01、大数据产生的背景与概念

今天分享的主题是大数据和人工智能方面的知识。技术层面的知识不详细讲解，我们主要讲解什么大数据的相关基本概念和基本应用，简单讲解一下涉及到的核心技术，最后总体概述一下人工智能领域的一些发展战略和国际和国家的整体形势。

首先分享大数据相关内容：大数据和人工智能是近期国际上最火的两个词，涉及各行各业。从大数据出现的背景来看，每隔十五年左右都会有一次比较大的变革，表现在：

第一次浪潮在80年左右，PC机盛行时期。PC机阶段每个人都用计算机来信息处理，苹果、微软、联想、戴尔、惠普、IBM都是典型的代表；

第二次浪潮是在互联网出现以后，在95年前后的时期。每个计算机即可以处理个人的信息，而且把计算机链接起来进行相互沟通和交流形成互联网，使得计算机不仅能够处理信息，而且还能通过互联网进行信息的共享。代表性的企业如雅虎、谷歌、百度、腾讯等；

第三次浪潮是在互联网出现后到现在，这个阶段的典型特征是数据量急剧增加，对计算能力以及数据的深度挖掘分析需求日益迫切，代表性的企业有谷歌、百度、腾讯、阿里等，他们都从传统的互联网企业转型成大数据和人工智能企业。

02、大数据管理与分析主要技术

那么数据的产生和管理经历什么样的发展呢？可分为如下三个阶段：

第一阶段是企业数据产生之后，数据通过人工输入的方式输入到数据库里面，进行统计查询分析；

第二阶段是web 2.0阶段，亦称之为自媒体阶段，以微信、微博等社交媒体为代表。用户自身即是信息的生产者，也是信息的分享者，信息量非常大；

第三个阶段属于物联网阶段。这个阶段中会有大量的传感器自动采集数据，把这些数据通过设备与设备、设备与人相连，形成一个互联网系统。例如城市监控系统自动产生的数据等。这个阶段机器自动采集和分享数据，数据量会进一步剧增。

其实，不管是web 2.0阶段，还是马上来到物联网阶段，我们已经进入了一个数据的爆发期。这么多海量的数据如何存储呢？

从存储的角度来说，虽然数据的变化两年翻一倍，但从硬件发展的角度来说也遵循这样的规律。随着存储技术的发展存储介质也越来越便宜，存储的容量越来越大，虽然数据的暴增，但存储的容量和价格也降低的非常快，能够适应当前数据海量增长的需求。

03、大数据技术在各领域的应用

大数据已经在各个领域发挥了显著的作用。比如互联网领域的推荐系统，城市管理方面的智能交通系统、环保监测系统等。另外，金融、电信、餐饮、政府、安全等领域都积累了非常大的数据，这些数据已经为企业的日常管理和决策发挥了非常大的作用。

国际上对大数据也非常重视，美国奥巴马时期把大数据认为是一个国家未来发展的石油，把它当做一个国家的核心资产来看待，国家投入了很大的经费来支持大数据的研究；我们国家也把大数据作为我们重要的国家资产来盘活、应用，并且作为国民经济的一个重要产业来发挥它的作用。近年来，国家对大数据项目的支持力度非常大，已经把人工智能上升为国家的一个战略。

什么是大数据？大数据的定义很多，但有一个基本、大家还相对来说比较公认的一个说法，指无法在一定时间内用传统数据库软件工具对其内容进行抓取、管理和处理的数据集合。这种说法还比较笼统，还有大家公认的4V的说法，它满足四个特征：

