0
Data science en machine learning voor domein-specifieke inzichten zijn in de kern van Alibaba ‘ s strategie voor wereldwijde uitbreidingen.
Michael Borgers, Getty Images/iStockphoto
De oorlog in de detailhandel heeft lang geleden verdwenen technologische. Amazon is de poster kind van deze overgang, het effenen van de weg eerst door het nemen van de business online, dan is het omarmen van de cloud en met steeds meer geavanceerde diensten voor het berekenen van de opslag van thirrd partijen via Amazon Web Services (AWS).
Amazon kan de onbetwiste leider, zowel in termen van marktaandeel in de retail en zijn op de cloud biedt, maar dat betekent niet dat de concurrentie zit rond te kijken. Alibaba, die door sommigen als een Chinese tegenhanger van Amazon, is geïnspireerd door Amazon ‘ s succes. Echter, de strategie zowel in de retail en in de cloud is gediversifieerd, met de twee convergerende op één centraal punt: de gegevens wetenschap en machine learning (ML).
Wanli Min, Alibaba ‘s de voornaamste gegevens wetenschapper, is een belangrijke figuur in de ontwikkeling en uitvoering van Alibaba’ s strategie. ZDNet had een kans om te praten met Min over detailhandel in en van de cloud, evenals de gegevens wetenschap, gegevens pijpleidingen, en ML.
Een retailer verhaal
Alibaba is niet echt een bekende naam in de VS, zoals de e-retail-markt wordt gedomineerd door Amazon en Walmart met anderen in de achtervolging. Een recente uitbreiding beweegt door de Amazone en de daaruit voortvloeiende vraag door Walmart op haar medewerkers om te bewegen hun toepassingen uit AWS heeft piekte de vijandschap tussen hen.
Alibaba is echter groot in China, en China is enorm. Dit maakt Alibaba een kracht moet worden gerekend met. Eens te meer omdat er nog marge voor groei is er, zowel in termen van de detailhandel en op het gebied van cloud. Dit is niet onopgemerkt gebleven door de wereldwijde spelers haasten naar China om te beweren dat een stuk van die taart, maar het is duidelijk dat Alibaba heeft de rechtbank voordeel.
Alibaba is niet echt in beeld voor de detailhandel in de verenigde staten. Maar ze zijn op het veranderen van dat, door gebruik te maken van nieuwe producten en gegevens wetenschap. Afbeelding: Statista
Dit snijdt aan twee kanten maar, als Alibaba is ook om uit te breiden buiten haar thuismarkt. Naast Azië, Alibaba is uit te breiden in het Midden-Oosten, de VS en Europa. Dit bracht Min naar Parijs om te onderzoeken partnerschappen en om te pleiten, als Alibaba Cloud deelgenomen aan Viva Technologie, het franse antwoord op de CeBIT.
Alibaba ‘ s record-brekende BEURSGANG in 2014 viel samen met de lancering van Alibaba Cloud. Alibaba keek naar Amazon voor inspiratie is er, maar de cloud-strategie is gediversifieerd, weerspiegeling van de algehele strategie. Alibaba werken als een ecosysteem van retailers, bestaande uit wat zij noemt een economie.
Wat dit betekent is dat Alibaba wil iets als een service provider voor haar retail klanten, eerder dan het bezit van de gehele stack zoals Amazon en Walmart. En nu Alibaba wil gebruik maken van de cloud, data en expertise om de leerling van digitale transformatie (DT) voor haar ecosysteem van partners.
“”De cloud is al geaccepteerd, maar het is de vraag — wat is het volgende?” zegt Min. “Wat kunt u doen met die berekenen van macht? Ons antwoord is data intelligence, te voorzien van real-time inzichten. We brengen samen onze cloud, onze gegevens en onze expertise te vergemakkelijken DT via de gegevens op de wetenschap.”
Verticale, verticaal, verticale — waarde, waarde, waarde-brains, brains, brains
Min verwijst naar Alibaba ‘ s recente lancering van de “Hersenen”: Alibaba domein-specifieke intelligence oplossingen voor domeinen, zoals gezondheidszorg, transport en productie. Dit is in schril contrast met AWS, die biedt een generieke infrastructuur en tools en laat klanten het bouwen van applicaties op de top van dat.
Min uitgelegd dat de reden was om te diversifiëren van AWS door het bieden van een toegevoegde waarde propositie in plaats van te proberen om catch-up spelen met hen. “Het overtuigen van klanten om te gaan cloud is eenvoudig. Maar we moeten hen overtuigen om te gaan Alibaba Cloud, en dat is waar wij een andere keuze gemaakt: verticale, verticaal, vertikaal, waarde, waarde, waarde.”
