-
人工智能
人工智能招聘平台 untapt 获得 200 万美元 B 轮融资
untapt 是纽约的一家招聘平台，依靠人工智能技术驱动的招聘平台，主要挖掘金融科技领域里的优秀人才。近日，该公司宣布获得了一笔 200 万美元的 B 轮融资，一批新晋风投公司参与了本轮融资，包括 Cris Conde、Walter Barandiarán、WorldQuant Ventures、Bluff Point Associates、Mathers Associates、以及 Sand Hill East 等，此外之前曾投资过该公司的 SenaHill Partners 和 Tsai Capital 两家风投也在本轮参投方之中。
Untapt 利用人工智能技术开发了强大的数字招聘平台和科技人才池，这样可以精准匹配，并充分满足科技人才和企业主双方的求职及招聘需要。最近，该公司还发布了一款全新的企业内部移动招聘产品——untaptX，允许大企业（特别是科技和金融科技行业）将 untapt 移动数字招聘平台整合到自己的系统内，作为一套企业内部员工晋升系统产品，untaptX 能让企业主能够更好了解自己手下有哪些“能人”，有效帮助他们获得提升机会，减少人才流失。
Untapt 公司联合创始人兼首席执行官 Ed Donner 表示：
我们的目标就是希望利用人工智能技术驱动所有科技行业的招聘工作，包括企业的外部招聘和内部人才晋升。此外，公司愿景和战略能够得到业内领先的投资人支持，也让我们感到非常兴奋，因为这也意味着投资人认可了我们的团队才能和产品质量。
如今，在美国金融科技、技术研发、以及医疗健康行业内大约有 1500 万专业技术人士。利用人工智能技术的人才匹配引擎和招聘平台，给招聘工作带来了颠覆创新，untapt 公司在这一领域里已经占据了有利位置。
得益于这笔投资，untapt 公司将进一步提升产品线，并进军新地区市场。之前，该公司的业务范围主要覆盖美国东北部各州，现在他们计划在西海岸招募一支销售团队，并挖掘更多大型软件公司客户。
本文来自翻译：venturebeat.com，如若转载，请注明出处：http://36kr.com/p/5057710.html
-
人工智能
利用人工智能转变企业合规性管理方式，ComplyAdvantage 获 820 万美元 A 轮融资
创建高风险个人、企业及相关机构的系统分析信息，实时洞察金融犯罪风险。
设想一下，在企业创立初期，如果由于某些原因无法通过反洗钱调查，那就无法开立一个企业银行账户，也就无法通过身份审查来接收来自其它国家地区的融资款项，可见合规性对于一家企业来说可谓是生死攸关。但是，金融犯罪目前却变得越来越复杂，数量也在不断增加，企业传统的客户关系筛查和监控方式现在已经比较落后，并且成本昂贵，效率低下，通常需要进行大量的人力工作，对于犯罪分子的克制作用也十分有限。ComplyAdvantage 相信采用人工智能机机器学习能够逐渐转变企业合规性的管理方式。
今天，ComplyAdvantage 宣布获得 820 万美元 A 轮融资，由欧洲最大的风投机构之一 Balderton Capital 领投。公司计划利用本轮融资推进业务增长，并提高产品服务在欧洲和北美地区的覆盖率。
ComplyAdvantage 创立于 2014 年，总部位于伦敦，致力于帮助企业履行合规性义务并降低合规性管理的成本投入。公司利用人工智能、机器学习和大数据分析技术，利用专有动态数据库，覆盖制裁和监控名单、政治敏感人物和全球不良媒体信息，基于最新数据创建高风险个人、企业及相关机构的系统分析信息，实时洞察金融犯罪的风险。其创新性的人工智能筛选和监测技术不仅能够提高准确性，而且有助于降低错误的风险警报几率。
公司创立初期主要是帮助少数企业来达到反洗钱（AML）和反恐融资（CFT）的相关要求，之后服务产品逐渐扩展至政治敏感人物名单以及其它难以规模化实施的企业风险及合规性问题。现在，ComplyAdvantage 解决方案主要包括三个方面：专有 AML 风险数据库、“了解您的客户”（KYC）在线筛选和监控平台以及实时交易监控平台来检测可疑客户行为。企业可以利用 ComplyAdvantage 平台，在涉及制裁、洗钱、恐怖融资、贿赂和腐败的合规性法规问题时，做出明智的选择。
自创立至今，ComplyAdvantage 已经与金融市场以及其它领域的监管、高风险领域的 200 多名客户进行了合作。本周，公司最新在纽约设立了办事处。
本文参考了信息来源：www.ioebusiness.com
-
人工智能
机器学习和人工智能这么火，初创企业在哪些领域会有机会？
注：本文原载于 Elad Blog，作者 Elad Gil，由 ONES Piece 翻译计划 徐雪儿编译。
编者按：最近，特斯拉无人驾驶汽车发生的事故让人们对无人驾驶技术有了一丝质疑，但这仍是许多科技巨头公司趋之若鹜的发展方向。可以说，人工智能和机器学习已经从原先电影里的概念性设定跳脱出来，小到监测健康数据的可佩戴式仪器，大到智化的机器人，这些都真实的发生在现实世界。而对于机器发展最大的争议，或许就在于大量劳动力的替代和道德层面的探讨。Twitter战略总监，同时也是著名投资人的Elad Gil在本文就预测了他认为围绕机器学习和人工智能可能发展起来的领域，以及真正AI时代给社会带来的影响和冲击。
在可预期的未来，人工智能科技将在多个商业领域发挥其不可估量的影响。在接下来的10-20年里，机器学习也许会渐渐取代白领和蓝领的工作，最终导致全社会范围的大量动荡。
目前，大多数的主流报道都还停留在讨论人工智能的一般用途上（也就是所谓的AGI强人工智能，指能完全胜任人类脑力劳动的人工智能），但很少有人去关注最近五年内，人工智能和机器学习最有可能转变的具体垂直市场。简单来说，我认为要达到真正的强人工智能水平，我们还有十多年的距离，但是由人工智能驱动的垂直产品在近年就会带来一场巨大的变革。
