AlphaGo 的出现沸腾了整个技术圈，媒体的热情和投资的热衷让“人工智能”也就是 AI (Artificial Intelligence) 成了大众追捧的新名词。
"人工智能"是计算机科学的一个分支，目的是模拟人的一部分智能。AlphaGo 距离商业化应用还需要一些时间，不过不久前谷歌PR对外宣传已经在数据中心做一些资源调控，从而节省电力资源。今天主要介绍接地气的AI应用: 搜索和推荐。按照目前的技术进展，搜索和推荐切实帮助企业建立了强竞争力的商业化模式。
说到推荐，就不得不提 Amazon，它是首先提出了“通过商品推荐商品”(即Item to Item)的技术方法和产品落地。其实早在 Amazon 之前，美国沃尔玛在线下实体也应用了这样的相关性的分析，最著名的就是"啤酒和尿布"，在美国家庭中，一般是母亲在家中照看婴儿，年轻的父亲回去超市购买尿布。而父亲在购买尿布的同时，往往会顺便为自己购买啤酒。超市的售货员通过分析数据，发现了这个意料之外的模式，啤酒和尿布这两个看似不相干的商品便出现在同一个购物架上。Amazon 为什么有它更大的优势，首先数据是庞大的互联网用户行为数据，再者商品量级远程沃尔玛，其次数据可以实时的挖掘，因此推荐在电商行业获得成功，也是和实体竞争的重磅筹码。说到 Amazon，就不得不提国内的淘宝，逛淘宝已经是国内用户的日常行为，什么叫"逛"，就是闲游，和逛街一般，逛淘宝就是寻找感兴趣的东西。然而淘宝上千万的商品，用户是没有耐心也没有时间逛完的，个性化在这个过程中起到至关重要的作用。在淘宝有一个模块叫猜你喜欢，会根据你历史的购买和加购行为进行推荐你可能感兴趣的东西。就是通过统计的方法去挖掘像和你类似的人群，协同互联网的力量去共同发现大家感兴趣的商品。举个例子，张三和李四互不认识，都有在淘宝购物的习惯，张三和李四都买过同一款键盘，那么张三和李四很有可能是同一群人--程序员，同时李四在买了某款显示屏，张三可能随后在 "猜你喜欢" 上看到这款显示屏。工业界的个性化推荐并不是这么简单的算法就可以帮助，它有亿万的商品，亿万的用户，庞大的行为日志，如何在时效性，相关性，准确性上满足用户需求，这里需要工程和算法的配合。
接下来，介绍下另一个通用的场景，搜索。Google 和 百度是搜索技术业界领先的公司。搜索涉及到相关性和排序，相关性需要计算用户输入的 query 和 网页内容的语义相关，排序则根据用户行为和相关性高低综合考虑。搜索的相关性最基础最广为认知的便是通过 TFIDF 建立向量空间模型，通过计算query 和 网页内容的余弦相似度得到语义上的相似，具体的做法可以参考《数据之美》。得到相关性之后还需要排序，如何判断网页的重要程度，Google 最广为流传便是当时的 Pagerank, 基本思想便是越多网页指向某个网页，那么这个网页会比较重要。具体也可以参考《数据之美》。
当前的推荐和搜索技术已经应用深度学习来提升用户体验，深度学习可能对特征工程的要求较少，但是对业务数据的了解还是必不可少的，机器学习的基础还是需要扎实起来。如何扎实，如何进入人工智能这个行业，听下回分析。