首页
友情链接
Search
1
贝壳找房 | Flink 运维体系在贝壳的实践
212 阅读
2
5 年迭代 5 次,抖音基于 Flink 的实时推荐系统演进历程
203 阅读
3
如何通过用户分层,提升用户增长?
129 阅读
4
百分点大数据技术团队:基于多 Spark 任务的 ClickHouse 数据同步方案实践
123 阅读
5
新型智慧城市安全论坛西安举行 促城市数字化转型发展
120 阅读
未分类
人工智能
智能机器人
智慧城市
智慧农业
新零售
智慧教育
智能医疗
智慧金融
AI政策
AI企业
机器学习
AI架构
金融科技
AI+
医疗科技
数据分析
登录
/
注册
Search
标签搜索
机器学习
算法
数据可视化
区块链
人工智能
AI
金融科技
金融
人脸识别
大数据
腾讯
银行
蚂蚁金服
比特币
支付
机器算法学习
算法学习
医疗AI
安防
人工智能架构
AI 技术学习
累计撰写
3,068
篇文章
累计收到
0
条评论
首页
栏目
未分类
人工智能
智能机器人
智慧城市
智慧农业
新零售
智慧教育
智能医疗
智慧金融
AI政策
AI企业
机器学习
AI架构
金融科技
AI+
医疗科技
数据分析
页面
友情链接
搜索到
120
篇与
人脸识别
的结果
2019-08-14
王强:AI金融伪场景众多,为何应重仓三维视觉与开放金融平台?|CCF-GAIR2019
雷锋网按:2019第四届全球人工智能与机器人峰会(CCF-GAIR 2019)于深圳正式召开。峰会由中国计算机学会(CCF)主办,雷锋网、香港中文大学(深圳)承办,深圳市人工智能与机器人研究院协办,得到了深圳市政府的大力指导,是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流博览盛会,旨在打造国内人工智能领域极具实力的跨界交流合作平台。IEEE Fellow、前美国Fiserv东亚及东南亚总裁王强博士带来了题为《3D人脸识别与开放金融平台》的主题演讲。以下为王强博士演讲全文,雷锋网做了不改变原意的编辑如下:我今天跟大家分享的是,将会对金融支付产生重要影响的三维视觉及开放银行框架。大家知道金融领域,最关键的问题之一是身份识别KYC(know your customers),KYC最难的地方在于怎么识别你的客户,这在金融场景获客、反欺诈、风控和贷后环节非常关键,我的一个观点是:金融场景都是伪场景,只有获得便捷高频支付的金融场景才是真正可靠的金融场景。大家知道现在iPhone X可以做人脸支付,人脸支付也存在了好多年,表面看起来应用也较为成熟,但其实它不断面临的难题和新挑战一直困扰着全球学术和产业界。行业有这么一个现象,每一项新技术的突破,背后也将不断涌现出新的安全破解方法。其实苹果三维人脸识别的部分专利,也是由我的团队所研究。而我今天在这里面将会给大家,分享什么样的三维人脸识别算法,可以在工业界达到顶尖的安全标准,抵御风险,并能高于指纹、声维等生物特征支付的安全性,并具备极高的防抵赖和防破解能力。从二维到三维,计算机视觉发展之路我们知道,近些年ResNet和GAN的发展对AI起到了非常大的帮助。现在我们把时间拨回到上个世纪,计算机视觉之父David Marr曾把计算机视觉分为三个阶层。二维基素图(2-D sketch)视觉过程的第一个阶段,以人脸图像来看,是图像中强度变化剧烈处的位置及其几何分布和组织结构,人脸中用到的包括斑点、端点、边缘片断、有效线段、线段组、曲线组织、边界等基元,这些称为人脸基素图,都是在检测零交叉的基础上产生。目前人脸识别大都是二维图像,这也是处理第一步进行零交叉检测生产人脸基元。Marr认为所有图像的变化,都是从视觉和感觉两个方向看待的。人脸一旦有明暗或者有一个完全突变的过程,他认为这就是一个元素。这一阶段的目的在于把原始人脸二维图像中的重要信息更清楚地表示出来。2.5维要素图这是视觉过程的第二阶段,拿人脸来说,通过RGB等处理,将线条、点和斑点以不同的方式组织起来而获得2.5维人脸图。以人眼的仿生视觉过程被称为中期视觉。2.5维人脸图是在以观察者为中心的坐标系中,可见表面的法线方向、大致的深度以及它们的不连续轮廓等要素,其中用到的基元包括可见表面上各点的法线方向、和各点离观察者的距离(Deep)、深度上的不连续点、表面法线方向上的不连续点等等。由于这个阶段中包含了深度的信息,因而比二维人脸图像要多,但还不是真正的三维表示,所以得名2.5维人脸图,大家可能看得比较清楚。你用人眼视角看,不能完全看到整个三维的情况,后面会有遮挡的情况。按Marr的理论,这个阶段是由一系列相对独立的处理模块组成的。这些处理模块包括:体现、运动、由表面明暗恢复形状、由表面轮廓线恢复形状、由表面纹理恢复形状等。它的作用是揭示一个图像的表面特征。Marr指出,早期任何视觉加工的目标就是要建立一个2.5维的要素图,这是把一个表面解释为一个特定的物体或一组物体之前的最后一步。基于二到二点五到三维重建的技术的三维模型表征(3-D model representation)他是以人脸为中心的坐标系中,用含有体积基元(即表示形状所占体积的基元)和面积基元的模块化分层次表象,描述形状和形状的空间组织形式,其表征包括容积、大小、形状及姿态变化后体积基元的变化,包括现在成熟一些的云三维重建技术等,这个领域全球的科学家从1980年耕耘到现在将近有40年。进度一直受限于很多原因:一是传感器和算力,二是摄像机和三维人脸样本库及标注。早期三维摄像机都非常昂贵,动辄几十万美金,成本一般人确实无法承受,同时获取图像基素符号也受到距离和精度的影响。