下面列出的都是企业家和投资者们估值过低的领域，而在这些不被看好的领域里，我相信一大批大型的AI公司很快就会成长起来。在所有围绕机器学习发展的领域里，一家创业公司想要成功，有两个关键点：1、搭建用来训练模型的有用的数据库的能力，以及拥有对模型进行递归性测试和闭环反馈的模拟环境；2、选择一个市场，让机器学习根据市场需要创造产品。为了做AI而做AI的产品就像一个找不到问题的答案，通常这类创业公司都容易失败或者是被谷歌、Facebook、Uber 等其中一家收购。(在这个市场里还会有成千上万的收购案，因为所有公司都想要提升自己的在这块领域的能力。)
下面是我认为在未来五年内能产生大AI公司的领域：
硬件和集成电路
无人驾驶汽车不可抵挡的发展势头，以及大量使用机器学习技术的其它市场的发展，将会带动对更高效、为机器学习模型专门优化的硬件的需求。很少有创业公司或者投资者投入到能更快速运行的机器学习系统基础芯片构架开发上。许多使用专业集群来运行机器学习的公司都会选择NVIDIA的GPU（图形处理器），但其实这款处理器没有进行过特殊优化，并不是机器学习模型的最佳选择。所以在这方面的硬件上仍然有很大的创新空间（ASIC或者是其他方式），可能会有ARM或者高通这样的大企业诞生。这不仅是机器学习在各个行业的应用发展促成的，也是无人驾驶汽车和其他硬件对处理器的大规模需求所驱动的。说不定，在人工智能领域的第一个百亿美金公司会是做芯片的。（你确实可以说谷歌搜索/广告是世界上应用机器学习模型最成功的垂直应用，它的市场价值和收益早已经超过100亿美金了。所以我的意思是，下一个会成功的初创公司。）
像 Cerebras 和主攻深度学习的Nervana公司目前就正在这个领域发展。
金融科技
WealthFront 和 FutureAdvisor（被BlackRock收购） 在“智能投顾（robo-advisors）”领域的崛起，表明金融服务公司开始关注由机器驱动的投资组合管理和交易模式。无论是投资组合的组建和交易，还是从不同类型的金融数据中提取分析结果上，机器学习都会产生越来越显著的影响。
机器学习和大数据在金融科技上的应用至少会有三个方向：
提高交易效率或者收集独到分析的工具。OmegaPoint公司就专注于打造“新生代的Bloomberg”，将机器学习模型建立在数据服务上用于交易。
基于机器学习的投资组合管理和交易运作。
通过机器学习模型来理解金融产品，并为其定出合理的价格。
像保险、房贷和其他衍生产品将会大大受益于人工智能的应用。如果一家创业公司或目前行业内的玩家能用新的统计方法和机器学习为客户计算出更优惠的房屋贷款分期方案，那它肯定会做成一家大公司。
无人驾驶汽车和卡车
无人驾驶汽车的出现，将会扰乱现在价值数十亿美元的交通运输市场。汽车和卡车的生产商已经意识到，一场关乎生存的危机正在悄悄降临。而特斯拉公司的出现无疑加剧了这些汽车行业公司的危机，因为前者现在似乎终于有了一款面向大众的汽车，并且正在无人驾驶领域大力推进。更加雪上加霜的是，谷歌和百度这样的科技巨头也要在无人驾驶技术上参一脚。许多汽车公司更愿意自己发展，避免依赖于这些科技公司——因此美国通用汽车花10亿美金并购初创公司Cruise，Uber花1%的股权收购了自动驾驶卡车公司Otto。在接下来的1-3年，无人驾驶汽车领域的收购合并案还会持续频繁地出现。
无人驾驶技术的发展，必将掀起数百万人的失业浪潮和不可小觑的社会变革（很大程度上会是经济上的通货紧缩）。尽管产业革命已经在150年前发生过了，但随着多种职业的消失，人工被取代，在接下来10-20年中爆发更大型的失业潮也不足为奇。如果政府没有为这些失业者提供另谋生路的机会，政治上的动荡不可避免。
医药
人们一讨论到人工智能或者机器人，就会举例说蓝领工人要面临失业了，然而我倒觉得大部分的白领们会被人工智能所取代。
医药领域将会迎来一次大颠覆。从疾病的定义、诊断到治疗方案，机器学习将改变整个医疗系统。“技术领域”投资之王VinodKhosla在这方面就有不少的高见。
在医疗护理方面，机器学习也有很大的发展潜力，能替换掉原有的大部分构架。想象一下在未来，只要有一部智能手机，每个人就相当于拥有了世界上最好的医生，不仅成本低，而且随叫随到。
a. 诊断
记得之前看医生的糟糕历经吗？排队等了45分钟，轮到你却只看了5分钟就草草了事，给点无关痛痒的治疗建议。糟糕的客户服务和高昂的医药费用，在任何有竞争力的行业都是存活不下去的。
从医生诊断到机器诊断的转变，将会促进每种疾病单独的产业发展——比如IBM的Watson认知计算项目就宣布了自己在肿瘤学的进步。类似的还有，在抑郁症诊断方面的惊人进展和通过计算机深度学习对其他精神疾病的研究。机器诊断的限制往往在于可利用的数据量，以及是否能对诊断和结果进行闭环反馈。
想要加速机器学习技术在医学上的应用发展，一个方案是收购一座现有的放射治疗中心或诊所。这座放射治疗中心将会被连上网络，优化数据生成环节，用以生成数据训练机器学习模型去诊断和治疗病人。通过在诊所推行机器模型与传统的标准诊所服务齐头并进的做法，你在获得机器闭环反馈的同时，还能减少监管和病人护理的问题。
同时，机器学习模型的推行会提升诊断测试的准确性。比如，用机器学习模型来决定DNA测序仪上的变体识别是否正确，或者在荧光激活细胞分离器上观察到了哪种细胞类型。我的公司Color Genomics已经开始用不同的方式，将机器学习应用到基因学研究上了。
b. 治疗
和诊断方法相似，机器学习将能帮助病人选择正确的治疗方案。而最大的限制可能(又)在于数据的访问。
c. 持续的监测和分析
为机器学习模型增加可利用数据的一个方法，就是采用以消费者为主导的新型技术进行持续的监测。健康数据的自我监管背后，有一小簇忠实的拥护者。像Cardiogram公司就通过持续的脉搏检测和其他数据监管的方式，让消费者掌握更多的自主权。硅谷的一批居民都用上了The FreestyleLibre血糖监测仪，自己来检测血糖水平。推动“全民科学”的发展，和激发人们积极关注自己医疗保健和健康状况的意识，可能会改变现有的医疗实践。