第一个特征是量大，数据量要足够大；

第二个特征是形式很多，不单单是我们传统关系数据库里面的数据；

第三个特征是实时性，就是要求数据到来之后，能够实时在线进行分析处理；

最后一个特征是价值，并不能简单地理解为它是有价值的，因为现在的数据量非常的大，但在数据中蕴藏有价值的东西，相对来说比较少，需要细加甄别。

从大数据的价值来说，它能发挥怎样的作用？

第一，最重要的作用是引起了整个社会对数据的重视。近年来，企业里从领导到员工，对数据在企业的发展中作用都提上了一个很高的高度，这就是思维模式的一个变革。

第二，以前由于信息系统不发达，存储的数据是对历史比较片面的记录和展现。现在在大数据时代，信息采集的手段越来越多，能够把日常的行为信息都保存下来，相当于记录了一个人、一个组织、一个社会的历史行为。我们说要学习历史，学习历史的目的是为对将来社会、组织和个人的发展提供指导。如果说数据已经把社会、企业和个人的行为数据客观、全面的记录了下来，我们就可以做通过大数据建模的方式把它给抽象出来，可以为企业、个人、乃至社会的运转提供支撑。大数据最重要的功能就是做预测，它凭什么能够预测？就是因为他能够从大数据中把蕴含的模式以模型的方式抽象出来，为将来的社会、企业、个人或者是各种需求来提供预测，提供帮助，这就是大数据最本质的东西。

说到大数据，我们再探讨一下云计算。

云计算的核心技术包括：

第一是虚拟化；

第二是分布式计算；

第三是分布式存储；

第四是多租户。

云计算包含公有云、混合云、私有云，公有云是每个用户都可以来申请，比如说谷歌、百度、腾讯等企业的云系统；

混合云就是说既有私有云，也有对公服务的；

私有云就是指我们的数据只有自己的企业用户进行分享，外部用户限制使用。

总的来说，云计算的主要目的是通过对硬件系统复用或者虚拟化的方式来提高数据的处理能力，这是云计算的一个基本得出发点。

最后一个概念是物联网。企业里面有很多物联网的形态存在，比如ID、二维码、摄像头、音频终端等，主要这些具有感知能力的智能终端，能够自动的采集数据，并把采集到的数据进行传输，进行分享，进而进行上层的处理。物联网在现实生活中的应用还是非常多的， 比如智能交通的感知器、城市里的摄像头、微博、雷达等。

云计算、大数据和物联网代表了IT领域最新的技术发展趋势，三者既有区别又有联系，可以概括为：

（1）从大数据与云计算的关系来说，云计算为大数据提供了技术基础，大数据为云计算提供了用武之地；

（2）从云计算与物联网的角度来说，云计算为物联网提供了海量的数据存储能力，而物联网为云计算技术提供了广阔的应用空间；

（3）从大数据与物联网的角度来看，物联网是大数据的重要来源，而大数据技术为物联网数据分析提供了支撑。

作为企业来说，应该有两点认识：

第一，企业数据就是企业的资产：企业有很多现有的信息化系统，每天在产生很多数据。这些数据要想办法合理的把它组织和管理起来，要挖掘这些数据当中蕴含的价值，要发挥这些数据的价值；

第二，开辟新的数据源：在一些业务领域建造一些新的数据源，这些采集的数据一方面支撑日常业务运营，同时也积累更多的企业运营数据。这些企业数据涵盖各个方面和流程，数据越丰富，越能反映企业运转的轨迹，记录企业运营发展的规律。可以通过大数据分析的手段，探查企业运转的流程，看是不是最优的运行方式；也可以挖掘企业运转的模式，为将来企业的进一步发展和有效的运转提供决策支持。

所以，第一个点告诉我们要树立数据即资产的认识，想办法盘活现有数据；第二点强调开辟更多的数据采集渠道和来源，尽可能的挖掘、发挥大数据蕴含的商业价值，为企业发展所用。