在这其中,三维世界里最难处理的问题是姿态的调整,面对物体刚性的变化,三维重建比较容易解决;但面对柔性刚体的对象,比如人脸这类柔性姿态形变的时候,三维技术就很难处理。三维视觉技术关键之一:三维重建三维重建分为接触类、非接触类和透视类三大类。接触式三维重建:包括3D打印、3D扫描、三维机械铸造等;透视类三维重建主要在医学领域,包括MR和CT等医疗影像领域;非接触式三维重建包含光学与非光学两类:非光学三维重建,比较常见为激光雷达和声纳等方式,现在激光雷达的发展非常迅速,但它的最大问题是效率较低;而声纳的优势在于扫描宽度很大,但精度不够。激光雷达和声呐的三维重建更多用于工业场景,对于生活场景和金融场景是做不到的。光学重建有分为被动光学和主动光学的重建。三维重建里有三类最为重要光学重建技术:主动光学的TOF、结构光和被动光学的双目和夺目立体视觉;结构光有分为编码结构光和散斑结构光。TOF双目立体视觉(Binocular Stereo Vision)3D结构光结构光最常见的应用场景就是iPhoneX的刷脸解锁。其实苹果十年前就在布局结构光技术,其中部分专利来自当时我所负责的团队和一家以色列公司合作研发的。其实苹果的3D结构光技术首先得感谢微软的一代Kinect,它是这一技术大规模应用的集大成者。目前按照移动设备领域,据报道,TOF领域全球布局的手机巨头只有OPPO一家。应用编码结构光的有小米、VIVO、应用散斑结构光只有苹果一家;双目立体光主要是华为。而主动光源主要基于RGB 及D(深度信息),研究者从RGB及灰度中提取斑点、端点、边缘片断、有效线段、线段组、曲线组织、边界等纹理变化基素;从D(Deep)提取表面上各点的法线方向、和各点离观察者的距离(Deep)、深度上的不连续点、表面法线方向上的不连续点等曲面特征和纹理特质进行三维点云重建等来打造工业场景。预估苹果也在被动光学里布局双目立体。无论是TOF、结构光还是双目立体,他们目前在人脸识别领域还面临很多问题。TOF是不可见的面积光,人脸面积最大也就是500-600平方厘米,TOF的一面光打过来大概会有30多万个有效深度信息点,30万点扫描到人脸时,像素的精度差不多到微米级,1/10毫米的精度。它所获得你的景深、RGB值、灰度值是非常准确的。同时它获得最关键的值是人脸的表面纹理、深度纹理及法线曲度等细粒度特征信息,其结果也非常精确。结构光目前最多现在有10万个点,iPhone X的散斑结构光方案是3万个结构光点,所有投射过来通过类毛玻璃慢衍射形成的斑点集合,用统计学原理及互相关函数等来模拟三维结构化重建过程。从光学的角度来说,采集到基素及要素信息之后,如何进行快速计算,然后再用三维场景重建,现在所有的方法都是2维变成2.5维。David Marr提到的方式,也是二维到二点五维到三维。在这个过程中大家用了很多方法包括几何方法、统计学方法及点云等进行三维重建,其实没有太多大的进展。三维人脸识别五大挑战及解决思路三维最高端的应用场景就是三维人脸识别,但它面临很多的挑战:姿态的变化比如苹果人脸解锁,人的双目需要紧盯着它的屏幕,否则就无法解锁;此外,如果人的身体有后仰或者张嘴大笑,也无法解锁,不过如果你经常笑,它可以自动学习进行解锁。离线学习能力iPhoneX如此大的出货量,仍旧保持超高体验的三维人脸识别率,可见其背后的离线学习能力之强大。像国内业内知名的人脸识别公司,他们的算法纵使厉害,但在如此大规模的实际场景中,它们的三维人脸可以脱离GPU或TPU,实现多大规模的高效离线计算呢?目前他们还没有这么大的用户量去考验。三维人脸识别最大的障碍是算力不够,我们没有像样的芯片。据相关资料分析,目前能提供这样芯片的大概有5家,国内一家、微软、英特尔、苹果、Mantis Vision,同时这些芯片几乎都是输出RGB和D值,提供基素信息,但是复杂的要素检测、三维重建、标注、识别及姿态矫正、局部到全局的泛化需要具有嵌入各类模型算法的算力芯片。从数据上看,我们认为目前算力最强的,还是苹果收购的PrimeSense,它可以做离线运算出RGBD值及三维重建模型匹配给苹果A11-A12运算器进行人脸模型计算,将复杂模型计算进行分布式部署,同时三维人脸模型数量远远低于二位人脸模型数量(以商汤240特征点模型为例来比较),降低芯片算力要求。这里我需要强调一点,并不是所有算法都可以进行离线运算,它后台要有结构化分布式的算法逻辑模型及少量的模型数量才能保证降维情况下离线运算,要样本少、维度低才可以做到。误解率苹果号称有百万分之一的误解率,国内好几家也达到这个级别。目前没有足够的数据支撑它达到这么高,相关的原理也没有公开过。算力芯片的能力,具备结构化的分布式算法模型计算能力,要求基素、要素及特征模型分布式协调并行计算能力,既有分布式又有交互计算的运算框架,这个要求很高,对芯片的多框架计算能力设计非常严谨和苛刻。第一次注册效率第一次的注册用时非常关键,注册时需要很强的少样本带自标注的自学习能力。来看下我们后面的方案:原来我在CMU时的前辈团队用三维相机做几何建模,包括立体光几何的建模,这属于被动的建模。发展到现在,我在美国时团队的第一次在全球开始使用主动光学的建模:散斑结构光的建模方式,当时结构光只有3千多个,现在苹果发展得很快。三维建模方式另一个主要关键是三维人脸库的问题,现在大容量带标注的三维人脸库非常少,我们团队最近几年尝试使用S+U方法进行三维人脸库重建及图像自标注研究,人脸方面当然这些前提是有获得RGBD等基素,并具备了三维重建模型基础进行的。S+U是SimGAN S+U模拟融合无监督学习算法,是模拟+非监督学习。