教育
从科技角度来看，美国的教育市场挺糟糕的，所以我从未投资过任何的教育类创业公司。即便如此，我还是抱着一丝悲观的期望，会有开发智适应教育系统的的公司出现，能因材施教地划分学生的线上学习内容和线下课堂教学内容。这种教育科技能大幅提升发达国家和第三世界学生的学习能力。
其他领域
还有许多已经、或者即将被机器学习颠覆的领域（制造业，广告业等等），本文没有涉及到。作为一个企业家和投资者，我个人最感兴趣的就是上述几个领域，以及围绕这些领域的许多发展机会。企业家们应该思考，机器学习是如何做到让一个市场里的某产品变强十倍的，而不是仅仅关注机器学习本身的价值。这也是围绕人工智能发展一家大公司的关键所在。
数据限制
从根本上来说，AI产业发展的限制大多来自对数据量的依赖。如果金融、医疗和其他领域的数据能大量利用的话，不少的先进机器学习应用也许能保留下来。大公司（谷歌，IBM等）和创业公司建立有用的数据库的方法有两种，购买数据接入途径或者合作找解决方案。数据将会改变许多的产业，成为科技廉价化和民主化的一股力量（比如贫富国家之间的医疗护理标准日趋相同），但同时也会取代发达国家相当一部分的劳动力。在未来5-10年间，机器学习的终极影响将体现在拓宽关键信息的接入渠道（如医疗诊断），和替代掉数百万人的劳动力。接下来还会有更多相关文章。
-
人工智能
企业级软件协作，没有数据怎么人工智能？
编者按：本文作者Lucas Wang，HWTrek智造协作平台CEO，HWTrek.com提供的在线管理和团队协作工具简化硬件开发过程，并帮助硬件开发者在线对接物联网产业专家和供应链企业。
近期几家企业软件大厂商做了几个有意思的布局，微软262亿美金收购了以商业人士为主的社区领英Linkedin，Salesforce.com 5.82亿美金买了线上办公文件协作初创公司Quip。Salesforce.com的收购很多人可能解读为客户服务的延伸或并购人才，而微软收购Linkedin则有许多不同的臆测，但我们认为这些巨头都是在人工智能领域下一盘很大的棋。
商业协作是人工智能的另一座大金矿？
一般大家理解的人工智能是和机器下下棋、聊聊天，以及导航、医疗、游戏、机器人或工业管理等领域的应用，其实人工智能还有一个金矿就是企业服务，特别是在商业往来协作方面。根据西门子研究报告预测，企业应用AI智慧系统的市场价值为2.03亿美金（2015年）－111亿美金（2024年）。软件应用智能科技的重要性日益增加，单就机器学习而论，软件市场价值预估其营收从2015年的1.09亿美金，到2020年将达到65亿美金，市场规模可能是现今的几十倍。
市场的增量在哪里？传统的客户服务、客户管理方式都是透过单向客户信息来进行互动来往的，比如通过知道客户的联系方式，利用邮件、通讯软件、电话与客户沟通。而随着所谓的智能语音助手或网络服务机器人的出现，大家仿佛看到了人工智能在商业协作领域的一些方向，但这离真正的人工智能还是相去甚远。传统的客户服务只是初级阶段，之后商务往来中如需更多的使用协助与效率增进就变得更为困难，而这也是人工智能在商业协作领域的商机所在。
没有数据，怎么人工智能化？
无论未来人工智能在商业协作领域如何发展，算法如何迭代，仍会遇到一个重要的问题，“没有数据，怎么人工智能化”。而人与人之间的商业往来是最为复杂也最缺乏数据积累的地方，这也是企业软件或服务公司目前碰到的最大问题。拥有再高深的软件算法，再强大的硬件，没有所谓的商业逻辑与数据积累，任何商业的人工智能是没有意义的空盒子。
人工智能的企业级应用路在何方？
我们看看微软和SalesForce.com这两家企业软件的棋路。
微软买领英Linkedin为的是帮其新一代的云端办公室软件Office 360及客户关系管理Dynamics注入专业人士的灵魂。文件协作的数据来自于人，人也带来了数据的意义。现在各种协作方式都只看到简单的个人信息，我看不到对文件修改的律师是专长在公司法还是贸易法，就没有办法判别其意图并确定之后追踪的方向，这些数据的价值也难以判断，更难以为之后的人工智能运转做数据积累。或者我们在协作文件上产生法律问题时，我要怎么在既有协作文件基础上寻找专业的人士来帮忙？当然Dynamics产品就更不用说了，Linkedin不只是带来客户群，同时带来商业协作数据的意义，有意义的数据就是人工智能的基础。
Salesforce.com买Quip就简单多了。Salesforce.com身为企业软件CRM的老大，它一直没有介入文件协作领域。但以目前企业服务的复杂度，文件是不可避免的需要覆盖的需求。试想，一个项目牵涉三家企业或不同业务联系窗口，客户又有阶段性需求在前进着，没有协作的平台来追踪事件任务与沟通的过程，如何继续进行客户服务？没有协作平台，怎么取得四散在邮件、微信、电话会议等的数据？但Quip可能将不只是文件协作，Salesforce.com在这篇文章撰写时也传出要抢亲微软与领英的并购案。
以上说明几点：协作平台、人与数据积累是迈向企业人工智能服务的三大要素，缺一不可。
-
人工智能
利用人工智能提高员工参与度，Glint 获 2700 万美元 C 轮融资
在工作中，我们是一个团队、组织或公司中的一员。一个组织的健康状况往往难以测量，但人们能够感受到。当感受到它的问题，又说不上来问题在哪里，或是没有好的解决方案时，人们往往会选择离开。
美国创业公司Glint定位自己为“数字时代的组织发展平台”。通过人工智能和数据分析，为团队提供健康状况的整体视图。团队可以利用这些数据信息，做出有效决策。
“无论公司大小，实时反馈员工的参与度是它们共同的诉求。”Glint联合创始人兼CEO Jim Barnett在采访中说。Glint认为，每一个团队都有一个运行的“公式”，Glint想要做的就是通过数据分析，找到团队的核心问题。