04、新一代国家人工智能发展规划

新一代人工智能，是国家刚刚发布的《新一代人工智能白皮书(2017)》。对物流企业来说，掌握国家的人工智能发展趋势，也是非常必要的。

人工智能的发展，经历了三次浪潮：

第一次浪潮最早在50年代到60年代中间，人工智能刚刚兴起，但由于当时的技术不足以支持人工智能的发展与实际应用，后来停滞不前进入了低谷；

80年代以后，人工智能又热起来，这一次热的原因是技术得到了解决，在这个阶段大家耳熟能详的一些技术，如BP神经网络等；

第三次浪潮出现很多新的技术，如深度学习等。在这一时期，技术得到了一个很大的发展，很多企业把这种技术投入应用，解决一些社会的实际问题，产生了显著的经济价值。

总的来说，这次浪潮要比前两次的生命周期要长一些。为什么人工智能的第三次浪潮不像前两次很快就过去了？主要得益于三方面的驱动因素：

第一方面的驱动因素是大数据，现在数据采集的手段积累了大量的数据，这种数据为人工智能的发展提供了一个很好的基础；

第二个方面的驱动因素是计算平台运算能力的不断提升，促进了人工智能的落地；

第三个方面的驱动因素是应用场景的不断扩充。总的来说，国际人工智能产业预计仍然保持一个爆发式的增长，我国人工智能对全球人工智能产业发展起到一个重要的推动作用。我们的企业要抓住大数据与人工智能的机遇。

人工智能 涉及众多学科，例如计算机视觉、自然语言理解与交流、认知与推理等，从事相关研究的大多数博士、教授等专业人员，往往也只是涉及以上某个学科。比如，人脸识别是计算机视觉这个学科里面的一个很小的问题；深度学习属于机器学习这个学科的一个当红的流派。事实证明，到目前为止，人工智能的实现过程主要还是基于大数据进行深度学习从而达到人工智能。2018年，企业和业界人士要了解和熟悉大数据和人工智能结合的五大趋势，充分利用和发挥大数据和基于人工智能的解决方案对市场的作用。

1. 聚焦新零售

在最近的大数据和人工智能的应用热潮中，几乎没有哪个领域像零售业这样可以让企业受益。无论是沃尔玛还是当地的母婴店，各地的企业似乎都在利用这些技术来降低管理费用，同时扩大业务范围。例如，客服人员可能会被人工智能助理彻底取代，但更重要的是，零售商可以通过人工智能跟踪他们的库存，而消费者的兴趣很快就会发生革命性的变化。随着越来越多的零售商将大数据和人工智能应用到他们的商业模式中，预计这个行业现在可以利用人力和机器的力量来获得更多的利润。

2. 聊天机器人应用越来越广泛

Facebook，Skype和Slack等公司都在其服务中添加了聊天机器人，他们对消费者来说非常有趣，包括法律帮助热线，技术创新让聊天机器人越来越智能。这意味着它们可以为人们解析法规，通过有效的诊断来指导患者。

如果大数据继续以目前的高速度增长，那么预计在日前使用的社交媒体平台上将会有应用更广泛的聊天机器人。这可能比人们想像得还要快，这些由 人工智能技术 驱动的机器人可能会更加有效地与人们聊天，人们甚至可能无法判断是否正在与另一个人交谈。

3. 人工智能和云计算的结合

随着越来越多的企业采用人工智能解决方案以应对其业务困境，其中许多公司将寻求加强其IT基础设施，并将业务转向云端。随着大数据应用者的规模越来越大，人工智能越来越成为一种主流，随之而来的数据需求将给企业的本地服务器带来更大的负担，这意味着他们需要在别处满足他们的数据需求。

云计算非常适合帮助满足和管理这些不断增长的需求，因为内部部署的服务器和数据管理对于企业来说变得过于混乱并且成本高昂。

4. 更加智能的市场营销

市场营销是利用大数据的力量革命化的关键领域之一，通过梳理大量的数据，企业能够比以往任何时候都更准确地针对特定的消费者，将广告和交易直接发送到潜在消费者的邮箱或家门口。

随着越来越多的公司试图利用自动算法来分类数据以找到潜在的客户，人工智能领域将受益于行业投资的增加。而实时定位可以为正确使用的公司带来20%以上的销售机会，这意味着采用人工智能可以获得十分丰厚的利润。