这套算法的实现过程,它做的第一件事,是先解决粗粒度生产图像问题,而且粗粒度图不可出现偏差,那需要对生成图像刚体进行自标注;我们用GAN做对抗学习,但GAN它存在很多问题,一个是局部的对抗损失或者注重的细节没有做到全局。最关键的是怎么做黑盒模拟器,黑盒模拟器集成了GAN加了CNN的算法,我们在里面做了一个10×10的Resnet放在里面。这个过程中,模拟器的做法是,当你的手机拍到正常脸时,它看到的是真实照片,模拟器帮你模拟出了合成的图像,合成图像是低粒度细节的,并对刚体进行标注例如眼珠。这是第一个关键问题。第二,为了保证图像更逼真,我们做了细粒度的网络,把合成的图像做细粒化,细粒化过程要求你要了解所有人面部的所有细节特征、曲面、以及所有纹理,这些数据要采集回来,做细粒化,做细粒化之后让真脸图像和细粒化合成脸图像互相对抗,关键是如何保证学习过程不会过拟合,保证有标注参照物,同时使用统计学原理保证标注参照物不会改变情况下,那么大概率其学习不会过拟合或者出现问题,那么万一出问题怎么办?后面我们会有个惩罚方案,是多个惩罚函数模型集合。其次一个非常重要的东西是辨识器,直到辨识器实在没有办法分清楚细节合成和真图像有什么区别时,这套学习就OK了。大家都应该知道,iPhone X的人脸用户注册,大概需要5秒时间,其中需要用户左右转脸、点头等动作,注册过程是全息扫描三维图像给你。全息扫描是1秒输出60帧的画面,也就是60张图片,5秒达到了300张。所以它会对300张图像进行离线学习,对抗演练,用300张采集的图像,生成300张合成图像。然后又生成300张细粒化图像,把原来历史的合成图像扔掉,但是我们需要一个网络进行讲学习历史信息补偿回来,他不是个自编码网络,而是一个全连接网络,保证它万一学习过拟合,用学习的历史来用激励机制补偿它。做完这个学习之后,但发现合成网络在学习过程中一定会有问题,他会遗失掉一些有用的数据,有时会学到一些细节,没有办法泛化整个图像。这里面三维结构光带来非常关键的问题,把所有立体像素RGBD做解析几何及统计学的融合三维重建。相当于把1毫米的立体点融合成为刚性的三维模型(体积、面积、法线向量、纹理及要素特征)。这个框架是不会放在现在两个对抗学习里面去,当发现我有一组惩罚函数放在里面,一旦学习出了问题,会惩罚第二个网络,然后让它做纠正或者补充,补充过程中就会把丢失的东西找回来。像自编码网络但不是自编码网络会用简单、低成本找回遗失的数据信息。下一个问题就是,我们惩罚的方案,最好的方式是能够让它两个在学习过程中,使用更好的学习走样(例如过拟合)的解决方式。预设当我学习了三个内容,辨识器分别不出两张的真假,再来第三张图片,他们三个同时在学,组成三个网络互相可以学、对抗,最后样本会变得越来越大。这里面我们用了全的CNN网络来操作RGBD等基素、要素,特别是全局法线特征向量趋势等特征集,然后来预处理全局,三维视角里面最大的难点是预处理。这是非线性的结构化的算法过程。接下来,这里面有几个关键的组成,我们会限制它学习的区域,不让它做全脸学习。全脸学习是不可能的,它只会做区域限定,区域限定是根据测试结果来不停调整区域限制。再一个是本地遗失函数,一旦发现学过拟合的时候,我们会把本区域内遗失的数据补偿回来。这里面还有一些历史信息来做补偿,还有一组惩罚函数,全局法线向量趋势泛化模型及惩罚泛化模型,这对算力的要求比较高。通过这些个方式做到对抗学习,学习精度会变得越来越好。我们进行视觉图灵测试,让人选择它所认为真实和合成的图像,共800张图片,400张真实图片中人认为真实的有356个,400张合成图片中人认为真实的有342个,比例趋近于1:1;我们对400张合成图片进行图灵测试,人认为320个合成图片是真实的图像。从视觉图灵测试的1:1规则变化看,合成图像从图灵测试角度已经通过。根据目前我们的合成三维图像的表现,在我所知的算法里是最高的,当然还有很多未知算法的表现我是不知道,MPIIGaze测试表现目前比同行平均高出24.9点多。现在平均二维人脸识别的精度是99.5%,大样本下99.8%,MPIIGaze高24.9点多,即可达到99.9%,目前预计可就是百万分之一的误解率。三维人脸技术的金融应用情况三维人脸工业领域里,在未来很多领域有非常多的应用,比如身份识别,银行对身份证识别要求非常高,开卡的时候要求人的识别准确率一定是99.9%,支付的时候也必须是99.9%。同时我们所说的潜在的应用场景,会受到硬件限制。三维重建及人脸在医学领域应用可以用来做医学美容,三维细粒度图像重建与合成,细粒度的特征医学美容会让你的鼻子变得越来越像某个明星,真的好很多。现在三维技术不是特别好的时候肯定会走样。娱乐行业,更厉害美颜需要细节化,当然对防抵赖是没有益处。人脸技术应用于支付对AI方面,我们更多的考虑是基于风险的KYC的问题,二是严苛的身份识别,包括人脸的账户开立、支付、反欺诈、反洗钱、支付安全和支付合规,金融在这个领域要求特别多,三维做第一人称、第二人称欺诈的问题一定会放在这儿。其实金融行业最担心的问题是你用GAN生成人脸去骗过二维人脸支付,二是担心拿照片骗过他,三是害怕模具,尤其是通过3D打印出来的反求模具会骗过人脸,这三个确实会骗到。第四个活体检测,活体检测是最难的问题,你们可能也了解,现在所有的做人脸的厂商做活体检测要录一段视频上去,要和你预存的视频进行做对比,回去看你这个人是不是活的,但时模型很多,很耗GPU,虽然现在又静默活体,GAN依然能生成静默活体视频,去欺骗他。