传统的解决方式往往是一年一度的员工满意度调查，效果并不尽如人意。在数字时代，Glint的优势在于能够紧跟公司变化，实时提供反馈信息。这些信息能够帮助公司分析员工的主要驱动力，提供预测性的见解和改善方向。
在Glint APP上，根据组别的不同（比如管理组、技术组、销售组等），每组的基础分（benchmark）也不尽相同。APP会实时记录超过或低于基础分的人数，并对存在问题的团队发出警告提示。此外，还有评论区和计划版块，员工可以对团队表现提出建议，并制定解决方案。
从超过50万的员工数据中Glint发现，分数较低的员工比分数较高的员工流失率高出12倍。不过，如果能及时识别出这些“危险”的员工，并提出相应的改善计划，能够快速提高员工参与度。
Glint成立于2015年2月，CEO 是 Jim Barnett, 总部位于加利福尼亚。成立以来，Glint已经为AOL、Blue Apron、Sky等多家公司提供服务。在同一领域，Glint面临的竞争对手还有专注于员工分析的Culture Amp，为HR提供SaaS服务的Engagedly，以及GOintegro，Kanjoya，Quantum Workplace，Reward Gateway等。
融资方面，Glint在2016年8月底宣布获得2700万美元C轮融资，由Meritech Capital Partners 和 Bessemer Venture Partners领投，Norwest Venture Partners和Shasta Ventures跟投，累计融资金额近5000万美金。这轮融资计划用于加强平台的创新能力和团队的扩充。
本文来自翻译：www.vbprofiles.com
-
人工智能
不止是填报志愿，iPIN还把人工智能落地招聘、法律、金融等行业
iPIN最近有新动态了。此前对iPIN的印象还停留在完美志愿上。完美志愿是一个通过分析全国2000多所院校、1200个专业、4000万学生的数据，并利用机器学习、自然语言处理、复杂数据分析、大规模运算、可视化、数据应用等办法，最后为考生报志愿提供一个科学的决策依据的平台。
但其实iPIN是一家人工智能公司，能够对各行业的信息进行深入学习，并按照用户的输入进行语义层面的关联搜索、分析、排序，最终目的是帮助用户提高决策效率，使其决策更为智能。在iPIN CEO杨洋看来，这些是iPIN的核心产品，其他产品则是这套技术的落地。这一套体系，类似于IBM WATSON。为了让语义检索更加智能，能够理解一些行业专有名词，iPIN还建立了一套中国经济图谱，因为同一个名词，在自然语境下和行业语境下代表的意思不一样。
据悉，iPIN现在已针对招聘、法律行业推出了相应的三款产品：“职场罗盘”、“haoHR”、“法律谷” 。
职场罗盘的产品形态类似于Indeed，用户上传自己的简历，便能搜索到匹配的职位信息，不过这里的职位信息会导流到各大招聘渠道。但杨洋强调，其实职场罗盘和Indeed唯一的相似之处只是全网搜索，但两者使用的搜索技术不同，Indeed是关键词搜索，而职场罗盘则是语义搜索，两种搜索技术的实现难度与结果匹配度相差甚大。此外，职场罗盘真正想做是为用户提供一个类似于职场管家的服务，为用户显示职场动态等资讯。
haoHR则面向B端的产品，服务于企业的HR，帮助找到合适的候选人。通过iPIN目前接入的第三方简历接口，HR只需输入其招聘要求，不必考虑输入哪些关键词是合适的，haoHR便会提供相应的候选人。至于效果，杨洋告知，大概10位候选中至少有8位是符合招聘要求的。据悉，目前有400多家企业在付费使用这一项服务。
至于“法律谷”，是一款为律师查询过往相关案例的产品，目前已分拆出来，进行独立发展。
在商业模式方面，iPIN认为自己今后将主打技术输出模式，奉行轻资产路线。之所以这样选择，是因为全面深入各行各业去做运营对于企业来说相对比较困难，iPIN还是希望更专注于其擅长的人工智能。不过，杨洋告知，仅完美志愿这一产品今年的销售额已有4000多万元。此外，iPIN下半年将上线对标Kensho的金融行业产品，能够为金融机构分析出相应的投资机会。
据了解，iPIN团队有110人左右，80%以上是研发人员，base在广州、深圳两地，目前已启动B轮融资。
来源：36氪，作者：徐宁，如若转载，请注明出处：http://36kr.com/p/5050232.html
-
人工智能
傅盛：深度学习是什么？
文章作者：傅盛 来源于傅盛微信公众号：盛盛GO（fstalk）。
人工智能，就好像第四次工业革命，正从学术界的私藏，转变为一种能够改变世界的力量。尤其，以深度学习取得的进步为显著标志。
它让匍匐前进60年的人工智能一鸣惊人。
我们正降落到一片新大陆。深度学习带来的这场重大技术革命，有可能颠覆过去20年互联网对技术的认知，实现技术体验的跨越式发展。
那么，深度学习到底是什么？怎么理解它的重要性？
我们先从概念和现象入手。
我总结了一句话，学术上看未必严谨，但从我的理解角度看——深度学习是基于多层神经网络的，海量数据为输入的，规则自学习方法。
这里包含了几个关键词：
第一个关键词叫多层神经网络。
深度学习所基于的多层神经网络并非新鲜事物，甚至在80年代被认为没前途。但近年来，科学家们对多层神经网络的不断算法优化，使它出现了突破性的进展。
以往很多算法是线性的。而这世界上大多数事情的特征是复杂非线性的。比如猫的图像中，就包含了颜色、形态、五官、光线等各种信息。深度学习的关键就是通过多层非线性映射将这些因素成功分开。
那为什么要深呢？多层神经网络比浅层的好处在哪儿呢？
简单说，就是可以减少参数。因为它重复利用中间层的计算单元。我们还是以认猫为例好了。它可以学习猫的分层特征：最底层从原始像素开始学习，刻画局部的边缘和纹；中层把各种边缘进行组合，描述不同类型的猫的器官；最高层描述的是整个猫的全局特征。
