Teradata CTO宝立明：运用预测引擎推动机器学习和深度学习

近几年，机器学习、深度学习或者大数据分析依然是冷门话题，人工智能在金融、营销、软件研发、战略决策等领域的应用也越来越普遍。大数据it信息技术资讯

数据智能技术供应商T天睿于今年打造下一代分析系统T V，提供描述性、预测性与指示性分析、自主性决策、机器学习、可视化软件等广泛用途，致力于解决当前分析方案中的各种难题。T V的高级预测是怎样运用探讨处理引擎推动机器学习和深度学习?上市半年来获得了什么阶段性成果?这些难题在最近举办的T媒体会上受到了具体解答。

高级分析的三个发展阶段

T天睿首席技术官宝立明(S B)认为，高级预测的演进可以分为三个阶段：第一阶段是描述性分析，用于洞察过去;第二阶段是预测性分析，能够知道将来;第三阶段是指导性分析，为也许出现的结果提供建议。T开发的V软件系统属于第三阶段的产物，能够为企业提供绝佳的高级预测能力。

T天睿首席技术官宝立明(S B)

如今，机器学习技术获得快速演进，其素质超过人类的事例也比比皆是。最让宝立明印象深刻的是，在某界国际象棋比赛中，来自日本和中国的两位象棋高手在最终一局打成了取胜，经过软件预测后断定，挪威象棋高手本可以在60步内将死敌人，但是因为象棋高手只能猜测几十步以内的可能性，对于60歩的结果完全无能为力，最后只好打成平手。

行业分析说明，一些必须简单体力或脑力劳动的职业将被机器代替，如收银员、卡车司机、简单翻译、放射科医生和个人信用评估等等。实际上，机器学习的分析能力尚未被应用到企业的实际业务中teradata企业级，为企业的今后发展指明方向。

目前所谓的人工智能都是增强型人工智能，它还能够完全替代人类，只能提高人的素质。例如，软件可以帮助医师诊治一些病症，但是机器的确诊分析没法提供参考，最后还是要靠医生选择诊断方案，进行确诊。由这个事例引申开来，人们在建立策略、战略时，可以让智能化的硬件辅助我们推动这种战略，AI不止能够帮助企业加速降本增效，还能帮助企业管理者将战略推行得更长远，更完美，T V正是为了这一目标而存在。

T V高级分析平台

T V高级预测系统在构架上可以分为四层，由下至上分别是数据源、分析引擎、分析语言和探讨软件。此前，T收购了一家来自斯坦福大学的创客A D，创新性地同时集成了M-R和ANSI SQL引擎，能够将下层的预测引擎与底层的储存设施打通，进行大数据分析和计算。

T V的分析引擎层包括NSQL引擎、机器学习引擎、图形引擎、S引擎、TF引擎或者一系列定制引擎。宝立明强调，T V的机器学习引擎由广泛的预测功能构成，除数据准备、非结构化数据预测功能以外，还包括人工智能、统计、文本、情感判断等200余种分析引擎，便于科学家进行描述性或预测性的剖析。图引擎可推动关联分析，并了解络用户、产品、过程甚至任何联实体中那些关系将如何妨碍结果。其中，每个引擎都用D做成C封装出来，不断迭代。与此同时，基于开源的OS平台和商业分析引擎，让开发者们可以研发出一些外部引擎和工具集。

在分析语言方面，早期，T推出了高性能和高可靠性的T关系管理系统，该平台引入标准的SQL查询语言，适用于处理复杂查询的数据仓库应用。随着预测性、指导性高级预测需求的逐步减少，SQL这一结构性的查询语言已难以满足意愿， T陆续将NSQL，R，P，NSQL，SAS等语言纳入进来，结合顶层的剖析软件或者广泛的商业智能与可视化软件，让企业的分析师和数据科学家无需非常知道机器学习算法即只用到机器学习的能力，为客户提供预测性、指导性的高级预测能力。