GAN生成的视频完全可以欺骗过全球最厉害的二位人脸识别系统,这样二维人脸就没有办法用到金融方面强交易安全的场景,特别是开户、支付两个环节。有三维人脸技术之后,15000的特征点,让假冒几乎成为不可能。我们团队将很快会出来创业。我们可以看到金融最难的问题是获客,大家都谈获客,用智能或者什么手段,其实都没有解决最重要的问题。我这几年一直考虑,怎么甄别你的场景?其实真正的金融场景就是高频和快捷的支付为入口,那么支付局面大家可知;另外怎么看你客户的旅程,你怎么看金融服务的旅程,怎么让金融服务的旅程和客户的旅程能够绑定在一起,这是很重要的,是做自己所有的行为,但是金融的过程是完全不能Match客户行为里面的内容,这里面有很多的维度它做不到。这里面我们会提供一个金融大脑平台,这个平台第一关键的是KYC的身份识别(包括我们的二维人脸、三维人脸及交叉验证信息),第二是因为场景方没法将他的数据特别是支付交易数据给金融机构,那我们需要金融大脑嵌入到场景方,让数据不出场景控制,而且能通过深度学习模型获得精准客户,提升场景方转化率,同时金融机构会得到他想要的客户。原来我在沃森做的一件事是跟AMA做的商业决策搜索,刚刚和向江旭总谈的情况类似,我弄了几十万个报告,用了一个隐马尔可夫模型的算法来看它的词,这个词汇包括刚才沈剑平总也讲了这个问题,你的语料库很重要,语料库是非常庞大的,包括某些著名搜索公司也不会建立庞大的的物料库,因为成本太高,算不过来,3×3次方的物料,九次方的词库。OCR应用于征信报告在这里我们会基于金融大脑平台建立自己的Finacial Supermarket,是比较超级的金融平台。这个超级平台第一个问题是先解决线上贷款问题,贷款最关键的是征信报告,我们自己做OCR进行征信报告识别,前段时间我们自己的团队想用一些著名AI公司OCR,但人家觉得我们给钱太少,没有动力搞定,被迫最后我们自己做,现在我们的识别率到99.7,还不错,喂报告有40多份差不多就96%多了,喂到一千多份字段级到99%。我们的算法就是图像检测算法,不是光学,然后进行标注,学习。第二步太模糊的时候,可做些语义分析,最后做HHM切词,做到三点精度就可以提到比较高。同时里面的表格还是用人脸检测的方法,把单元格全部切片,用FAST视角定位切片出来,像边线不够好的地方我们做了补偿,差不多做了3个多月。我们的超级平台,里面有几个东西比较有意思,一是金融大脑嵌入场景自学习算法模型,二是基于以OCR征信报告解析为代表的非结构化辅助数据结构化及验证,三是现在大家都做的DMP平台,这个DMP平台是基于金融大脑及类脑计算,当然关键还是数据,强关联数据和行为数据,最关键带场景模拟机及自学习能力;还有就是金融大脑研究,很重要,我们用Lucy的方法做IDDS的东西,我们做四库,知识库、常识库,很多人只想做知识库不做常识库,这是误区,常识库积累非常难,两块互补。然后进行对抗。我们最近研究对抗比较多,知识和常识的转换,什么时候变成常识,我要搜索外围所有的定理和常理来看你所有的行为,外面有很杂绕的有很多噪声的物料库,这个库是我们在里面扔垃圾或者回收垃圾的库。这里面最关键的是爬虫,你去爬所有的资料,这都会扔到垃圾库里,切掉,互相对抗学,学出来最好的放到常识预备库,然后做规则匹配,让预备库变成正式库,最后面要看知识库的责任了。和我们设计风险模型的方式一样,先有规则,然后才有策略,有了策略才能切分人群,按不同X值和Y进行对照组合学习等。按照人类脑的方法做,有了常识、规则之后才会有知识。如何实现开放金融平台?在这个超级金融平台上,我们还会做开放的金融平台,做了一键接入,包括共享SIT、共享开发、共享项目管理,包括身份平台,特别关键的是我们将要共建了一些标准,数据交换的标准,还做了包括系统管理级的东西,还有场景,比较亮点的是场景沙箱,很多银行说要场景获客,其实看了别人的场景觉得到底能不能用,把产品、服务流程等东西扔进去之后,模拟未来给他带来收益,基于风险的收益,权衡收益多少。重点是,我们做的是一个平台,同时定制化,公共平台包括金融大脑、类脑计算、OCR、Tensor Flow、Hadoop等,还有些定制化,包括场景、开放API、面对不同产品的场景嵌入模型,我们完全用微服务架构。我们这个微服务架构不是大家想的那样,是一个微服务可以实现好几个重要功能,但是从业务逻辑实现,我们没有按照现在流行的方法做,我们的水平达不到流行的方法,我们是按照功能来切分微服务大小。NLP目前使我们团队短板,确实也很难,我们正在积极和一些全球著名团队合作。最后,我们考虑建立基于数据安全、隐私保护、双向鉴权和共享标准的,数据地图,这个地图大家比较清楚,这些都会在风控模型上用到,这些数据,从风控角度来时第一个是看重征信报告的数据,第二个是通过多方验证的第三方数据,第三个是金融支付(支付模型结构)数据。大家知道做零售贷款,所有的行为数据都是没有用的,都是无相关数据,最重要的是征信数据。其他数据我们不太看。第二方面,目前风控模型对所有的策略和权重都是半监督学习、我们模式不同,使用深度学习方法,包括统计分析及关联学习等,我们不会Y的值和一群X就粗暴地处理,组合式分出权重,我们更看重最后的表现。当然这些风险要有足够大的样本,我们大概有15万个客户的样本,额度是在日均25万,其实模型还是较健壮的,现在采纳了40多家银行,我们未来目标希望和大的金融机构进行合作共同建模,用历史数据来优化模型,同时我们开源这些模型和金融大脑平台,真正做到超级开放平台。雷锋网雷锋网(公众号:雷锋网)雷锋网
2019年08月14日
12 阅读
0 评论
0 点赞
2019-06-14
90%的AI企业面临亏损,该如何在AI浪潮中抢滩登陆?