它需要超强的计算能力，同时还不断有海量数据的输入。特别是在信息表示和特征设计方面，过去大量依赖人工，严重影响有效性和通用性。深度学习则彻底颠覆了“人造特征”的范式，开启了数据驱动的“表示学习”范式——由数据自提取特征，计算机自己发现规则，进行自学习。
你可以理解为——过去，人们对经验的利用，靠人类自己完成。在深度学习呢？经验，以数据形式存在。因此，深度学习，就是关于在计算机上从数据中产生模型的算法，即深度学习算法。
问题来了，几年前讲大数据，以及各种算法，与深度学习有什么区别呢？
过去的算法模式，数学上叫线性，x和y的关系是对应的，它是一种函数体现的映射。但这种算法在海量数据面前遇到了瓶颈。国际上著名的ImageNet图像分类大赛，用传统算法，识别错误率一直降不下去，上深度学习后，错误率大幅降低。在2010年，获胜的系统只能正确标记72%的图片；到2012年，多伦多大学的 Geoff Hinton利用深度学习的新技术，带领团队实现了85%的准确率。2015年的ImageNet竞赛上，一个深度学习系统以96%的准确率第一次超过了人类（人类平均有95%的准确率）。
计算机认图的能力，已经超过了人。尤其图像和语音等复杂应用，深度学习技术取得了优越的性能。为什么呢？其实就是思路的革新。
举几个脑洞大开的例子。
（1）
先说计算机认猫。
我们通常能用很多属性描述一个事物。其中有些属性可能很关键，很有用，另一些属性可能没什么用。我们就将属性被称为特征。特征辨识，就是一个数据处理的过程。
传统算法认猫，也是标注各种特征去认。就是大眼睛，有胡子，有花纹。但这种特征写着写着，有的猫和老虎就分不出来，狗和猫也分不出来。这种方法叫——人制定规则，机器学习这种规则。
深度学习方法怎么办呢？直接给你百万张图片，说这里有猫，再给你上百万张图，说这里没猫。然后再训练一个深度网络，通过深度学习自己去学猫的特征，计算机就知道了，谁是猫。
（2）
第二个例子是谷歌训练机械手抓取。
传统方法肯定是看到那里有个机械手，就写好函数，move到xyz标注的空间点，利用程序实现一次抓取。
而谷歌现在用机器人训练一个深度神经网络，帮助机器人根据摄像头输入和电机命令，预测抓取的结果。简单说，就是训练机器人的手眼协调。机器人会观测自己的机械臂，实时纠正抓取运动。
所有行为都从学习中自然浮现，而不是依靠传统的系统程序。
为了加快学习进程，谷歌用了14个机械手同时工作，在将近3000小时的训练，相当于80万次抓取尝试后，开始看到智能反应行为的出现。据公开资料，没有训练的机械手，前30次抓取失败率为34%，而训练后，失败率降低到18%。
这就是一个自我学习的过程。
（3）
有人问了，深度学习，能学习写文章吗？
来看这个例子。斯坦福大学的计算机博士andrej kapathy曾用托尔斯泰的小说《战争与和平》来训练神经网络。每训练100个回合，就叫它写文章。100个回合后，机器知道要空格，但仍然有乱码。500个回合后，能正确拼写一些短单词。1200个回合后，有标点符号和长单词。2000个回合后，已经可以正确拼写更复杂的语句。
整个演化过程是个什么情况呢？
以前我们写文章，只要告诉主谓宾。而以上过程，完全没人告诉机器语法规则。甚至，连标点和字母区别都不用告诉它。不告诉机器任何程序。只是不停将原始数据进行训练，一层一层训练，最后输出结果——就是一个个看得懂的语句。
一切看起来都很有趣。人工智能与深度学习的美妙之处，也正在于此。
（4）
我还去硅谷看过一家公司——完全颠覆以往的算法，利用深度学习实现图像深度信息的采集。
众所周知，市面上已经有无人机，可实现人的跟踪。它的方法是什么呢？一个人，在图像系统里，一堆色块的组合。通过人工的方式进行特征选择，比如颜色特征，梯度特征。拿简单的颜色特征举例：比如你穿着绿色衣服，突然走进草丛，就可能跟丢。或，他脱了件衣服，几个人很相近，也容易跟丢。
此时，若想在这个基础上继续优化，将颜色特征进行某些调整，是非常困难的。而且调整后，还会存在对过去某些状况不适用的问题。
总之，这样的算法需要不停迭代，迭代又会影响前面的效果。
而硅谷这个团队，利用深度学习，把所有人脑袋做出来，只区分好前景和背景。区分之后，背景全部用数学方式随意填充，再不断生产大量背景数据，进行自学习。只要把前景学习出来就行。
据我所知，很多传统方法，还在采用双目视觉。用计算机去做局部匹配，再根据双目测出的两个匹配的差距，去推算空间另一个点和它的三角位置，从而判断离你多远。
可想而知，深度学习的出现，使得很多公司辛苦积累的软件算法直接作废了。
“算法为核心竞争力”，正在转变为，“数据为核心竞争力”。
技术人员必须进入新的起跑线。
（5）
最后再举个例子。
大家都做过胃镜。尤其胃痛，很痛苦。肠胃镜要分开做，而且小肠看不见。
有一家公司出了一种胶囊摄像头。吃进去后，在你的消化道，每5秒拍一幅图，连续摄像，此后再排出胶囊。所有关于肠道胃部的问题，全部完整记录。但医生光把那个图看完，就需要五个小时。原本的机器主动检测漏检率高，要医生复查。
后来，他们采用深度学习。采集8000多例图片数据灌进去，用机器不断学，不仅提高诊断精确率，减少了医生的漏诊，以及对稀缺好医生的经验依赖。只需要靠机器自己去学习规则。
深度学习算法，可以帮助医生作出决策。
-
人工智能
人工智能、企业服务，创业公司如何打破BAT“一手遮天”的局面？
本文是“2016联想之星WILL大会”嘉宾分享精选，主要围绕人工智能、消费升级、创业经验以及企业服务领域的相关探讨。希望他们观点对你有所启发。
技术驱动下的商业“恐惧”
周源（知乎CEO）：过去三五年的互联网产品基本上都是靠技术不断地迭代才能够活下来。我认为VR发生质变的时间至少在三年以后，我们看到有大量的成本，一方面是整个硬件的成本是非常高，另一方面里面有一个很缺的是内容从哪里来，一旦连接完成以后，其实是一个介质的改变，一定会释放出新的内容的产生，这个新的内容产生一定分成两种，一是所有人个体的内容产生，现在已经看到所有直播平台都好像给了一个窗口可以做这个事情。第二是专业的机构在里面，不光是提供内容，还提供专业的服务，这个事情可能是需要有一个过程。