5. 暗数据的新纪元

随着大数据的增长，利用暗数据获得商业成功的机会也将随之增加。所谓的暗数据就是企业正常商业活动期间搜集，处理，存储的数据。但这些数据通常无法用于诸如分析，商业关系或者是直接变现获利等目的。对于并不熟悉人工智能和数据管理领域的许多人来说，这种数据不断被证明是有用的。暗数据可能难以让人理解，但随着越来越多的企业投资人工智能，这些迷惑可能就会消散，并导致人们对正在进行的数据革命的热情更高。

原油价格在2008年达到了创纪录的高点，每桶原油的价格冲到了150美元以上，刺激了投资者的淘金热，这些投资者一直在投资这个前景无限的行业，依靠价格的起起落落获利。然而，困扰着埃克森美孚、壳牌以及英国石油公司等全球能源公司的现实证明结论与现状恰恰相反。

虽然经历了价格上涨带来的资金流入和现金流增加，但是这些庞大的行业巨头在2005至2014年期间，还是经历了长达十年的衰退。这种衰退主要是由于税收、服务成本和开发费用的上涨导致的运营成本上升造成的。因此，有超过25万名石油工人失去了他们的工作，超过三分之二的石油钻井平台已经退役，而一大堆顶级玩家则发现自己只能申请破产。

随着规模化挑战的不断持续，大型石油公司也遭受了严重的功能性和结构性低效。使用过时的技术和方法来衡量生产力推迟了很多必要的内部增长。每年损失数十亿美元，石油公司现在就需要能够立竿见影的解决方案，以便更聪明地工作，收复失地并提高收入。

在今天这样一个向着太阳能和绿色能源大踏步迈进的时代里，对气候变化和全球经济转变的讨论也在为这种趋势推波助澜——可是石油和天然气行业仍然是一个庞大的市场，负责产生世界上举足轻重的一部分财富。

成立于2009年的Seven Lakes Technologies是一家为上游石油和天然气公司提供智能解决方案的企业软件公司。这家创业企业打造了个性化的数据解决方案和技术，被用于跟踪关键指标并发现运营效率低下。他们的目标非常简单：降低生产成本、提高生产力并建立高效的工作流程。

我同Seven Lakes公司的首席执行官Shiva Rajagopalan进行了交谈，谈到了新兴的趋势，新技术的采用以及这些转变在2018年将如何塑造大型石油和天然气公司的未来。

请描述一下石油行业目前的状况，以及为什么说现在是颠覆这个领域的最佳时机？

Shiva Rajagopalan:

石油和天然气公司经历了市场的动荡，现在有了经过精细调整的精益团队，并确切地知道该在哪里用力。尽管有了所有的这些改变，实现生产目标仍然是一种非常模糊而神秘的行为。这种情况必须改变。培养一大批人来解决这个问题是不会成功的。

我们现在必须用容易使用的预测技术——例如人工智能等拥抱了颠覆性的技术——来武装员工。

人工智能等新兴技术将会如何塑造石油和天然气行业的未来？

Shiva Rajagopalan

：

人工智能技术有望给现场以时间，以便他们可以缩短意外停机时间。与许多其他的行业一样，人工智能也会自动执行单调的任务。

人工智能允许司泵专注于高价值的问题，而不是陷入数据查找任务。

人工智能可以识别钻井数据中的细微模式，并有助于在每个钻井在问题真正出现之前很久，就预测出需要的维修。人工智能石油和天然气系统能够逐渐地理解每个运营要素，随着时间的推移，这种理解会变得越来越深入，这让它能够快速识别模式，并且——也更为重要的是——能够更好地生成即时和持续的预测结果。

有了足够的正确数据，我们可以仔细观察油井的性能，确定潜在的高压点，并进行推算。

用同样的方式，我们可以确定一口井何时需要人工举升，并提供进行举升所需的计算。通过建立人工智能系统，机组成员可以快速反应，并积极开展工作，大大缩短停机时间。

困扰石油天然气行业的最大盲点或挑战是什么？新技术如何解决这些问题？

Shiva Rajagopalan:

石油和天然气行业很大程度上是建立在企业家精神之上的，白手起家从零到数十亿美元的规模。没有先进的技术、系统和流程，这一切都是不可能的。石油和天然气行业的IT部门都知道这一点，但是他们所做的只是拼凑各种技术，却没有真正理解整套装备看起来应该是什么样子。无法实时可视化油田正在发生的情况。油价的持续走低以及随后出现的市场下滑导致了数量巨大的裁员、投资减少以及利润日益趋紧。石油和天然气行业已经日益精益，利用现有的资源尽可能地优化业绩，以保持盈利能力和产品目标。

现在，每一家主流的石油和天然气公司都希望在不增加资源的前提下提高产量。

同时，每一家供应商都希望为他们提供最新的生产优化软件。双方都听说过人工智能的潜力，即加快流程、降低成本，但他们才刚刚开始了解这种现代技术的能力。

这将对全球的石油和天然气市场产生什么样的直接影响？

Shiva Rajagopalan

：

在石油天然气领域拥抱颠覆性技术方面，美国一直是领导者。

随着人工智能在生产计划和优化方面的整合，我们只会看到对这种技术的应用普及开来。

人工智能支持的优化将提高全球石油和天然气储量的开采和生产效率，在为世界提供所需的能源的同时，保护自然资源和环境，产生改变游戏规则的影响。

考虑到所有正在发生的变化和趋势——你如何看到石油和天然气行业在未来两至五年内的发展？

Shiva Rajagopalan

：

我们现在已经看到出现了三个重大的转变，这将改变我们所知道的石油和天然气业务的未来。

1.

动态路由司泵，以解决价值最高的问题

通过使用人工智能，聚焦那些目前需要注意的高生产资产，而不是在所有的钻井上花费大致相同的时间，动态路由已经让E&P公司掌握了主动权。例如，如果一家租赁公司正在维修15口油井，其中有12口油井运行顺畅，而3口井出现了故障，优先处理出现了故障的钻井对于提高整体产量来说是非常有意义的。

2.

实时的油运收据

想想看围绕着传统手写油运收据（流动票据）然后再手工将其录入到Excel电子表格这项工作的低效率吧。简单的数据录入错误到处都是，可能会导致重大的问题，而手工双重检查则会浪费宝贵的时间，从几个月到几年。通过开发人工智能系统，将现场工作人员和位于角落的经理办公室连接起来，我们可以对石油和天然气公司的生产情况有一个完整而准确的观察。尽管大多数SaaS供应商只是获得了基本流动票据图片的能力，但是自2012年以来我们已经证明，使用我们的移动现场数据采集软件来解读手写票的准确率有可能达到99％，直接导致同比产量增加了2%至4％。

3.

在恰当的时机让钻井上线

我们经常会说风险巨大是这个行业DNA中写就的特点。然而，为了充分地从这些风险中获得回报，这个行业的公司的发展就不能仅仅局限在钻井方面。为了让项目保持在预算之内，并且能够准时完成而且有利可图，我们进行了很多不必要的挣扎，必须停止这种挣扎。随着当前集成工作流程管理方面的创新，我们不再受到传统系统彼此之间无法轻松对话的束缚。这意味着更好的预算预测和工作流程，这对于石油和天然气公司适当扩大资本预算并保持项目按时进行来说，是至关重要的。