面对万亿级AI市场,无论是国内外资本、互联网巨头,还是众多跨界巨兽,他们无不都在疯狂跑马圈地,唯恐在技术变革浪潮中被时代甩到身后。一来受限于人工智能产业链高技术门槛;二来大型企业的介入让原先稍显公平的生存法则瞬间土崩瓦解。另外一方面,有机构发布报告,由于无法找到真正可持续可规模化的应用场景将技术产品化和商业化,90%的AI企业处于亏损马太效应的加剧在未来的商业场中进一步强化。在此背景下,原先深耕各个赛道的海量中小企业们必须面对一个终极命题:在技术、资金、场景资源各方面均不占优的情况下,如何享受巨大技术红利?在众多传统厂商、普通AI创业企业、开发者们可能与AI红利失之交臂之际,起于金融、兴于科技的金融巨鳄平安却在近两年集中布局AI生态体系,聚拢行业资源,加速生态招募,争取群体性突破,携手共赢。2019年,平安的logo从“保险、银行、投资”调整为“金融科技”引起哗然:巨头的加入必定会搅动行业,加速变革。也由此不难看出平安对于科技能力的重视。眼下,他们在 “金融+科技、金融+生态”的战略导向下,聚拢核心技术打造,向下融合技术,对上赋能业务平台将云、AI算法、数据、场景等元素融合在一起,为产业链上下游合作伙伴修炼一个稳固的AI生态闭环,树立AI时代引领者角色。金融+科技双引擎,平安AI生态价值尽显与大多AI企业一直欠缺场景落地能力相比,平安在AI落地方面实战经验丰富。这主要得益于多年金融级线下业务场景积累,以金融业务起家,再扩展到其他行业,可以实现从上到下的“降维打击”。平安多元化触角延伸至金融、医疗、汽车、房产、智慧城市五大生态,一方面可以将五大生态有关的业务导入平安的核心金融业务中,另外一方面平安将客户、资源、技术向行业合作伙伴开放,在此过程中,平安AI的生态价值尽显:1、丰富的场景资源便是平安最大的金矿;平安在国内拥有29家子公司,31年的业务积累,链接了180万的B端客户资源;不同于其他的科技企业,平安的场景是现成的,以“场景+技术”为突破,从而帮助合作伙伴扩大企业经营便捷、突破资源限制,拉升企业红利;2、更了解线下的业务,发现需求并落地;平安做科技赋能,依托于金融等传统业务的积累,科技为赋能 “金融、医疗、汽车、房产、智慧城市”五大生态圈提供基础;首先在内部深挖业务场景,助力业务降本增效,加强风控管理,打造出优势的技术产品及应用。对外则依托于创新的产品和应用实现快速的推广和复制落地,从而加速行业的智能化进程;相较其他竞争者,平安在理解客户需求、组织人力开发、细分渠道管理上都绝对占优;3、金融+科技双引擎驱动,组合模式拓展市场,灵活多变的赋能业务。看似不相关的行业其实都会有金融业务的需求和业务交叉,平安通过金融将行业进行灵活串联拓展,实现业务,科技赋能。同时在金融服务的基础上,根据业务的需求提供综合灵活的解决方案,帮助客户量化产出,实现业务的降本增效;在客户服务过程中, 平安的AI生态中,根据项目的需求进行能力组合提供客户综合的解决方案,量化业务的产出价值。4、服务的安全及稳定性;金融是众多细分市场中,对于技术稳定性、准确性、安全性要求最高的场景,没有之一。平安的金融属性决定其任何一项业务或者服务都必须符合最高级别的安全标准:作为我国三大综合金融集团之一,平安建立了全球领先的信息安全保障体系,至今为止,从未出现一例公共数据安全问题。以上四点,无疑都是目前AI赛道内其他玩家无法企及的。眼下,在金融+科技的双轮驱动下,平安遵循着“科技赋能金融—科技孵化生态—生态反孵金融”的发展路径,平安科技通过平台+AI+生态的模式,打造个人金融生活服务平台。平安智能认知作为平安科技的服务中台,成为平安AI生态中强悍的“中流砥柱”。业务全面渗透至衣、食、住、行、生、老、病、养等领域,输出应用覆盖超过400+个适配不同业务场景,遍及国内境外及海外等多个国家,实现从内到外的转变升级。以智慧楼宇中落地深圳平安金融中心为例,平安科技智能认知通过人脸-人形-视频结构化,建立一人一档的智能化管理。在此过程中与硬件合作伙伴共同研发的人脸识别摄像机、集成了算法合作伙伴的3D地图、轨迹追踪功能,实现楼宇管理的“一体化、集成化”。平安充分发挥中台能力,正广纳生态合作伙伴而城市场景之多、领域之广让人咂舌,平安一家无法打通整个市场,通吃上下游。在这个过程中,他们需要联合众多中小企业,双方协力、扩张市场、建立优势、为全产业赋能。竞争不是个体的成败,而是群体的突破。在平安智能认知负责人宋晨的对外演讲中曾有提及平安的云+AI生态建设模式:通过建立能力中台,向下融合技术,向上赋能业务。在生态合作过程中,平安科技可以基于其自身丰富的场景资源、数据资源、技术能力,与上下游众多包括硬件、算法、系统集成等合作伙伴联手,发挥各自优势,一起打通产品实施、运维各环节,为最终用户提供一体化服务。“就好比三明治”提及平安生态的商业模式宋晨这样比喻。“产业链中的生态按照能力层、调度层、中台、业务层、客户层等组合,平安掌握的是核心的能力,至于总包还是集成,取决于项目来决定分配”。也就是说,以算法SDK、IoT平台、云服务、行业应用构筑的平安AI生态可以与全行业内任何一家上下游企业无缝对接,利用自身标准化行业解决方案、平安云人脸服务、感知融合平台、领先算法等为各个合作伙伴赋能。通过这种互利共赢的方式,能让众多中小企业畅享技术、数据、场景等资源的同时,也能让平安科技在最短的时间内聚集各行业的中小企业开发者,在垂直领域形成牢固的生态矩阵。据了解,自平安科技推出云AI生态合作以来,与近百家企业建立生态合作,在产品联合研发、行业解决方案及落地上成绩斐然:例如智能硬件方面共同研发识别半球、门禁面板机等,另外一方面通过与生态伙伴合作,在楼宇安防等垂直细分领域拓宽做深,不断扩大业务的边缘和范围。在近期广东省高考、北京国贸等多个楼宇项目、银行VIP识别等项目中均可寻得平安生态伙伴的踪迹。单打独斗已成历史,共生共赢才是未来平安科技云AI生态的推出,让我们看到这家以金融立命、以技术立身的老牌公司前瞻的战略眼光。在市场日趋饱和、投资回归理性之时,中小型企业及开发者们需要获得更强大的实力来赢得竞争。基于平安科技此前三十多年积累的应用场景,可以帮助中小型企业在短期内“加速”形成竞争优势。在产品开发、获客、市场和商业模式等方面形成自己的体系,快速确立行业市场领先的地位。也就是说,快速发展中的平安科技需要多量且质优的合作伙伴加入,共同前行;如果不想被时代抛下、想抓住AI红利,也许携手平安科技AI生态才是最大的捷径。雷锋网雷锋网雷锋网(公众号:雷锋网)