汉雨生（燃石医学CEO）：现在精准医学已经没有办法把科技和医学完全分开，这就是为什么一个做精准医学公司想做得好的话，必须有实验室、医学、生物学、生物性医学、IT，这五个方面的人才集合在一块儿才能把一个精准医学的公司做好，不像以前比如我们做药物研发基本对药物了解就可以，做医疗器械，髋关节置换，可能是生物学加上一些类似于材料学的就可以。精准医学是非常复杂的多学科技术。
印奇（Face++创始人）：我认为，未来的人工智能的企业，如果今年或者说明年人工智能的企业还在说自己是平台化公司或者纯技术公司，我觉得是“耍流氓”。人工智能公司一定要选择你去改造和升级的行业，一定会跟一个行业强挂钩。这个行业要不很新颖，之前没有特别强的传统的，一般不可能，因为你选择的行业会选择足够大的行业，这也行业的竞争对手有点是作为互联网的或者是人工智能的企业和传统企业你们各有优势，在这样的竞争中，不一定是拼得你死我活，希望有我们的一席之地。
狭隘的恐惧
周源（知乎CEO）：我认为是狭隘，人都会在某个阶段很狭隘，来自于我最大的恐惧是我不知道我狭隘。我可能就做了一些判断决定。原来是事后知道，现在变成事前了。最大的恐惧就是不知道自己狭隘。
机会时间窗口变短的恐惧
印奇（Face++创始人）：最近半年我最大的恐惧是真正能够留给一个创业公司成为一家特别巨大的公司的机会，比如在人工智能的行业，时间窗口越来越短，人工智能这一拨是每个人都会经历和起到变革的，大部分真正能够看到的机会是已有的巨头们，作为一家创业公司，至少我们的目标不是说发展到怎么样，追求一些个人的财富回报，还是真的希望把这个事业长久做下去。我的感觉就是时间窗口留给我们的时间越来越短。
梦想被吞噬和压制的恐惧
汉雨生（燃石医学CEO）：其实每个企业家和创业者都会有特别担心的方面，比如融资、团队、发展等等，我觉得这称不上恐惧，因为是阶段性的。如果真正的恐惧是什么，就像刚才说的未来基因的读和写究竟给这个世界带来什么样的改变，我们作为一个创业者在这里真正是扮演什么样的角色。当你想这个的时候才是真正深层次的恐惧，而不是现在我们遇到的一些麻烦，另外你有办法解决，比如融资大不了低估值点，融少一点，团队的问题可以解决，不是第一，可以是第二。最恐惧的是行业，我们涉及到都是跟生命相关的东西。
消费升级用户被带着走
梁峰（悦跑圈CEO）：用户的使用习惯也许是错的，得告诉他我的方法，信我的可以相信我，不信我的可以离开我，你只有不断的做减法，找到那些人是一直跟着你用的，他才有价值。如果是用户把你当成就听我的命令就行，用户想怎么用就怎么用，这个软件也丧失了你的灵魂也丧失了真正的教育意义，这个软件就跟别人是一模一样的，没有存在价值了。
张天一（伏牛堂CEO）：出现这些更大的企业机会在哪儿？有三点：第一点，互联网的出现一定会提高整个行业的品牌运营效率，乃至提高整个行业的品牌议价。第二点，更好人才的进入必然会提高这个行业在供应链和运营端的组织和运营效率。第三点，今天的整个IT系统包括数据的进步，移动互联网的这拨红利必然提高整个行业的运营效率。
资本寒冬：广集粮、缓称王
梁峰（悦跑圈CEO）：体育在去年还是风口上的猪，但从去年下半年开始资金已经开始紧张了，到了今年就会更悲摧一些，我身边很多我的同行做体育的，基本上很少在开发布会讲故事了。
面对寒冬我们做了三个决定：
第一是停止投资，我们自己本身是创业公司，资金也不多，从今年开始就停掉去投别人的想法，开始直接先形成联盟，这是我们稍微有一点改变的地方，也不再是大手大脚的花钱。以前我们融了资没有怎么用的话，也是去投别人。
第二是HR去挖人，随着资本的寒冬肯定有很多人才会离开，觉得已经维持不了他的需求。这是一个非常好的挖人的机会。
第三是开源。我们自己把本来准备在明年开始做的两个项目今年提前做，因为这两个项目确实是可以马上变现。我们把这两个项目提前，包括我们今年已经开始招明年的商，赛事的商，寅吃卯粮也好或者提前落袋为安也好，就是先把现金落袋。
我觉得无论是互联网公司还是体育公司还是普通的公司，哪怕是小作坊，都是现金为王，手上有钱比什么都重要。总体来讲，做企业是要自己能活下来，不要指望投资人雪中送炭，一般是锦上添花。
刘泽辉（君联资本董事总经理）：联想有一句话叫“退出画面看画面”，还有实质性思维，我觉得这个一个是作为企业家也好，或者是创业者，我们今天的创业者企业还在发展阶段，现在作为创业者和创业家更准确。当然生存很重要，我们作为创业者，活下来是最重要的，其他所有的都是为了生存，还是建议大家能够花出一点时间，每周也好，每个月也好，能够有更多的时间去思考一下未来。我们做这件事情和创业的时候，特别是投很多创业企业，最初的事情和最后成的事情有很大的区别。
企业服务BAT为何无法“一手遮天”？
刘俊彦（环信CEO）：2B和2C的产品完全不一样，2C的产品好多时候可以用程式来驱动，你看一看别人怎么做你就可以回去抄了，决定这个东西产品成败的元素不是产品做得多好，技术多好，是资源技术推广运营做得怎么样，以我们的行业为例，我们做SAAS客服，有没有见过两千个客服坐在一个屋子里怎么工作，怎么排班，怎么管理，我们普通人想像不到的，咱们没有这个知识，对于BAT来说，他们获得这个知识跟我们获得是一样难的，作为创业公司如果早进入这个领域它的壁垒比较高，BAT也没有这个知识，不是靠常识获得的。
第二，做2B产品，做SAAS的产品是研发驱动的产品，是研发运营的东西，BAT擅长的是资源，就像我们挖坑按种树一样，刚开始我的人才架构，我的产品架构决定我前面只能挖十个坑，只有十个坑可以种树，所以BATT虽然有再多的钱再多的人投不上来也是没有用的，所以这种情况下就是你有做的钱、做多的人我们都在前线只能投10个人，如果我投的早，其实还是很难赶超我，在资源投入上BAT没有什么优势。