来源：数据猿 作者：abby

年关将至，回顾2017，小编记得自己曾在年初的时候给自己定下一个小目标——就是读30本书。然而随着春节的临近，小目标却成了遥不可及的梦。不知道在过去的一年中，你是否也制定过相似的目标，又是否一一实现了呢？没做到没关系，但目标还是要有的，万一实现了呢。因此，贴心的小编就从2017年的【每周一本书】栏目里为大家挑选了十本“最受欢迎”的书籍，希望能给对大数据或是人工智能感兴趣的朋友带来一些帮助。

part 1:工具篇

一、《机器学习之路——Caffe、Keras、scikit-learn实战》

该书从内容方面共包含两部分内容：机器学习篇和深度学习篇

机器学习篇（1～3 章）：主要从零开始，介绍什么是数据特征，什么是机器学习模型，如何训练模型、调试模型，以及如何评估模型的成绩。通过一些简单的任务例子，讲解在使用模型时如何分析并处理任务数据的特征，如何组合多个模型共同完成任务，并在第3章初步尝试将机器学习技术运用到股票交易中，重复熟悉这些技术的同时，感受机器学习技术在落地到专业领域时常犯的错误。

深度学习篇（4～9 章）：则主要介绍了一些很基础的深度学习模型，如DNN、CNN等，简单涵盖了一些RNN 的概念描述。我们更关注模型的直观原理和背后的生物学设计理念，希望读者能够带着这些理解，直接上手应用深度学习框架。

作者介绍：

阿布，高四维，从2007年一直从事移动相关研发，曾就职奇虎360，百度等互联网公司，擅长安全领域，数据挖掘，机器学习，移动客户端等技术。个人开发软件“i美股”、“中国好声音”等在各个市场可下载。

胥嘉幸，从北京大学研究生阶段开始接触机器学习领域，有很深的理论及数学方面独特的见解与认知，后在百度从事数据发掘分析等工作。

二、《深度学习原理与TensorFlow实践》

本书主要介绍了深度学习的基础原理和TensorFlow系统基本使用方法。TensorFlow是目前机器学习、深度学习领域最优秀的计算系统之一，《深度学习原理与TensorFlow实践》结合实例介绍了使用TensorFlow开发机器学习应用的详细方法和步骤。同时，《深度学习原理与TensorFlow实践》着重讲解了用于图像识别的卷积神经网络和用于自然语言处理的循环神经网络的理论知识及其TensorFlow实现方法，并结合实际场景和例子描述了深度学习技术的应用范围与效果。

本书从内容上共分为7个章节：

第1章：介绍了深度学习的由来以及发展趋势，简要说明了人工智能、机器学习、深度学习等名词概念之间的联系。

第2章：主要介绍了TensorFlow系统的基础知识和一些重要概念。

第3章：通过对Kaggle竞赛平台上的Titanic问题的求解实例，介绍了TensorFlow系统的基本用法，并简要介绍了机器学习问题中的一些常用的处理技巧。

第4章：介绍了CNN的基本原理和多个经典网络结构，并通过图像风格化的实例展示了CNN在更多场景下应用的可能性。

第5章：介绍了RNN、LSTM以及它们的多种变种结构，并通过实例介绍了如何构建实用的语言模型和对话机器人。

第6章：介绍了卷积神经网络与循环神经网络的结合，通过图像检测和图像摘要两个问题介绍了CNN+LSTM相结合的威力。

第7章：介绍了机器学习中非常重要的损失函数与优化算法在TensorFlow中的实现，对实际使用深度学习解决问题都有极大帮助。

作者简介:

喻俨，百纳信息（海豚浏览器）研发副总裁。2007年加入微软亚洲工程院，2011年加入百纳信息负责海外业务线，从0到1做过多个项目，现致力于AI和大数据产品的研究与应用。

莫瑜，先后任职于微软和海豚浏览器，从事搜索引擎、音乐检索/哼唱搜索、内容分发推荐算法和对话机器人技术研发。长期以来持续关注和实践大规模数据算法性能优化、搜索引擎、推荐系统和人工智能技术。

王琛，英国爱丁堡大学人工智能专业硕士，现为百纳信息技术有限公司人工智能方向负责人。

胡振邦，拥有博士学位，百纳信息技术有限公司高级算法研究员，毕业于中国地质大学计算机学院地学信息工程专业。毕业以来，一直从事图像识别方面的算法研发工作，主要方向包括目标检测、图文检索、图像分类与验证等，在图像处理、计算机视觉等方面都有深厚的积累和经验。

