0
I dati di scienza e di machine learning per il dominio specifici approfondimenti sono al centro di Alibaba strategia globale espansioni.
Michael Borgers, Getty Images/iStockphoto
La guerra in retail ha da tempo andato tecnologico. Amazon è il bambino del manifesto di questa transizione, aprendo la strada per primo facendo il proprio business online, per poi abbracciare il cloud e offrendo sempre più servizi avanzati per il calcolo e storage per thirrd parti su Amazon Web Services (AWS).
Amazon potrebbe essere il leader indiscusso sia in termini di quota di mercato nella vendita al dettaglio e la sua offerta cloud, ma ciò non significa che il concorso appena si siede intorno a guardare. Alibaba, che alcuni vedono come controparte Cinese di Amazon, è ispirato da Amazon successo. Tuttavia, la sua strategia sia nel retail che nel cloud è diversificata, con i due convergenti su un punto focale: i dati della scienza e machine learning (ML).
Wanli Min, Alibaba principali dati scienziato, è una figura chiave nella concezione e attuazione di Alibaba strategia. ZDNet avuto la possibilità di parlare con Min circa al dettaglio nel cloud, così come i dati della scienza, i dati di gasdotti, e ML.
Un rivenditore racconto
Alibaba non è davvero un nome di famiglia, la e-retail mercato è dominato da Amazon e Walmart con gli altri all’inseguimento. Di recente espansione, si sposta da Amazon e la conseguente richiesta, da Walmart a propri associati a spostare le applicazioni off AWS ha raggiunto l’antagonismo tra di loro.
Alibaba, tuttavia, è enorme in Cina, e la Cina è enorme. Questo rende Alibaba una forza da non sottovalutare. Tanto più che c’è ancora margine di crescita, sia in termini di dettaglio e in termini di cloud. Questo non è passato inosservato da parte dei giocatori mondiali di correre per la Cina per rivendicare un pezzo di quella torta, ma è chiaro che Alibaba ha il vantaggio di casa corte.
Alibaba non è davvero nella foto per la vendita al dettaglio negli stati UNITI. Ma sono impostati sulla modifica che, sfruttando i nuovi prodotti e i dati di scienza. Immagine: Statista
Questo taglia in entrambi i modi anche se, come Alibaba obiettivo di espandersi al di là del mercato domestico. Oltre all’Asia, Alibaba è in espansione in Medio Oriente, gli USA e l’Europa. Questo ha portato Min a Parigi per indagare i rapporti di collaborazione e di avvocato, come Alibaba Cloud partecipato Viva la Tecnologia, la risposta francese al CeBIT.
Alibaba record IPO nel 2014 ha coinciso con il lancio di Alibaba Cloud. Alibaba sembrava di Amazon per l’ispirazione, ma la sua strategia cloud è diversificata, che riflette la sua strategia globale. Alibaba funziona come un ecosistema di rivenditori, consistente in ciò che si chiama economia.
Che cosa questo significa è che Alibaba vuole essere qualcosa di simile a un fornitore di servizi per i suoi clienti al dettaglio, piuttosto che possedere l’intero stack come Amazon o Walmart. E ora Alibaba vuole sfruttare il cloud, i dati e l’esperienza per diventare il discepolo di trasformazione digitale (DT) per il suo ecosistema di partner.
“”Il cloud è già accettato, ma la domanda è, qual è il prossimo?”, dice Min. “Che cosa si può fare con quella potenza di calcolo? La nostra risposta è data intelligence, per fornire in tempo reale informazioni traducibili in azioni. Stiamo portando insieme il nostro cloud, i nostri dati e le nostre conoscenze per facilitare DT tramite i dati della scienza.”
Verticale verticale verticale — valore valore valore — cervelli, cervelli, cervelli
Min si riferisce ad Alibaba recente lancio di “Cervelli”: Alibaba dominio specifico di intelligence soluzioni per i domini come la sanità, il trasporto e la produzione. Questo è in netto contrasto con AWS, che offre generico infrastrutture e strumenti e permette ai clienti di creare applicazioni in cima a quello.