第三，从销售上来说也是这样的，做电梯广告的时候有就要用到了，做做多的广告，对2B的销售没有任何帮助。作为很多BAT来说，他们擅长什么，有的是流量，有的是钱，但是很可惜这个流量和钱对于2B软件的销售没有任何帮助，你不能投电梯广告，你现在的用户都是2C的用户，你再怎么导也导不成2B的用户，你真的要养几十个、几百个销售，躬下腰去干活，BAT来说他与其挣钱挣的很容易，他愿不愿意躺着挣钱，愿不愿意爬着挣钱，养几千个销售挣这么累的钱，从现在看事实是这样，他们很多是选择不挣这个钱。
从这三点综合来看，我们认为在2B行业竞争从BAT来说和创业来说，大家的门槛都差不多，他们没有任何额外优势。具体到我们的案例来说，我们做环信通讯云的来说，在过去两年里面，腾讯、阿里都有跟我们类似的产品，曾经有一段时间各方面都做了很多宣传推广，现在我还坐在这儿跟大家聊天，我们曾经的竞争对手可能都销声匿迹了。这是一个事实的证明。
张溪梦（GrowingIO 创始人）：其实BAT第一个他们在数据分析领域里面都非常强大了，在过去十几年还是积累非常好的经验。回到刚才几位创始人分享，我们中国现在已经从流量向存量，存量向精细化，未来的发展方向还是应该有分工的。这是我对社会和世界未来的一种期待。大家应该各有专攻，把自己做的事情做好，最好能够做到极致，帮助我们的用户实现某种价值，迅速的落地。如果一个公司同时齐头并进做一百件事情有可能很难做好。这是我跟刘俊彦的感觉是差不多的。
另外，数据本身存在于各个企业里面，是很泛的概念，在这里面又能够创出各种各样不同的服务。今天比如做的数据分析，听上去很泛，还是非常专注在用户的行为上，能预测用户未来流失，增加他的留存，帮助企业变现，这些还是有很深刻的一些知识、方法论、理论体系，包括产品或者工具。
一个企业服务公司它需要各个功能职能部门都不能太差，这就要求你在各个环节里都具备一定的竞争力，其实是一个蛮苦蛮累的活，我们每天在公司里，现在微信当中发的“跪服客户”，就是跪着服务客户，这个过程还需要很多时间、精力、情感、服务的，真正的BAT有没有那么多资源去建那么复杂的团队，打那么多细分的领域，我觉得不一定是很现实的。
最后一点，企业服务是一个长远的事情，必须要在这一方做很长期的准备，不是靠流量一下子就把入口控制了，把钱装兜里了，如果这种思维的话是很难做好一个产品的。
季昕华（UCloud 创始人）：我们跟BAT竞争了四五年，从整个行业发展来看，我认为BAT肯定会进入企业市场，因为在消费的领域市场已经他们其实垄断了，但是整个消费领域占整个互联网，分为消费互联网和产业互联网，产业互联网的规模会远远大于消费互联网，BAT开始进入2B的领域，确实也造成比较大的影响，比如说有一个SAAS产品，可能去年的收入原来是一年将近有七八千万的收入，后来“丁丁”一出来，他只能给我提供免费，从七千万瞬间降为零。但是我们认为BAT做企业服务，有三大困难，第一大困难是整个基因不太一样，原来做消费的不需要跪服客户，从互联网来推，他们见客户是高昂着头去做客户的，所以经营上是比较大的问题，有比较大的压力。
第二是传统的消费互联网它的利润非常高，而企业互联网相对利润比较低一点，一个具有高毛利、高利润的企业要进入一个低利润企业的时候，他们在资本市场的压力会非常大，会逼着你说不敢长期投入，像国外的亚马逊本来是低毛利的市场走向高毛利的业务他就愿意做了，从高毛利业务走向低毛利业务，压力就比较大。
第三是像刚才说的一样，做企业市场每一个方面都不能差，比如技术、产品以及销售。传统的BAT其实没有很好的销售团队来做这个事情，这是很有压力的。
来源：虎嗅网
作者：饭酔分子
-
人工智能
德国人工智能客户服务平台 Parlamind 获165万美元种子轮融资，为电商提供更加智能的客户服务
Parlamind 是一家提供人工智能客户服务平台服务的初创公司，总部设在德国柏林。近日，该公司宣布获得150万欧元（约合165万美元）种子轮融资，投资方是Motu Ventures、Asgard Capital和angelfund.vc 三家风投公司。据悉，该公司计划利用这笔投资加大其智能客服平台的研发工作。
基于对自然语言处理、机器学习、以及先进的云技术软件领域的最新研究，Parlamind 团队正在为电子商务公司客户服务构建下一代人工智能技术，可以支持定位、分析、自动回答客户所提出的各类问题，优化客户服务体验。实际上，Parlamind 解决方案能够结合人工客户服务代表，帮助电子商务公司为客户提供无缝的业务支持服务，将人工智能融入到企业客服团队内部，就像是他们中的“一员”。
该公司于去年八月创立，目前成立还不到一年，创始人是四位连续创业家——Tina Klüwer博士（CTO）、Christian Wolf（CEO）、Núria Bertomeu Castelló（CSO）、以及Tobias Lehmann（CIO）。他们在人工智能研究、企业软件、电子商务行业，特别是电子商务客服领域有着丰富的经验，了解电商消费者会问什么问题、交流过程中会有什么样的感受、遇到的问题是什么、问题解决速度有多快、如何取悦消费者，等等。此外，Parlamind公司还和多家业内领先的企业和研究机构建立了合作伙伴关系，包括德国知名消费电商 wirkaufens.de 的人工智能研究中心（DFKI）、德国电信实验室（T-Labs）以及德国最大的SEO软件服务商 Searchmetrics。
Parlamind公司首席执行官Christian Wolf表示：
我相信下一个大战场将会发生在电子商务客户服务领域，未来的电商客服会涉及到定价、流量和广告等多种业务。优秀的客户关怀解决方案，能帮助电商企业构建忠诚客户，他们会成为你公司的回头客，甚至会为你进行“口碑营销”。如果你掌握了客户关怀的诀窍，那么就能把客户问题变成机遇，吸引更多粉丝。我们知道客户服务是很多电商公司的痛点，因此从2014年开始，我和 Tina 就开始和电商进行接洽，而现在，到了解决这一行业痛点的时候了。
