通信世界网消息（CWW）10月19日，“数享家峰会暨数字孪生发展论坛”在京召开。国美零售控股技术副总裁、家服务板块CTO于斌平，表示技术可以帮助消费者提升消费品质。
演讲全文如下：
于斌平：各位同志大家下午好！很高兴有这个机会能分享一些人工智能怎么帮助业务提升？我是一直在国美做技术的，之前在线上，现在在线下。国美大数据大概建立于2012年建，2014、2015年开始做的相关的研究。现在整个技术方面，我们对业务的支持比较大，进而跟业务合作非常多。
说到数字化，今天下午我们很多朋友都讲了，从软件和硬件的角度，宏观经济的角度，都讲了数字化的发展。实际上数字化现在是3.0。1.0是什么呢？电子化或者是我们传统BI出的一些报表。2.0的时候就是大数据，随着分布式技术的发展，和云计算的发展。原来这种数据之间错综复杂的关联关系，在分布式架构和云架构下已经试运行，所以我们大数据技术应运而生，产生了很多应用。
3.0是什么呢？叫人工智能。对深度学习，也就是说，我们能用机器的方法，用深度学习的方法，从数据里面找出很多有用的东西，包括刚才我们一些嘉宾分享的金融、风控，包括智能等等方面。
我本人在国美十几年，以前在线上8年，不认为国美是一个传统企业，今天应该是国美31周岁，一个人31正好是三十而立，正当壮年。2017年调整了一下公司的结构，由原来家电零售改为是以家生活为核心的解决方案和服务提供商。原来去买冰箱一个彩电，现在你可能装修一个家，我就买一个家的解决方案，你买一个家电怎么办呢？我们还提供家装、家居等等，吃喝玩乐才有。
黑天鹅店已经开了30多家，这是相关的我们店的标签。我们不叫国美家电，叫国美零售，去年改的。国美零售的核心是线上下单，线下体验，社交、生物和分享。在任何渠道，任何人，任何地方我们都能享受到一样优质的商品和服务。对多业态或者零售、智慧零售，核心了解两个事情：
第一个事情，消费者的体验升级。
第二件事情，消费的升级，消费升级的核心是品质升级。
给大家举个例子，刚毕业的朋友可能会买个一般的电视，如果对于事业有成的，就给他提供整体的解决方案，从家装到整体的厨房，整体的客厅。这些我们都怎么去服务用户呢？我们怎么知道用户需要什么呢？以前是不知道的。我们现在全部依靠技术去识别用户，然后给他推荐所需要刚刚好的商品。
这是我今天给大家分享的一个核心主题，技术可以帮助消费者提升消费品质。
给大家举几个耳熟能详的例子，这个是一个商品页，大家看下面这一行叫商品推荐，早期我记得在2011年之前的话，我们配置这个东西，核心是相似度，你上面是一个什么品牌，什么价位，什么性能的一个笔记本，下面相似的都会出来，系统自动算出。它的核心关联度非常高，它的业务也是非常好的。同时让客户马上去选择，这叫购物路径，换言之，用户马上来选择，节省用户的选择成本。
第二个，我们讲猜你喜欢，比前面商品相似的推荐更深一度，前面是商品相关，同类型。前面核心是人，要给这个人画像，看这个用户喜欢什么，把这一类的给他找出来，但是你不能说他看这个电视，你还推这电视。我们过去看电视推电视，我天天买电视啊？所以你要推相关的，这个用户相关的，你比如看了电视，电视柜，小家电啊，吃的用的啊等等相关的，我们叫商品的多样性。
从技术还有些什么特点？叫召回池，在深度学习里面核心的算出后，他需要我们找出来，我们会算出来很多东西。
第三个，购物车里面的猜你喜欢，它跟前面这有什么关系？前面这个是在用户还没选择的时候，根据这个用户的画像，给他协助选择。购物车是用户已经选择了商品，下面这个推荐呢，记得前几天我们做这个的时候，内部有很多争吵，一种论断是觉得打扰用户，用户看一个东西，你让他快速买单，不要去打扰他，这个也是对的。但是我们为什么坚持这个？我们不断更新算法，我们用数据来判断给他推送是对的。所以它对技术的要求是比较高的，称为精准般配。