高杰，毕业于扬州中学特招班，1998年入学华中科技大学机械系，兼修管理、会计，自学计算机，2003年考入南京大学软件学院，曾任德国西门子内部SAP咨询师，还在中银国际TMT投行、金山软件集团投资部任过职，2015年与合伙人联合创立了图灵科技集团。

三、《Keras快速上手：基于Python的深度学习实战》

《Keras快速上手：基于Python的深度学习实战》从如何准备深度学习的环境开始，手把手地教读者如何采集数据，如何运用一些最常用，也是目前被认为最有效的一些深度学习算法来解决实际问题。覆盖的领域包括推荐系统、图像识别、自然语言情感分析、文字生成、时间序列、智能物联网等。

本书以实际应用为导向，强调概念的认知和实用性，对理论的介绍深入浅出，对读者的数学水平要求较低，读者在学习完毕后能使用案例程序举一反三地应用到其具体场景中。

从内容方面本书共分为10个章节：

第1章：介绍搭建深度学习环境，是整本书的基础。

第2章：介绍如何用网络爬虫技术收集数据并使用ElasticSearch 存储数据。因为在很多应用中，数据需要读者自行从网上爬取和并加以处理和存储。

第3章：介绍深度学习模型的基本概念。

第4章：介绍深度学习框架 Keras 的用法。

第 5~9 章：是5个深度学习的经典应用。我们会依次介绍深度学习在推荐系统、图像识别、自然语言处理、文字生成和时间序列的具体应用。在介绍这些应用的过程中会穿插各种深度学习模型和代码，并和读者分享我们对于这些模型的原理和应用场景的体会。

第10章：抛砖引玉地提出物联网概念。

作者介绍：

谢梁，现任微软云计算核心存储部门首席数据科学家，主持运用机器学习和人工智能方法优化大规模高可用性并行存储系统的运行效率和改进其运维方式。具有十余年机器学习应用经验。

鲁颖，现任谷歌硅谷总部数据科学家，为谷歌应用商城提供核心数据决策分析，利用机器学习和深度学习技术建立用户行为预测模型，为产品优化提供核心数据支持。曾在亚马逊、微软和迪士尼美国总部担任机器学习研究科学家，有着多年使用机器学习和深度学习算法研发为业务提供解决方案的经验。

劳虹岚，现任微软研究院研究工程师，是早期智能硬件项目上视觉和语音研发的核心团队成员，对企业用户和消费者需求体验与AI技术的结合有深刻的理解和丰富的经验。曾在Azure和Office 365负责处理大流量高并发的后台云端研究和开发，精通一系列系统架构设计和性能优化方面的解决方案。

四、《全栈数据之门》

《全栈数据之门》以数据分析领域最热的Python语言为主要线索，介绍了数据分析库numpy、Pandas与机器学习库scikit-learn，使用了可视化环境Orange 3来理解算法的一些细节。对于机器学习，既有常用算法kNN与Kmeans的应用，决策树与随机森林的实战，还涉及常用特征工程与深度学习中的自动编程器。在大数据Hadoop与Hive环境的基础之上，使用Spark的ML/MLlib库集成了前面的各部分内容，让分布式机器学习更容易。大量的工具与技能实战的介绍将各部分融合成一个全栈的数据科学内容。

本书从内容上共分为8个章节：

第1、2、3 章：内容比较单一，涉及基础的Linux、Python 与Hadoop 知识。如果对这三章中的某些知识不熟悉，建议先阅读。

第4章：本章比较特殊，其内容也是数据科学中比较重要的，不仅需要前3章的知识，也需要部分Spark的知识，因为Spark的特殊性，单独放到机器学习之后了。

第5、6 章：涉及数据科学中最重要的主题：机器学习与算法，介绍了机器学习的常用环境、概念、方法以及几个典型的算法应用。这两章是本书的难点，如果不熟悉，必须单独攻克。