Dit klinkt misschien als een redelijke strategie voor Alibaba, maar het is niet eenvoudig om uit te voeren.
Eerst en vooral, hoe kunt u de expertise voor zo vele domeinen op één plek? Voor domeinen, zoals de productie en het transport, Alibaba leveraged expertise door het vinden en aannemen van de juiste mensen. Maar de Min zegt dat ze dit niet voor elk domein, dus het doel is om te bouwen van strategische partnerschappen.
“We iets ontwikkelen van werkbare, zoals een versie 1.0, iets wat onze partners kunnen beginnen, en vervolgens met hen werken aan het bouwen van de versies 2.0, 3.0 en zo”, legt Min. Er is slechts één probleem: hoe is er iets “werkbaar” te gaan om te concurreren met gespecialiseerde oplossingen die zijn ontwikkeld door een aantal domeinen nu?
“We hadden onze twijfels,” Min bekent. “Doet dit betekent dat gaat tegen concurrenten gespecialiseerd in hun gebied.” De voordelen van cloud, die Alibaba kan bieden, zoals elasticiteit en de schaling tussen verschillende regio ‘ s, zijn vrij veel een gegeven voor deze oplossingen. Uitgevoerd in de (AWS, Microsoft, Google, etc.) cloud als SaaS betekent dat niet meer een onderscheidende factor.
Dus waarom gaan voor Alibaba? Er is altijd het ecosysteem aspect, en Min het antwoord langs deze lijnen, met de nadruk op data science: “kunnen We de ondersteuning van klanten in te gaan op onbekend terrein. Onze Hersenen kunnen u ondersteunen en u zult niet vechten zelf — je hebt een leger van gegevens wetenschappers aan uw zijde.”
U en welke gegevens de wetenschap leger?
De getallen er spreken boekdelen. Alibaba heeft ~37,000 medewerkers en 20.000 van hen zijn technisch van aard. Min is de leider van een cross-functioneel team van 300 mensen, waaronder ongeveer 50 gegevens wetenschappers, 200 data-ingenieurs, en 50 business experts. De data science vaardigheid tekort is ook gevoeld in China, maar Min zegt dat ze hebben weten te werven van mensen uit landen als Japan, Europa en de verenigde staten.
Alibaba ‘ s strategie is gebaseerd op een ecosysteem, en het gebruik van dit ecosysteem te bieden domein specifieke data science-based intelligence applicaties.
Dus wat doen al deze mensen werken, en wat houdt hen bezig? Min zegt bij het naderen van een nieuw domein of een probleem, dat doen ze in een verkennende manier, maar altijd met een business-gericht. Bijvoorbeeld, het vervoer en de logistiek werd gekozen voor de potentiële impact. Zelfs een enkel cijfer verbetering voor Alibaba partners kan leiden tot enorme besparingen.
“Er zijn verschillende stadia,” zegt Min. “In het begin weet niemand wat we kunnen doen. We onderzoeken de haalbaarheid en de grenzen — waar het mogelijk zou zijn om door te breken huidige belemmeringen. Vervolgens proberen we te versnellen, het vinden van betere benaderingen, en nodigen onze partners co-innoveren.”
Dat klinkt hechte, maar ook de arbeids-en tijdsintensief. Doet Alibaba overwegen het automatiseren van een deel van dit proces, of met behulp van een soort van kader voor dit? “Onze aanpak is semi-geautomatiseerd. Ik geloof niet in een volledig geautomatiseerde data science,” zegt Min. “Er is een groot risico: u kunt komen met iets dat geen zin heeft in de echte wereld.
Als u verkennend werk in de fysica, bijvoorbeeld, moet u ervoor zorgen dat uw resultaten zijn in lijn met de wetten van de fysica. In het bedrijfsleven, uw resultaten moeten worden in lijn met business processen. Anders kan je eindigen met resultaten die er prima uitzien op papier, maar geen zin.”
Er zijn een aantal valse correlaties voorbeelden die Min cites-er. Maar is het niet de boost in productiviteit, dat komt van het automatiseren van taken, zoals het uitproberen van een veelheid van ML modellen en functies verleidelijk? En wat doet Alibaba doen om ervoor te zorgen ML resultaten zin in de echte wereld?