2019年06月14日
8 阅读
0 评论
0 点赞
2018-12-17
人脸识别技术不成熟?谷歌暂停对外销售相关产品
前几日,谷歌发表一篇文章称,在能够阻止人脸识别技术被滥用的政策出台之前,他们会暂停对外出售相关技术及产品。其全球高级副总裁Kent Walker表示,“人脸识别技术与其他技术一样,在大规模应用之前,必须确保符合人类的价值观,否则会因为被滥用而带来非常危险的结果。”此前,谷歌曾与五角大楼签署合作协议,将为后者的无人机装载谷歌的人脸识别技术以监控指定人员,由此便引发了一系列的舆论压力,谷歌迫于压力,发表了上述声明。对此,美国公民自由联盟Nicole Ozer称,“这是非常重要的一步,我们会继续给谷歌等公司施加压力,以保证他们的产品不会侵犯到人们的隐私和其他权利。”有意思的是,谷歌发表声明称暂停出售相关技术的同时,还含蓄地“抨击”了友商亚马逊,称自己的做法与其他一些公司明显不同。今年五月,亚马逊因在该技术的准确性受到质疑之际向执法部门出售面部识别软件而受到批评。美国公民自由联盟呼吁:亚马逊应该停止向美国政府提供强大且“危险”的人脸识别系统-Rekognition。该联盟表示,“亚马逊以十分低廉的价格向美国警方提供人脸识别服务。像Rekognition这样的面部识别系统,可能会导致美国公民的私人数据被滥用及隐私遭到侵犯”。在他们看来,将人脸识别技术应用到前端视频监控摄像机上,可能会打破隐私及实用性之间的平衡。假设美国警方有若干台这样的安防摄像机,同时拥有可疑人员的“黑名单”照片库,那么其他任何人如果与这些可疑人员有一些相像,一旦进入警察的安防摄像机的镜头之内,都有可能受到警务人员的盘问。而大多数美国人不希望生活在那样的世界里。雷锋网了解到,Rekognition是亚马逊于2016年末推出的人脸识别系统,它作为亚马逊云业务的一部分,一直与政府合作,向后者提供基于“人”的安防服务。用户可以通过标记存储在其服务器上的图像来教该服务从人群中找出个人,其面部识别技术可以扫描其他照片和视频来检测特定的个人。之后的时间里,亚马逊还在一直更新 Rekognition服务,包括实时人脸识别,图像识别文本以及改进人脸检测。比如通过 Amazon Rekognition,用户现在可以对数以万计的面孔进行实时面部搜索。和之前相比,搜索延迟缩短了5到10倍,同时允许存储的人脸数量增加了10到20倍。目前,包括俄勒冈州在内的众多美国州立政府已经成为Rekognition的用户。对于该自由联盟的呼吁,亚马逊发言人表示,该公司要求客户在使用其服务时要“遵守法律并对其行为负责”。同时亚马逊强调了该技术的积极用途,比如帮助寻找走失儿童等。之后不久,当地时间6月25日,奥兰多市与奥兰多警察局发布声明称:已于上周停止使用亚马逊深度学习人脸识别技术——Rekognition,从去年12月份开始为期6个月的合同已经到期,目前不会再续约。声明还称,工作人员目前正在讨论和评估未来能否重启该项技术。而这也侧面说明,奥兰多市仍有可能在未来就人脸识别服务与亚马逊重新合作。奥兰多政府匆匆发布声明一定程度上受迫于公众舆论压力。一直以来,人脸识别技术在美国的落地应用就困难重重。此前不久,美国特勤局计划在美国总统府邸内以及周边范围测试面部识别系统,希望了解这项技术能够帮助识别进入白宫的人员,并表示系统会自动删除确定不匹配的图像。而此举同样也遭到了该联盟的反对,他们认为该项测试明显存在隐私问题。因为街道上的行人可能会被试点系统所抓取,而且目前还不清楚特勤局如何确定谁是“感兴趣的主体”。其高级政策分析师Jay Stanley在orginization的博客文章中写道:“从隐私的角度来看,人脸识别是最危险的生物识别技术之一。雷锋网雷锋网(公众号:雷锋网)锋
2018年12月17日
6 阅读
0 评论
0 点赞
2018-12-04
风口上的虹软犀利的掌舵人
邓晖,虹软创始人兼CEO,他是典型的成绩斐然与行事低调的混合型人物。成绩斐然在于行业地位。1994年,邓晖于美国硅谷成立了虹软。之后,无论是在PC时代、数码时代、移动互联网时代还是如今的AI时代,他都展示出自己超前的格局,带领虹软用视觉AI技术一直行走在行业创新的最前沿。今天,虹软视觉AI技术已经被广泛应用于近百亿台智能终端设备当中。仅智能手机视觉解决方案这一业务,其多摄技术、人脸美颜、暗光拍摄等算法被包括三星、华为、小米、OPPO、vivo在内的80%以上的安卓主流手机所采用。行事低调在于风格。打开全网,创业二十四年来,邓晖接受采访及出镜的频次屈指可数。就以在他们的“主场”为例来说,邓晖的“不一样”让我印象深刻。不久之前,虹软于2018高交会期间,在深圳召开了以 “+AI 智未来”为主题的视觉AI开放平台创享会,并发布了全面升级的虹软视觉人工智能开放平台。作为本次创享会的东道主,我竟没能在嘉宾席上看到邓晖的身影。演讲开始,他不知从什么地方“蹭儿”地冒出来,讲完之后又“咻儿”地回到后排,一个人在会场的角落举起他的手机,时不时拍照,做起了“摄影师”的工作或和现场开发者交流。 摄影+AI:艺术与技术的交融如果说,每个成功的人都有一个契机点,那么对于邓晖来说,这个点就是“摄影”。他最酷的地方在于,除了拥有计算数学方面的天赋,他还是一个不折不扣的摄影爱好者。从星空苍穹到非洲草原的动物王国,从定格极限冲浪瞬间到捕捉拍摄候鸟迁徙,曾获PMDA摄影技术终身成就奖的邓晖,拍照足迹遍及全球。一提到摄影,邓晖有说不完的话。他回忆说,研究生刚毕业那会儿,身为大学老师的父母希望自己从事学术研究方面的职业,但他更想在图像技术领域内成就一番事业。同时,他也看到了一个巨大市场机会:二十多年前,一套Photoshop的图像编辑处理软件就要卖500美金左右,这个价格在当时是大多数摄影爱好者无法接受的。