人工智能的主要动机是重新设想一个自动化的第一世界五年前，一个客户会给一家公司打电话或发电子邮件，寻求某个问题的解决方案。然后，支持主管会将问题转发给相关团队进行故障排除。现在，客户都在智能手机上，想要即时的修复……否则，Twitter就有了。你如何重新想象这个世界？你如何建立智能模型来理解和回应客户或用户，或与他们进行有意义的对话？ 人工智能（AI）和机器学习（ML）技术似乎是显而易见的答案但如果这是灵丹妙药的话，我们就不会对机器人约翰穷追不舍，也不会为了另一个恼人的推荐而诅咒那个求职软件。主管销售的副总裁不会因为在寻找线索时缺乏背景而盲目行事。人工智能/人工智能的世界是巨大的，有许多尚未探索的领域。不过，有几家公司正在大力推广他们的工程技术，以获得机器人、就业搜索引擎和销售仪表盘，以了解确切的需求、提取适当的数据，并为提供完美解决方案提供合适的背景。从他们身上可以学到很多东西。在Freshworks的第五个旗舰工程混合器，规模上的Saas一些专家聚集在一起，说明他们如何利用机器学习和人工智能来解决未来的问题。以前的版本主要讨论数据、安全、DevOps和平台。"我们希望印度成为一个产品大国。这就是规模上的Saas"Freshworks的高级副总裁STS Prasad在印度科技中心班加罗尔为活动开幕式说。"我们正在看规模上的Saas作为一个论坛，技术专家可以聚集在一起分享他们的经验，并从彼此的经验中获益。"请继续阅读ML中的快照/AI@刻度LinkedIn如何为求职者提供发现这个世界领先的职业社交平台拥有数千名会员，他们寻求与其他专业人士建立联系，寻求培训和学习计划，或寻找更好的职业机会。这使得LinkedIn不断创新，以增强其发现、搜索和推荐引擎。"我们的使命是将人才与机遇联系起来。LinkedIn AI的高级员工机器学习工程师Nagaraj Kota说："机会来自不同的规模和不同的时代这是超过2000万的动态工作岗位，寿命有限。Nagaraj就如何理解求职行为展开了一场技术讲座，并引导听众了解LinkedIn如何将搜索、警报、导航和推荐等元素结合起来，以获得最佳结果"你想解决的元级问题是什么？如果你在就业市场，你不知道你想找什么。人们根据技能运行查询，但我们可以做很多事情来帮助他们理解……这是您必须执行的正确查询，才能找到您想要的正确工作。"重新设计Freshworks的机器人软件即服务提供商Freshworks在世界各地拥有30多种语言的客户。但让我们来看看英语吧。如何使机器人理解语言、意图和上下文，并做出适当的响应？一个机器人如何为同样的问题以不同的方式得到正确的答案呢？或者识别闲聊？Freshworks工程部副总裁塔克什瓦·塔库尔（Tarkeshwar Thakur）在一次会议中向与会者介绍了公司的应答机器人（answer bot）是如何有效解决此类问题的。他的演讲内容包括慷慨地分享有关工具的信息，例如，检测闲聊，拼写错误，甚至胡言乱语。其中一个关键的部分是教计算机或机器人一个词的真正含义Tarkeshwar说："如果你想了解某个词的意思，你可以看看这个词在大量文献中出现的上下文。"智慧来自于你把很多小东西打包好。你开始觉得，哦，这东西很聪明。"Bigbarket的6个R用于规模分析印度最大的在线杂货商去年的销售额增长了近两倍，在26个城市的大约100个设施中运营。它是怎么做到的？主要是通过开发一个分析引擎来减轻杂货店购物的苦差。要实现如此规模的增长，这台发动机的一个主要要求是必须具有强劲的性能。"Bigbarket的分析主管Subramanian M S说："这一定是在成倍增长的交易量下运作的。分析引擎还需要具有足够的响应能力，能够在毫秒内处理数千个请求，严格、可靠的24×365，与改进关键业务指标相关，最后，在投资上产生成倍的回报。这其中的一大挑战是预测。"很多年前，一个非常聪明的人非常正确地说，所有的预测都是错误的我们所有人都在努力减少预测中的误差。"客户参与，Freshworks方式让我们从Freshworks AI/ML平台的规模开始，该平台必须针对145个国家的20多万家企业进行优化，这使得多租户成为该平台面临的最大挑战之一。"Freshworks的数据科学主管Swaminathan Padmanabhan说："我们构建的每一个元素、特性或功能都应该为20万个企业（及其客户）服务。"我们谈论的是数十亿人。"为了解决这个问题，Freshworks将其在人工智能平台上的投资分为六个层次，每一层都在其下一层的基础上拥有复杂的功能。底部是数据表示层，它处理和解释文本和语音输入。最重要的是知识层，它整理来自第0层的数据信号并形成知识块。上面的层标识与特定业务场景、用户角色或业务度量相关的块。以上是预测、推荐和自动驾驶层。"通过这样安排我们的投资，"斯瓦米纳汉说，"我们推出和管理新举措变得更容易。"从xto10x反思AI/ML文化在构建强大的AI/ML平台中，文化和技术一样扮演着重要的角色。但创业公司往往会弄错。"真正的挑战不在模型或工具上，而是在这之外，"xto10x技术公司数据科学总经理Goda Ramkumar说。她回顾了一家初创公司的典型历程，然后提出了一些可以让公司走上正轨的调整措施。这就是典型的旅程：收集初创企业可能拥有的所有数据，聘请数据科学家，计算出他们能用收集到的所有数据解决什么问题，最后，进行石蕊测试，以判断这项努力是否产生了影响。戈达解释说，另一方面，第一阶段应该是初创企业确定自己的商业目标，然后决定他们希望数据为他们实现什么目标。第二阶段应该是数据工程师在数据科学家确定他们可以用收集到的数据解决什么问题之前，让所有的信息都可以访问和使用。至于最后一个阶段的冲击试验，戈达建议说："与其做每件事然后问它是否有影响，首先的问题应该是我们将如何衡量它，以及为它设计的正确实验是什么？" 欲了解更多来自Freshworks的工程搅拌机，请访问规模上的Saas  相关岗位扩展一个工程组织：这不是一件容易的事对全能布鲁斯的支持