“We doen controles”, zegt Min. “En het is het subject matter experts dat doen, niet de gegevens wetenschappers. Ik wil niet de gegevens van betrokken wetenschappers, ik wil dat mensen met een kritische blik om dit te doen. Ze weet niet de techniek, maar ze weten het domein, en kan u vertellen of iets zinvol is of niet.
Ja, het is denkbaar dat je kan krijgen in het Go-achtige situaties, waar een algoritme kunnen de resultaten geven aan dat geen zin meer, omdat je niet denkt dat er iets mogelijk was, maar we zijn er niet over te praten. We zijn aan het praten over het controleren of uw bewegingen zijn in de raad van bestuur, om zo te spreken. Als de resultaten niet voldoen aan de regels, fijn, anders heb je een probleem. Ik zie dit veel, dit is de reden waarom ik erop.”
Zwarte dozen en gegevens pijpleidingen
En wat te denken van de zwarte doos probleem met de ML? Tijdens het gebruik ML kan geven goede resultaten, uit te leggen hoe deze het gevolg zijn afgeleid, is het niet altijd gemakkelijk. “Dat is een grote zorg”, aldus Min. “Voorspellen is geweldig, maar in the end it’ s all over inzichten. Onze klanten willen weten hoe het te verbeteren, met welke factor te veranderen en waarom. Dus moeten we verklaarbaar modellen. Ik hou niet van massale data intelligence, zonder aandacht, en onze klanten zeggen vaak tegen ons.”
Min ‘ s manier van omgaan met deze is door de bouw van twee modellen — een snelle en verklaarbaar. “We maken gebruik van een black-box model om snel resultaten te bereiken. Vervolgens proberen we gebruik te maken van een traditioneel model met verklaarbaar structuur te geschatte onze resultaten. Zolang we hebben een verklaarbaar model dat kan geschatte resultaten met oneindig klein verschil, het is goed genoeg. Ik ga liever voor een verklaarbaar model.
Heel vaak hebben we een harde tijd het verklaren van de resultaten naar de klanten. Als we gebruik maken van het geschatte model, het is veel makkelijker om te verkopen: dit is van negatieve invloed, dit is een positief effect… dit komt overeen met de deskundige ervaring van de wereld. Zij kunnen niet in staat zijn te kwantificeren, maar ze kunnen betrekking hebben op de positieve en negatieve gevolgen.”
De Min zegt dat ze het bouwen van de modellen die eruit zien als sequentiële stapsgewijze regressie uit te proberen en na te bootsen en de geschatte een black box model. Maar is het altijd mogelijk om dit te doen als je functies in de duizenden euro ‘ s? En wow, moeilijk is het? Voor de Min, “je moet de rekenkracht om ze te draaien, maar het bouwen van hen is het moeilijkste deel.
Het duurt een tijdje voor elk nieuw product, het is een trial and error proces. Het is zelfs moeilijk om het probleem te definiëren: we moeten rekening houden met alle input, erachter te komen wat voor soort output we moeten verwachten en dus op. We moeten ontleden het probleem in een aantal kleinere problemen, en dat vergt zowel technische en zakelijke expertise.
Bijvoorbeeld, mijn team een keer kwam met wat zij als een geweldige oplossing voor een bepaald probleem. Maar bij nader kijken, die oplossing hing zwaar op een parameter die was kwetsbaar, als de waarde is afkomstig van een sensor die is niet 100 procent betrouwbaar. Dus dat model was niet werkbaar. Wat gebeurt er als die waarde ontbreekt, of als het verkeerd?”
Tot slot, wat voor soort van architectuur en infrastructuur is Alibaba het gebruik van haar data pipeline? De pijplijn is een klassieke Lambda-architectuur, met een streaming-laag en een batch-laag. Het is nogal ingewikkeld in feite, als Alibaba gebruikt zowel Flink en Storm voor de real-time verwerking van gegevens, en in beide gevallen heeft zijn eigen vorken waarmee het werkt.
Min zegt de reden heeft te maken met de erfenis uit het verleden. Dit is ook de reden waarom het bedrijf heeft geen onmiddellijke plannen om plat van hun architectuur een pure streaming Kappa, zoals het ondersteunen van bestaande partners die Storm.
Min benadrukt dat partnerschappen zijn de sleutel tot Alibaba ‘ s strategie voor uitbreiding, dus in dat licht dat zinvol is. Min beweert ook de “Hersenen” oplossingen zijn getest en betrouwbaar en concurrerend zal zijn tegen punt-oplossingen. Het blijft te bezien hoe deze strategie loont voor Alibaba, en hoe veel tractie kan krijgen.
0