Min ha spiegato che il razionale è quello di diversificare da AWS, offrendo un valore aggiunto proposizione invece di cercando di giocare catch-up con loro. “Convincere i clienti ad andare cloud è facile. Ma abbiamo bisogno di convincerli ad andare Alibaba Cloud, e che è dove abbiamo fatto una scelta diversa: verticale, verticale, verticale, valore, valore, valore.”
Questo può sembrare una strategia ragionevole per Alibaba, ma non è facile da eseguire.
Prima di tutto, come si può ottenere le competenze per tanti domini in un unico luogo? Per settori come la produzione e il trasporto, Alibaba leveraged esperienza da trovare e assumere le persone giuste. Ma Min dice che non si può fare, per ogni dominio, quindi l’obiettivo è quello di costruire partnership strategiche.
“Sviluppiamo qualcosa di realizzabile, come una versione 1.0, qualcosa che i nostri partner può iniziare con, e poi lavorare con loro per costruire le versioni 2.0, 3.0 e così via”, spiega Min. C’è solo un problema: come è “qualcosa di realizzabile” andando a competere contro di soluzioni specializzate che sono stati sviluppati da un numero di domini da ora?
“Abbiamo avuto i nostri dubbi,” Min confessa. “Fare questo significa andare contro i concorrenti specializzati nella loro area.” I vantaggi del cloud che Alibaba in grado di fornire, come elasticità e scalabilità per aree geografiche, sono praticamente un dato di queste soluzioni. In esecuzione in (AWS, Microsoft, Google, etc.) cloud SaaS significa che non è più un fattore di differenziazione.
Allora perché andare per Alibaba? C’è sempre l’ecosistema aspetto, e Min la risposta di lungo queste linee, concentrandosi sulla scienza di dati: “Siamo in grado di supportare i clienti andare in un territorio inesplorato. Il nostro Cervello in grado di supportare, e non sarà in lotta con te stesso, devi avere un esercito di esperti al tuo fianco.”
Si e i dati di scienza dell’esercito?
I numeri ci parlano di volumi. Alibaba ha ~37.000 dipendenti, e 20.000 di loro sono tecnici. Min è il leader di un team cross-funzionale di 300 persone, tra cui circa 50 ricercatori, 200 dati tecnici, e di 50 esperti di business. I dati della scienza carenza di competenze è sentita anche in Cina, ma Min dice che sono riuscito a reclutare persone da luoghi come il Giappone, l’Europa e gli stati UNITI.
Alibaba, la cui strategia si basa su un ecosistema, e sfrutta questo ecosistema per offrire dominio specifico, data science-based di applicazioni di intelligenza.
Così come fanno tutte queste persone lavorano, e che cosa li tiene occupato? Min dice che quando si avvicina un nuovo dominio o un problema, lo fanno in un esplorativa di moda, ma sempre con una mentalità orientata al. Per esempio, il trasporto e la logistica, è stato scelto per il suo potenziale impatto. Anche una sola cifra miglioramento per Alibaba partner può tradursi in un risparmio enorme.
“Ci sono varie fasi,” dice Min. “Inizialmente, nessuno sa quanto possiamo fare. Noi di indagare la fattibilità e confini, dove sarebbe possibile per sfondare barriere. Proviamo quindi ad accelerare, a trovare le migliori approcci, e invitiamo i nostri partner di co-innovare.”
Che suoni stretta, ma anche il lavoro e il tempo per la cpu. Non Alibaba valutare la possibilità di automatizzare questo processo, o utilizzando una sorta di quadro di riferimento per questo? “Il nostro approccio è di tipo semi-automatizzato. Non ci credo completamente automatizzato di dati di scienza”, dice Min. “C’è un enorme rischio c’è: si può venire con qualcosa che non ha senso nel mondo reale.
Se si fa il lavoro di esplorazione in fisica, per esempio, è necessario assicurarsi che i risultati sono in linea con le leggi della fisica. Nel business, i risultati devono essere in linea con i processi di business. In caso contrario, si potrebbe finire con risultati che guardare bene sulla carta, ma non ha senso.”
Ci sono un certo numero di correlazioni spurie esempi che Min cites. Ma non è l’incremento della produttività che deriva dall’attività di automazione come provare una moltitudine di ML modelli e caratteristiche allettante? E cosa Alibaba fare per garantire ML risultati hanno senso nel mondo reale?