无则生变,爱则无畏。一个刚出象牙塔的青年就在想,如果自己能开发一套价格更亲民、功能更实用的专业图像编辑软件,既成就了自己又服务了他人,何乐而不为?不久之后,PhotoStudio应运而生。这套功能强大、性能极佳的专业图像编辑软件,其价格仅是PhotoShop的五分之一。凭借技术的领先性及价格的亲民性,PhotoStudio成为90年代至21世纪初全球出货量最大的图像编辑软件之一。之后,从PC到互联网及移动时代的转型过程中,邓晖和他的虹软也没有落下脚步,同样在视觉领域取得了骄人的成绩。得益于邓晖对于摄影的深刻理解及长期与相机公司的合作,他更懂得如何利用算法,让普通人也能享受到图片艺术的魅力和乐趣。因此,当手机厂商还在追求高像素的时期,邓晖带领虹软已经开始将人脸技术、暗光、HDR、全景等数码相机上的视觉技术移植到手机拍摄功能中。而当暗光、HDR、全景成为手机标配的时候,虹软又开始尝试在手机上实现单反相机的功能。以如今大火的多摄为例,早在2014年,虹软便协助手机厂商发布了全球第一款真正意义上的后置双摄手机。这款手机通过虹软的AI算法,可以实现单反相机大光圈才能拍摄的背景虚化效果及光学变焦功能。让稍纵即逝的平凡变成不朽的视觉图像,可以说正是这份摄影的魅力,使得他走上创业之路、成功之路。凭借邓晖敏锐的技术嗅觉和前瞻性的战略布局,过去几年虹软在智能美颜、多摄等相关技术的全球市场占有率稳坐第一。赋能、开放,合作、共赢成功总偏爱灵魂丰富的人。从某种意义上来说,邓晖的成功在于,他用技术服务兴趣,用兴趣反哺技术,从而造福众人。对于摄影如此,如今对于AI亦是如此。邓晖认为,人工智能作为一种全新的生产力,它的作用就是让人们的生活化繁为简。但实际上它还远远未产生这样的功能,在巨大技术红利面前,受限于人工智能的高门槛,无数中小企业明知道它的好,但却得不到它。就此,拥有全套视觉AI技术的虹软,做出了一个让业界震撼的决定:推出视觉人工智能开放平台,免费为众多合作伙伴和第三方企业提供人脸识别、活体检测、人证比对、人脸属性分析等视觉AI技术。同时还推出“星火”计划,在资金、技术、渠道方面扶持优质创业者和开发者。邓晖要做的便是给技术门槛做减法、给虹软的朋友圈做加法。在他看来,未来的AI产业会百花齐放而不是一枝独秀。虹软一定要集中最好的资源去做最对的事,那就是利用技术优势去赋能、开放,打造虹软的生态系统,从而推动AI真正应用到各行各业。邓晖说,我们要学会敬畏,在任何市场耕耘,一家公司的能力是有限的,但千千万万个公司就能产出无法估量的价值。就今天大热的AI而言,虹软拥有全球顶尖的视觉AI技术,而这些技术可以用于金融、保险、安防、医疗、农牧业、传统制作业、教育、旅游、零售等各行各业。鉴于此,如果这些行业中有创造力、有想法的硬件公司、系统集成商、方案解决商,能够免费用上虹软的技术,大家发挥自身价值,互利共赢,是为上策。细数过往,邓晖和虹软所做的每一件事就是为了让“视”界变得更加美好,从造福普通的摄影用户到泽及整个AI大生态,只是服务对象变多变广了,所做的事情还是没变。“就像当年对图像数字化充满信心一样,我坚信产业+AI会迎来爆发,虹软前行的方向没有错。”邓晖如是说。雷锋网雷锋网雷锋网(公众号:雷锋网)
2018年12月04日
14 阅读
0 评论
0 点赞
2018-11-30
专访积木易搭孙剑峰:下一个堪比“人脸识别”的机会在哪里?
变化,正如开放之于国家,创新之于企业,思考之于个人。胶柱鼓瑟只能故步自封,随着时势做出选择来“变”,才能“通”,才能“久”,“变”不止于欲望,要有“变”的能力、“变”的胆量。在千军万马过独木桥的商业战场中,“变”是一场精心动魄的博弈,变得好,高奏凯歌;变得不好,满盘皆输,这就要求企业掌舵者不局限于表象,纵览全局。恰巧,于‘2018第八届博物馆及相关产品与技术博览会’现场,雷锋网(公众号:雷锋网)就遇到了这么一位懂得“变”的人。他叫孙剑峰,是“积木易搭”创始人。他是一位已经经济自由,还投身互联网创业,与初出象牙塔的高材生们一较高低的六零后。他设计师出身,喜欢画画,是一家建筑设计上市公司的老总,积木易搭是他的二次创业。成立于2015年09月的积木易搭目前已经是国内三维技术应用落地的佼佼者。针对VR/AR/全息等场景,他们已经推出了包括手持3D扫描仪“魔法棒”、箱式智能扫描仪“魔盒”、拍照式3D扫描仪“魔拍”在内的多款产品。两个月前,他们还打败众多竞争对手,成为阿里“1688智慧市场”邀约服务商。三维落地谈起三维技术,孙剑峰有说不完的话。在与我交流的两个小时里,他仔细梳理着过去三年里这家公司所遇到的一幕又一幕,从机会到困难、从变革到落地。从某种意义来说,当孙剑峰把真实的自我带入三维角色中的那一刻,他就已回到主场。而我相信,在说这些的时候,他已经不在角色里,他是在说他自己。他说,随着5G、三维等技术的日益成熟,VR/AR即将改变社会,它能彻底颠覆人们的工作方式、游戏方式、联系方式、生活方式。以泛家居领域为例。通常,我们为房子增配家具前,都会事先量好各个位置的尺寸,然后在商场中凭借模糊印象或者照片挑选家具,后来发现,如此操作既不准确也不高效。于此,积木易搭利用智能设备基于三维建模技术快速为房屋与家具建立一个三维空间,用户可以在这个近乎真实的虚拟世界内看到真实的家具摆放场景。也就是说,当我在为房子挑选家具时,不需要受到任何限制,就能看到装修后的效果,体验完胜传统家装的平面图,便于自己做出更为准确的选购方案。优秀的技术方案从来就不缺欣赏者。2018年8月,积木易搭联手名家居世博园,为后者旗下500多家国内外一线知名品牌厂商建立3D实景复刻展厅,打造线上3D场景化体验。据悉,3D数字家居展馆,也是国内首家超过40万㎡空间实景复刻家居馆。再譬如在文博领域。早在2016年3月8日,《国务院关于进一步加强文物工作的指导意见》就明确指出:要健全国家文物登录制度,建立国家文物资源总目录和数据资源库。在具体操作过程中,积木易搭通过三维技术对文物进行扫描,获取文物的三维点云数据形成模型后,可以实现文物、工艺品的数字化,进而将现实中的文物转化成3D模型‘搬运’到电脑、手机等移动客户端上,方便观众全方位、多角度欣赏及随时打印。