我們正處于大數(shù)據(jù)和數(shù)字化轉(zhuǎn)型的時代。數(shù)據(jù)無處不在，運用數(shù)據(jù)驅(qū)動的思想和策略在實踐中逐漸成為共識，數(shù)據(jù)的價值已在科學研究和工商業(yè)的不同領域得到充分展現(xiàn)。然而，如果無法從數(shù)據(jù)中提取出知識和信息并加以有效利用，數(shù)據(jù)本身并不能驅(qū)動和引領數(shù)字化轉(zhuǎn)型取得成功。如何讓數(shù)據(jù)發(fā)揮它最大的價值?“數(shù)據(jù)智能”(Data Intelligence)應運而生。

然而，技術的不斷發(fā)展終究要服務于現(xiàn)實生活，海量數(shù)據(jù)背后那些未被挖掘的價值，需要企業(yè)不斷挖掘并樂于分享才能真正促進行業(yè)轉(zhuǎn)型，才能賦能各種應用場景。日前，由MobTech MobAI團隊基于Spark自研的因子分解機(Factorization Machine，簡稱FM)模型已得到Spark merge，Spark使用者只要更新Spark后，即可使用該模型。

Apache Spark是一個互聯(lián)網(wǎng)行業(yè)普遍使用的開源大數(shù)據(jù)分布式編程框架，借助Catalyst、新的混排方法、新的網(wǎng)絡模塊等，獲得了超越MapReduce框架的性能，也提供了豐富的API接口。截至2015年年底，Spark是所有大數(shù)據(jù)項目中最活躍的開源項目。如今，許多公司使用Spark，包括亞馬遜、Autodesk、Groupon、TripAdvisor，百度、阿里巴巴和騰訊、微軟等國內(nèi)外一流互聯(lián)網(wǎng)公司都在使用。

而FM模型自從2010年被提出后，由于易于整合交叉特征、能夠有效解決高維數(shù)據(jù)特征組合的稀疏問題且具有較高的預測精度和計算效率，在推薦系統(tǒng)及廣告CTR預估等領域得到了大規(guī)模使用，國內(nèi)很多大廠(如美團、頭條等)都用它來做推薦及CTR預估。在數(shù)據(jù)稀疏的情況(如CTR預測)下，F(xiàn)M模型展現(xiàn)出非常高的預測質(zhì)量，被提出后迅速成為學術界和行業(yè)研究和應用的熱點。

比如在某銀行短信投放的項目中，一開始使用對于計算廣告等有天然優(yōu)勢的邏輯回歸模型，點擊率為1.18%。但是，邏輯回歸雖然適合用來學習需要大規(guī)模訓練的樣本和特征，同時也有著不容忽視的缺點：1.模型表達能力弱，需要大量的特征組合提高特征的表達;2.模型簡單，容易欠擬合。所以在評估后，MobTech選擇了使用FM模型，成功幫助用戶的點擊率增長至3.62%，帶來了更多轉(zhuǎn)化。

作為全球領先的數(shù)據(jù)智能科技平臺，MobTech結合大規(guī)模數(shù)據(jù)處理、數(shù)據(jù)挖掘、機器學習、可視化等多種技術，從數(shù)據(jù)中提煉、發(fā)掘、獲取有揭示性和可操作性的信息，為企業(yè)和品牌在基于數(shù)據(jù)制定決策或執(zhí)行任務時提供有效的智能支持。自研FM模型并得到Spark merge是MobTech助力各企業(yè)探求數(shù)據(jù)空間中未知世界，在不同領域里尋找巨大機會的見證，也彰顯了MobTech在推動行業(yè)重塑商業(yè)分析和商業(yè)智能領域的決心。

新一輪技術革命帶來的商業(yè)演進把我們帶進“ABC”時代，即人工智能(AI)、大數(shù)據(jù)(Big Data)和云計算(Cloud Computing)。而根據(jù)Gartner的調(diào)研，一種新的

“增強分析”的分析模式正在顛覆舊有方式，預計在幾年內(nèi)將成為商業(yè)智能系統(tǒng)采購的主導驅(qū)動力。這種“增強分析”模式正是由數(shù)據(jù)智能技術賦能，提供了自然語言查詢和敘述、增強的數(shù)據(jù)準備、自動的高級分析、基于可視化的數(shù)據(jù)探索等多種核心能力。

未來，MobTech將會潛心數(shù)據(jù)智能研究，讓產(chǎn)品更加契合當今大數(shù)據(jù)時代各領域、各行業(yè)從數(shù)據(jù)中挖掘、實現(xiàn)價值，進行數(shù)字化轉(zhuǎn)型的迫切需要。并不斷將成果與眾企業(yè)分享，一同實現(xiàn)數(shù)據(jù)智能在更多領域的落地和發(fā)展，不斷挑戰(zhàn)新應用和新場景，進一步激發(fā)和驅(qū)動數(shù)字智能研究保持強勁的發(fā)展勢頭，邁向更高的層次。

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。