“Facciamo controlli di integrità”, dice Min. “E si è esperti in materia che fare quelli, non gli scienziati dati. Non voglio che dati gli scienziati coinvolti, voglio che la gente con una visione critica per fare questo. Non conoscono le tecniche, ma sanno di dominio, e si può dire se una cosa ha senso o meno.
Sì, è ipotizzabile che si possono ottenere in Go-come situazioni in cui un algoritmo può dare risultati che non hanno senso perché non pensare a qualcosa che era possibile, ma non stiamo parlando di questo. Stiamo parlando di verificare se le mosse sono in pensione, per così dire. Se i risultati di rispettare le regole, bene, altrimenti hai un problema. Vedo che questo è un sacco, questo è il motivo per cui insisto.”
Scatole nere e i dati di tubazioni
E che cosa circa il black box problema con ML? Durante l’utilizzo di ML può dare grandi risultati, spiegando come questi risultati sono stati derivati non è sempre facile. “Un problema enorme”, dice Min. “La previsione è grande, ma, alla fine, è tutto su intuizioni. I nostri clienti vogliono sapere come migliorare, quale fattore di cambiamento e perché. Quindi abbiamo bisogno di avere spiegabile modelli. Non mi piace massiccia di dati di intelligence senza prestare attenzione, e spesso i nostri clienti ci dicono troppo.”
Min modo di affrontare questa situazione è con la costruzione di due modelli — uno veloce e spiegabile. “Utilizziamo una scatola nera modello per ottenere risultati veloci. Quindi, cerchiamo di usare un modello tradizionale con spiegabile struttura per approssimare i nostri risultati. Finchè abbiamo un spiegabile modello che può approssimare i risultati con infinitesimale differenza, è abbastanza buono. Preferisco andare per un spiegabile modello.
Molto spesso ci capita di avere un periodo difficile spiegare i risultati per i clienti. Se usiamo la approssimativo modello, è molto più facile da vendere: questo è un impatto negativo, questo è positivo impatto… corrispondenza con l’esperto esperienza del mondo. Essi non possono essere in grado di quantificare, ma possono riguardare il positivo e il negativo impatto”.
Min dice di costruire modelli che sembrano sequenziale graduale regressione per provare a imitare e approssimativa di una scatola nera modello. Ma è sempre possibile fare quando si dispone di migliaia di uomini? E wow è difficile? Per Min, “è necessaria la potenza di calcolo per eseguire la loro, ma la loro costruzione è la parte più difficile.
Ci vuole un po ‘ per ogni nuovo prodotto, in quanto è una versione di prova e di errore di processo. È persino difficile definire il problema: abbiamo bisogno di account per tutti gli input, capire che tipo di output che si dovrebbe aspettare e così via. Abbiamo bisogno di scomporre il problema in problemi più piccoli, e che richiede tecniche e competenze di business.
Per esempio, la mia squadra è venuto una volta con quella che per loro è una grande soluzione per un determinato problema. Ma a ben guardare, che la soluzione dipendeva pesantemente su di un parametro che è vulnerabile, in quanto il suo valore è venuto da un sensore che non era al 100 per cento affidabile. In modo che il modello non era praticabile. Cosa succede se il valore è mancante o se è sbagliato?”
Infine, che tipo di architettura e delle infrastrutture di Alibaba utilizzare per la sua pipeline di dati? La sua pipeline è un classico Lambda architettura, streaming di livello e di un batch di livello. E ‘ piuttosto complicato, infatti, come Alibaba utilizza sia Flink e Tempesta in tempo reale di elaborazione dei dati, e in entrambi i casi ha il suo forcelle che funziona con.
Min dice che la ragione ha a che fare con i precedenti. Questo è anche il motivo per cui la società non ha piani immediati per appiattire la loro architettura, per un puro streaming Kappa, come il supporto ai partner esistenti che utilizzano Tempesta.
Min sottolinea che le partnership sono la chiave di Alibaba strategia di espansione, in modo che la luce che rende il senso. Min afferma, inoltre, il “Cervello” soluzioni sono testati e affidabile e in grado di essere competitivi contro punto soluzioni. Resta da vedere come questa strategia si paga per Alibaba, e quanto di trazione si può ottenere.
0