与此同时,积木易搭还为每个文物保存了一份完整数据,能在文物意外受损时根据这些数据进行修复,避免直接不当修复造成的本体损害;另外,文物研究者还可以运用现有的三维文物模型进行辅助研究。孙剑峰说,三维技术的融入能够减少实体文物的使用次数,从而达到文物保护的目的;此外,年轻人对传统的展览形式并不感冒,3D数字博物馆、实景复刻博物馆等正切中了他们的文化需求。眼下,凭借深厚的技术积累和行业经验,积木易搭已经先后为安仁古镇华公馆、尼泊尔国家文物、惠安国际雕艺大师馆、洛阳博物馆等提供3D数字化相关服务。其实除了泛家居、文博领域,三维技术已经应用到了各行各业。早在2016年6月25日,长征七号运载火箭于海南文昌发射场成功发射,这是载人航天工程空间实验室阶段4次飞行任务的“开局之战”。作为我国首枚全生命周期的数字火箭,其也采用三维协同、设计、试验和制造,三维模型中包含了火箭几何尺寸、材料信息、重量、装配关系、工艺计划、甚至供应商等信息,为生产、作业流程提供了全自动化基础。填平大坑由上述来看,三维技术的成熟带来VR/AR/3D全景等应用的深度融合,这对于广大消费者及家居、文博等行业来说无疑是一大利好。行文至此,也许有人会提出疑问:包括VR/AR、三维技术在类的词语已经不是陌生词汇,为什么一直未能得到大规模推广、应用?这其中便涉及到三大问题,总结来说只有12个字:成本高、效率低、费用大、效果差。传统三维建模技术存在诸多问题,在效率、成本、工程化等方面远远满足不了市场需求。孙剑峰介绍说,使用3Dmax等软件人工建模问题百出,耗时长、成本高、产能低、精度差,很多时候花费大力气建模出来根本无法让消费者满意。即便花大价钱从国外进口最为先进的机器,也会面临产能低下的问题;另外一旦出现损坏,设备就必须寄到国外保修,一来一回又耽误几个月作业时间。毫不夸张地说,如果此前哪家厂商选用了这项技术,非但没能达到节能增效的目的,还有可能亏了岁月、成了先烈。身为一位在传统行业打拼了大半辈子的人,孙剑峰看到了各个行业的极大痛点及刚需。势对,时也对。在此背景下,他拿出积蓄,成立积木易搭,组建了一只以姚剑教授带头的超过一百人的技术团队,势必要解决传统建模过程中的所有痛点。需要指出的是,披职积木易搭CTO的姚剑教授,同时也是武汉大学遥感信息工程学院学科带头人。如果在三维建模、测绘方面,武汉大学说第二,应该还没人敢说第一。世界大学排名中心(CWUR)公布的2017年世界大学学科排名前10名大学中,武大遥感学科排名遥遥领先,稳居世界第一。孙剑峰主管战略、姚剑主攻技术。在两位舵手的带领下,在经过数百个科研人员三年数千个日夜的不断努力下,积木易搭终于完成了从0到1的突破,为这个行业带来了多款划时代意义的硬件产品。“我们真正实现了无需人工操作的自动三维建模,有效的解决传统建模过程繁琐、速度慢、不精准等痛点。”孙剑峰自豪地说道。在成本方面,积木易搭做到单个建模从过去的5000元至过万元,降低到百元起步;在时间方面,积木易搭的产品能够不间断工作,以往需要几天才能完成的建模,现在十分钟不到就可以完成,大大的缩短了工程交付周期;在精度方面,相对传统手工3D软件建模,扫描建模的精度直接提升到了μm级,与真实场景毫无差别。可以说,积木易搭的出现,颠覆了传统VR/AR/3D全景内容生产模式,将VR从手工作坊式的刀耕火种时代直接带入可保质保量规模化的数字工业化时代。迄今为止,其已为超过1000+家合作企业/单位,累计提供超过320000件建模服务。高筑护城河“未来3D技术不再是一个概念、噱头,是真正可以流水线生产、普惠万家的技术应用。”如果说,基于三维技术的VR/AR/3D全景应用真的可以成为各类场景的主要展现形式,那么在这个产业中,积木易搭的护城河体现在哪里?孙剑峰认为现阶段的积木易搭,核心竞争力主要有四点:一、人才优势。积木易搭目前拥有一支超过130人的顶尖研发团队,他们分别都是高精度测绘领域、图像领域、三维仿真领域、云平台领域、深度学习领域、家装设计领域的专家、学者。截至目前,已经累积了接近四十项技术专利;二、技术产品。因为原创、所以无二,积木易搭的发展路线是从建模软硬件一体化解决方案提供商到模型服务平台,再到3D数据应用平台。也就是说,它是一家集软件、硬件、平台、数据服务为一体的企业,这是很多竞争者难以望其项背的。三、服务能力。与远在海外的设备商不同,积木易搭有非常强的用户服务能力,一旦设备、技术出现问题,能够做到及时响应;四、生态创新。在商业战场,孙剑峰深知,任何一座孤岛的力量都是微不足道的,市场之大仅凭积木易搭一家很难覆盖,唯有连成陆地,才可繁花锦簇、发展壮大。藉由此,他走了一条行业内从未走过的路:开放技术平台,吸引更多加盟商合作,进一步构建服务生态,大家携手将各个市场做透、做全。3D数字化大潮将至“从2D转向3D,一定不会错!”孙剑峰笃信,从文字转向图片,再转向视频,接下来商品最好的表现形式就是3D化。因为3D是一种全新的媒介载体,通过VR/AR、全息3D、全景展示、虚拟互动等新型的多媒体形态,能够带来更多商业机会,为人们带来更好的体验和价值。也许,科技交融的确能够给传统行业涂上变革的底色,3D数字化的力量也能让这个世界愈加多彩,让我们能够走出一条载满驼铃声的茶马古道。“方向是对的,假如你失败了,怎么办?”我反问。他说,人生难得一回搏,我看到了这个机会,我也相信3D数字化能够革新这个社会,为什么不去拼一把?选择二次创业的一个最大原因是成就自己,如果不走这一步也能衣食无忧,但时隔多年后,再也没人能够记住我,当我垂垂老去,又该以何种态度来反观自己走过的路呢?在孙剑峰身上,我们看到了湖南人骨子里的敢闯、敢拼。眼下,积木易搭也在他的带领下,以创业者无畏的心态一直往前冲。截至目前,除了文博工艺品、泛家居、教育科研、电商展销等行业,积木易搭还正在寻找各个行业的切实痛点,为包括建筑房地产、旅游等不同行业细分客户提供深度服务,扩大重点行业的应用规模。雷锋网雷锋网
2018年11月30日
9 阅读
0 评论
0 点赞
1
2
...
24