T V本地化最佳实践

为了满足国内行业的本地化需求，V平台支持百万级乃至上亿级用户规模的高级预测需求。据介绍，T在美国的众多银行用户相继研发出了相关的剖析引擎，使数据科学家们能够运用任何它们惯用的开源或商业的语言和软件，充分利用不同的数据源teradata企业级，通过各种预测引擎，与不同的应用相结合，访问、共享位于分布式存储以及对象存储中的各类格式的数据。

宝立明透露，通过机器学习的高级预测能力，T帮助银行用户将欺诈诊断率提升50%，误报率降低80%-90%。银行用户借助机器学习、神经络的算法和引擎，能够分析流失率、流失成因及其客户去向，通过对交易时间、地点和频率的预测，快速进行可疑交易识别与欺诈行为判断，从而降低交易风险，提升用户体验。

除银行用户外，制造业、物流运输业以及电信等产业也将高级分析能力用于风险预估领域，例如推测这些将在何时出现故障，T将这种高级预测能力打包推荐给用户，助力企业迅速提高业务效率。

T V的主要探讨用例包含：

1、 功能分析。预测什么用户会流失，哪笔贷款会违约，以及用户定位、金融分析、营销组合模型、客户抱怨预测、净推荐值影响原因、风险模型、预测性维护等。

2、 客户细分。与特色的客户细分不同，V的客户细分可以多达成百上千个属性，用多维的方法进行归档和分类，选择最具潜力的用户。详细用例包含行业细分、客户流失原因细分、放弃线上购买、破坏过程的关键制约因素等。

3、 了解因果关系。就是通过机器学习引擎知道因果关系来建立一个最佳的用户模式，避免顾客流失。包括营销归因、投资回报率、客户流失、欺诈行为路径、实时优化等。

4、 情境。可以借助文本、语音、E来搜集资料，了解顾客对商品或服务能否满意。据悉，T在美国研发了基于英文的自然语言探讨，实现情感剖析，进行用户打分。

5、 络社交。利用络社交的互相关系，了解潜在客户或者的状况，包括反馈审查集群、了解喜欢我的客户、欺诈络、线上欺诈等领域。

6、 假设检测。通过变量分析、关联、主成分分析、采样等用途，实现试验、影响力测量、根本因素探讨及其过程改进。

T V的三大典型案例

最后，宝立明列举了用户借助T V平台推动高级预测的三大典型实例。

制造业：前瞻性维护

某国内小型制造商的制造设施位于亚洲各国，这些机器都进入7&;24小时连续工作的状况，为了进行零件故障检查、防止意外停机，该通过硬件对多个设施传感器和性能数据进行检测，通过日志分析、广义线性建模及其各种预测引擎，将停机事件传感器模式与稳定运行事件传感器模式进行对比，隔离性能难题的关键指标，预测将要出现难题的设施，实现前瞻性维护，降低停机时间，节约费用。

零售业：多渠道整合

对于大型零售商而言，往往有很多销售渠道，但是零售商很难清楚地分辨哪种销售渠道的影响力更大，更难知道用户在不同渠道、对不同商品的各类互动行为，更能够将线上及线下的渠道畅通，进行联合销售，提升用户感受。为了缓解这种苦恼，某小型零售商运用T V进行多渠道整合，形成完整的顾客选购商品的模式，并借助不断测量新渠道活动，确保用户在最短的时间内以最低的费用购买商品，跟踪用户对商品的评论，不断提高用户的满意度指数。

金融业：多渠道监测

如何避免账户关闭风波，是中国银行业共同关注的指标。过去，客户账户关闭与客户满意度模型必须不断地手动微调和干预，有了V平台的高级预测能力，能够结合银、呼叫中心、ATM机等多渠道数据，自动化的进行预测，从账户关闭的时间点向前预测，找出与账户关闭相关的20余个行为，评估这种行为的风险，进行干预，从而逐步提高账户关闭状况。

总结：

随着机器学习、大数据的不断发展，各类的剖析引擎、分析语言、分析软件层出不穷，T V则融合了主流的商业和开源的剖析软件，化繁为简，落地各个行业，结合市场的属性与意愿，甄选最受市场欢迎的产业预测软件，不仅帮助企业管理数据，更能提供优异的预测能力，提升数据分析师与数据科学家们的用户感受。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-126992-1.html