第四个，移动页的猜你喜欢，一些做技术的人员可能知道，这个不就是一个转向嘛，错了，不是这样的。可能早期很多人会这样做，但是现在有技术的公司都不会这样做了，它实际上是流式计算。一个屏不断的拉，里面的商品变得很快，但是用户决策时间时间非常短。PC端实际上是一屏出来很多个，研究的是右侧用户喜欢的东西，所以它采用的方式是不一样的，实时性精准会更高。
再举一个例子，门店，我们叫智慧门店，这个不是无人店，以前大家都关注行业出了很多无人店，无人店这个概念在零售行业不成立的。顾客去店里面就是想看到好的服务去交流，结果这个店里没有人，违背零售的原理，所以无人店没有意义。
这个是我们自己开的一个实验室，也费了一些工夫，这个里面其实用了很多黑科技的东西，有人脸识别，顾客跟后台系统打通，人脸识别，用户进来之后自动开门。前面一个摄像头，知道你这个人是谁？自动的电子价签会把这个价格调出来。会员级别不一样，它的价签显示价格不一样，这个在行业还没有呢。大屏是推荐。这是我们做的一个实验室，已经运行了好几个月了，比外面的便利店销售还要好一些。
店面推荐，它跟前面PC端跟移动端的推荐有什么区别呢？你这个人不在国美其他地方留下痕迹，现在好一点，你不管在其他地方看了什么东西，你到任何一家网站去，他都为你推送类似的东西。但是线下不一样了，它强调时段的效率。
这是我们六个典型的场景。
下面是我们怎么去做？精准推荐涉及到三个东西：
1、召回。
2、架构。
3、排序。
在人工智能这个机器学习里面，有一个很著名的例子，我们来算这个车，那个电脑算出来很多种，如卡车、轮船、飞机、小汽车，怎么把这个跟用户最相关的呈现在最前面，就叫排序。
通用架构，用户发起了一个请求，线上的服务去来接受它，然后我们刚才讲了是召回，去找出来跟它有关系的特征，然后再预测，这是行业里面通用的架构。
它的不足在哪里呢？对于线上线下都有这样一个场景，判断逻辑是一致的。另外离线训练模型需恢复数据场景。怎么解决呢？很简单，就是一个触发的流程，一个是缓存，特征也算出来，然后预测模型。对一个新的样本，需要计算量，算力不够的话，这个时间太长了，用户不能接受。
下面是国美的数据驱动的推荐系统。
这是一张国美的数据驱动推荐系统Ghantom，国美自己做的系统，是一个数据的推荐系统。这里面就是实时计算，然后这一块是si lin ke，算法库里面还是Spark。
最后再介绍一下，个性化的一个数据处理流程，首先是数据处理，数据处理还要做目标，还要做预算，还要看效果。可能这个数据看起来比较生硬，举一个人脸识别的例子，人脸识别是面部70多个特征，根据样本去算，有时候戴着口罩也能根据20、30个特征把它对比出来。
个性化推荐三要素：
1、召回。
2、排序。
3、效果评估。
这个召回算法呢，第一个我们用的是自己开发的，算法比较简单，算力比较强，计算的过程比较省。后来发现以下痛点：
1、不考虑用户行为序列性。有些采集的量时间不一样，它的量序列不一样。
2、热销商品影响。一个促销会对这个算法受影响。
3、计算量大。这个是零售行业一个比较头疼的问题。那么这个问题我们怎么解决的呢？购物车是用概率神经网络PNN。移动端的这个我们讲速度要快，深度学习实际上里面还有个宽度，这是移动端的技术。
后面再介绍一下门店，我们用DeepFM去门店去测，它把顾客的意图猜的非常准，是一个机器分量计算。
最后时间关系，我总结一下，我们技术在支持零售业，引领零售业方面，刚才讲的人脸识别，顾客特征的识别，还有店里面客流统计，客流的分析，还有什么呢？因为商品的信息，门店的路矿信息，通过机器学习的方法把它算出来。
行，今天由于时间关系，就给大家分享这么多，欢迎大家到国美门店体验一下，共享到底什么样子？马甸那个店是比较新型的门店，大家可以去体验一下。
好，谢谢大家！
