注。
首先，很多这些应用都是“大数据同乡”，因为他们本身就是建立在最新的大数据技术，并代表客户能够充分利用大数据的有效方式，无需部署底层的大数据技术，因为这些已“在一个盒子“，至少是对于那些特定功能 - 例如，ActionIQ是建立在Spark上，因此它的客户可以充分利用他们的营销部门Spark的权力，而无需实际部署Spark自己 - 在这种情况下，没有“流水线”。
第二，人工智能同样在应用程序级别有强大吸引力。例如，在猫捉老鼠的游戏，安全上，AI被广泛利用，它可以识别黑客和打击网络攻击。 “人工智能”对冲基金也开始出现。全部由AI驱动数字助理行业已经去年出现，从自动安排会议（x.ai）任务，到购物为您带来一切。这些解决方案依赖人工智能的程度差别很大，从接近100％的自动化，到个人的能力被AI增强 - 但是，趋势是明确的。
结论
在许多方面，我们仍处于大数据的早期。尽管它发展了几年，建设存储和数据的过程只是第一阶段的基础设施。 AI /机器学习出现在大数据的应用层的趋势。大数据和AI的结合将推动几乎每一个行业的创新，这令人难以置信。从这个角度来看，大数据机会甚至可能比人们认为的还大。
随着大数据的不断成熟，这个词本身可能会消失或者变得过时，没有人会使用它了。它是成功通过技术，变得很普遍，无处不在，并最终无形化。
原文：Is Big Data Still a Thing? (The 2016 Big Data Landscape)
如果大家继续对大数据感兴趣，可以参考本人的后Hadoop时代的大数据架构 - 董老师在硅谷 - 知乎专栏
－－－－－－－－－－－－－－－－－－
关注如下微信公众号“董老师在硅谷”（donglaoshi-123)，关注硅谷趋势，一起学习成长。
HRTechChina提供、关注最尖端的人力资源科技资讯。您可以搜索“HRTechChina”公众号或扫描以下二维码关注我们！
扫一扫 加微信
hrtechchina
AI
AI
AI
AI
AI
AI
AI
AI
AI
AI
扫一扫 加微信
hrtechchina