相比于人工客服代表，Parlamind 人工智能云技术平台识别某个具体电商问题的速度更快，它可以准确判断出顾客的问题所在，知道相关问题是公司内部哪个具体部门负责，并把这些问题发送给指定团队。显然，利用 Parlamind 人工智能技术的电商公司会在客户服务业务上获得极大提升，一方面可以提升客户服务质量，另一方面也提高了整个企业内部的工作效率。
本文来自翻译：www.finsmes.com
-
人工智能
谷歌董事长力挺人工智能：它能把人类从工作中解放出来
编者注：近日，谷歌董事长Eric Schmidt（埃里克·施密特）和在线教育公司Udacity总裁兼董事长Sebastian Thrun（塞巴斯蒂安·史朗）发表联合署名文章《Let's Stop Freaking Out About Artificial Intelligence》，发表在Fortune（《财富》杂志）网络版上，呼吁拥抱人工智能，摒除对人工智能的恐惧。这一观点跟此前霍金、比尔·盖茨等名人的意见相左。本文由雷锋网翻译。
人工智能值得肯定的地方绝对其负面影响要多得多，所以，让我们继续开发人工智能技术吧！
如今科技圈里讨论最多的话题肯定是人工智能(AI)，不过在我们的日常生活里，人工智能似乎通常都是处于“隐身”模式。
有很多行业里的公司都成功应用了人工智能技术，涉及的领域范围也十分广泛，比如信用卡欺诈监测，语音识别，网络搜索排名，自动化客户服务，法律探索，照片搜索，翻译，甚至是传统农业。一直以来，围棋这个古老而复杂的游戏被认为是超出了计算机所掌控的能力，但就在几周前，谷歌的人工智能程序“阿法狗”击败了人类围棋冠军李世石。事实上，阿法狗学习了数百万个围棋比赛才获得了这场胜利。斯坦福大学的人工智能实验室和IBM Watson学习了数百万份患者的医疗病历记录，对癌症类型的诊断甚至比人类医生还要准确。人工智能正在发挥越来越多的正面作用。
当我们在自动驾驶汽车里引入人工智能技术时，很多专家都认为让电脑开车上路是非常不安全的。但是谷歌自动驾驶汽车开发团队非常有远见，他们对人工智能在自动驾驶汽车上的应用，有着不一样的看法。当我们在驾驶汽车时，绝大多数人都是从他们自己所犯过的错误上学习经验教训，但是却很少能从其他人所犯的错误中学习。这会产生一个问题，那就是大家会一次又一次地集体犯相同的错误，结果就导致了全世界每年有很多人死于交通事故。
人工智能会用不同的“进化”方法来解决这一问题。当一辆自动驾驶汽车犯错误之后，所有的自动驾驶汽车都能从这个错误中学习教训。事实上，新生产的自动驾驶汽车从一“出生”就已经完全掌握了前几代产品的所有技能。所以总体而言，这些汽车的学习速度要比人类更快。在这种情况下，搭载人工智能技术的自动驾驶汽车会在短期内和人类驾驶员一起行驶在马路上，他们会学习彼此的错误。
由于最近出现了很多突破性的技术，导致人工智能发展的很快，同时也引发了公众的辩论。有一些人对人工智能感到恐惧，他们呼吁要采取紧急措施，以避免一个假想的“反乌托邦”出现。
但是谷歌对人工智能还是非常乐观的。从技术发展的历史可以看出，每个新技术的出现起初都会有很多怀疑和恐惧，但最终，这些新技术都改善了人类的生活。举个例子，柯达相机出现的时候，人们认为它会破坏艺术；电力出现时有人觉得它太危险了。但是，一旦这些技术应用在了数以百万计的人手中，并且不断开放、发展、合作，所有的恐惧都会烟消云散。正如农业机械革命把我们的双手释放了出现，再也不用在农田里靠双手采摘农作物了。人工智能革命也是如此，它将我们人类从琐碎的、重复的、盲目的工作中解脱出来。人工智能会做一些我们不愿意做的事情——比如在交通繁忙的道路上开车。
我们相信，人工智能不仅能够让我们从很多消极的工作中解放出来，而且来能提升人类的积极性。比如在和“阿法狗”比赛时，围棋大师李世石对围棋有了更深层次的理解，同时也大大提升了自己的比赛水平。未来，我们每个人都可以像李世石这样，利用人工智能改善我们每天所做的事情。
想象一下未来的世界，智能的App应用和设备可以帮助我们识别每一个要遇到的人，回忆我们曾经说过的每一句话，体验我们曾经错过的每一个瞬间。未来，我们能够理解全世界各种语言(如今，谷歌翻译已经开始着手启动开发这个功能了)，依靠人工智能技术，我们可以使用工具更好地借鉴别人的经验，给我们的孩子输送更多知识。
我们会担心人工智能带来世界末日吗？我们认为，这个问题需要仔细考虑。今天的人工智能只能完成很少的、重复性的工作任务，而且我们还需要提供足够多的数据、案例来训练他们。而且，可以负责任地说，没有任何一个研究人员或技术人员希望那些好莱坞电影里的“反乌托邦”场景出现在真实世界里。不过，面对恐惧的正确方法是不要恐惧——直面恐惧，努力工作，解决问题，消除工具。谷歌、以及其他许多公司在人工智能安全领域正在做着大量严谨的研究工作，比如如何确保人类可以随时中断人工智能系统，如何让这些系统变得足够坚固、能够应付强大的网络攻击。
不要陷入恐惧之中，我们要努力工作，找到消除恐惧的解决方案。就拿自动驾驶汽车来说，我们可以学到很多经验教训，提升协作性。举个例子，谷歌已经开源了人工智能学习系统TensorFlow——现在所有的代码都开放了。它可以让世界各地的人工智能研究人员更轻松地协作，不仅可以共享研究论文，更可以共享实际代码。用这种方法，我们就能看到计算机学习了什么，使用了什么数据，最后，利用我们最聪明的头脑来控制、优化人工智能。
事实上，我们都知道硅谷并不是唯一能让人工智能技术发展的地方，人工智能需要全世界的努力，挖掘全世界的潜力。我们相信，当人工智能由各种不同种族、不同类型的人构建，才能更好地服务每一个人。最近，谷歌在苏黎世成立了机器学习工作组，而且会在全世界其他各地建设类似的工作组。
对我们谷歌来说，与其沉浸在对人工智能无限可能性的兴奋之中，不如脚踏实地的工作，即使今天人工智能已经为人类提供了很多好处。我们已经迫不及待地想让人工智能把人类从盲目的、琐碎的工作中解放出来，这样，才能让人类投入到具有真正创造力的工作中去。
扫一扫 加微信
hrtechchina
