大数据“杀熟”是病
01 业务中台 企业所有能力建设都是服务于前台一线业务的。从这个角度来讲，所有中台应该都可以称为业务中台。但我们所说的业务中台一般是指支持企业线上核心业务的中台。 业务中台承载了企业核心关键业务，是企业的核心业务能力，也是企业数字化转型的重点。业务中台的建设目标是：“将可复用的业务能力沉淀到业务中台，实现企业级业务能力复用和各业务板块之间的联通和协同，确保关键业务链路的稳定高效，提升业务创新效能。” 业务中台的主要目标是实现企业级业务能力的复用，所以业务中台建设需优先解决业务能力重复建设和复用的问题。通过重构业务模型，将分散在不同渠道和业务场景（例如：互联网应用和传统核心应用）重复建设的业务能力，沉淀到企业级中台业务模型，面向企业所有业务场景和领域，实现能力复用和流程融合。
图2-2是一个业务中台示例。在业务中台设计时，我们可以将用户管理、订单管理、商品管理和支付等这些通用的能力，通过业务领域边界划分和领域建模，沉淀到用户中心、订单中心、商品中心和支付中心等业务中台，然后基于分布式微服务技术体系完成微服务建设，形成企业级解决方案，面向前台应用提供可复用的业务能力。 在研究初期，需要寻找一个最佳的影像空间分辨率以建立可用的算法模型，Abitbol & Karsai 在 CNN 模型上取得了不错的结果。但随着算法进一步被测试，Abitbol & Karsai 发现其往往是被一些与收入或社会经济地位并非密切相关的城市特征激活。例如，由于公共及商业场所的灯光明亮，经济发达的城市地区通常在夜晚具有较强的照明强度，但是模型优先考虑的是居民区的其他功能。 于是，他们开始怀疑这些模型在预测不同地区的收入水平时是否采用了相似的特征，以及这些特征与收入水平的相关性。 尽管针对卫星图像推断地区经济收入状况的深度学习模型不在少数，但大多数并不能解释其预测的背后过程。这很大程度上取决于卷积神经网络自身的技术特点——通过理论推导，以及梯度传播，去不断逼近局部最优解。但 Abitbol & Karsai 仍试图解释其模型的预测结果，以便更好地理解它是如何为每一幅图像推断出特定的收入。
为此，Abitbol & Karsai 采用热力图 Grad-CAM 对神经网络进行可视化，以研究模型的可解释性，即通过热力图的权重形式来展现，神经网络对图片的哪一部分激活值最大。 近年来，无论是劳动力的迁移，还是教育和住房等资源的分配问题，背后都少不了对于城市化进程的思考，持续加速的城市化进程无疑对城市的社会经济环境产生了深远的影响，如何定量地监测和分析这一过程已经成为城市规划和城市环境研究领域的重要课题。 日益先进的遥感和卫星技术已经为观察特定地区的地理数据以及与城市化研究铺平了道路。通过人造卫星、飞机或其他飞行器上收集地物目标的电磁辐射信息，可判认该地区的地理环境和资源分布。例如城市人口密集程度和道路建设情况采集，人口的经济特征测量等。 随着多源、高精度遥感数据量的激增，传统的人工判读和半自动化软件解译的方式使其在效率和准确度打上折扣。而采用人工智能和高分辨率遥感可以说是天作之合，基于机器学习算法善于解决海量数据分析问题的特点，能够大幅缩短遥感图像解译周期、提高解译精准度。 事实上，采用卷积神经网络（CNN）和卫星图像数据来预测区域收入水平的方法已经越来越广泛，部分方案正在尝试逐步商业化以推向市场。比如在缺少经济生计可靠数据的发展中国家，基于高分辨率卫星图像来估计消费开支和财产财富无疑是一种精确、低廉和可升级的选择，将对当地政府的政策和规划决策带来重要参考。 「这类方案的基本思路是通过建模并提取与收入密切相关的特征进行预测。但我们的研究表明，事实可能并非如此，所以需要更为深入地了解 CNN 是如何将视觉特征整合到预测模型中的。」研究人员 Jacob Levy Abitbol、Ma´rton Karsai 说道。
Abitbol & Karsai 分别来自法国里昂高等师范学院 (ENS) 和匈牙利中欧大学(CEU)，近日他们联合开发了一个神经网络模型，以实现从航拍图像中预测给定地点的社会经济状况，进而根据潜在的城市拓扑结构解释其激活图，从而缩小基于城市拓扑结构和高分辨率的社会经济地图之间预测的差距。该研究证实了卷积神经网络（CNN）针对卫星图像数据深入分析的潜能。 （编辑：信阳站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