第7章：Spark 本身就是一个全栈框架，无论是在分布式计算还是在机器学习领域，都大有用处。因此最好有前面章节的基础知识，方能更好地理解本章的内容，尤其是MLlib/ML 库，必须有机器学习算法的知识。

最后一章：第8章反而是最简单的，因为基本不涉及技术细节，但对整个数据科学的理解，以及技术积累都是非常重要的。

作者介绍：

任柳江，一直工作在数据处理与数据挖掘的第一线，具有丰富的理论知识和实践经验，且精通多种数据挖掘与分析的工具的使用。

五、《Druid实时大数据分析原理与实践》

注：Druid是一个支持在大型数据集上进行实时查询而设计的开源数据分析和存储系统，提供了低成本、高性能、高可靠性的解决方案，整个系统支持水平扩展，管理方便。

《Druid实时大数据分析原理与实践》就是旨在帮助技术人员更好地深入理解Druid 技术、大数据分析技术选型、Druid 的安装和使用、高级特性的使用，也包括一些源代码的解析，以及一些常见问题的快速回答。

本书从内容上共分为11个章节：

第1章：介绍Druid的初级概念；

第2章：对行业中不同的数据分析软件进行介绍和对比，包括一些时序数据库；

第3章：Druid的设计理念和架构介绍；

第4章：Druid的安装和配置；

第5章：Druid的数据摄入；

第6章：查询详解；

第7章：介绍Druid的一些高级特性，包括正在积极完善的一些功能；

第8章：核心代码的导读和分析；

第9章：集群管理中的安全和监控；

第10章：介绍几个公司的Druid最佳实践；

第11章：Druid的生态介绍和展望；

附录A：简要回答了一些常见的问题；

附录B：列出了各个服务模块的参数含义和建议值，方便系统管理。

作者介绍：

欧阳辰，小米商业产品部研发总监，负责广告架构和数据分析平台，擅长数据挖掘，大数据分析和广告搜索架构。

刘麒赟，现任Testin云测公司技术总监，全面负责领导团队完成数据分析产品的研发。作为资深数据技术专家，曾为多个著名开源项目（Hadoop／Sqoop／Oozie／Druid）贡献源代码，在互联网大数据分析、机器学习和统计学应用等方面拥有丰富的实战经验和相关专利。

张海雷，资深工程师。目前在优酷土豆广告技术团队负责Druid集群的维护。活跃在Druid中国用户组，Druid、Redis和Storm的开源项目代码贡献者。

高振源，热爱技术，爱智求真的后台开发和数据工程师。先后负责过广告DSP产品、QQ公众号精准投放平台、数据分析产品等研发工作。目前在腾讯SNG企业产品部，负责企点产品的数据平台工作。

许哲，腾讯后台开发高级工程师，先后参与了公司企业产品消息服务后台、QQ公众号后台、QQ公众号精准投放平台等研发，目前在腾讯SNG企业产品部，负责腾讯企点的后台和数据平台开发工作。

六、《大数据时代小数据分析》

《大数据时代小数据分析》不仅介绍Excel而且介绍使用其他工具软件进行数据分析，可用来拓展互联网公司、传统企业、电商企业、管理咨询公司等各行各业从事数据分析工作的分析师和管理者对数据分析的认知，也适合初中级数据分析师或者想进入数据分析行业的有志之士参考阅读。

本书从内容上共分为5个章节：

第1章：知己知彼，百战不殆——风险与预测分析

第2章：运筹帷幄，决胜千里——效益最大化

第3章：图个明白，精彩展现——JMP精彩图表

第4章：抽丝剥茧，明察秋毫——相关分析

第5章：要里子，也要面子——数据展现的艺术

作者简介：

屈泽中，化工专业，数据分析爱好者，爱好使用工具探索数据背后的秘密，略懂Excel、LINGO、Crystal Ball、JMP、Minitab、Xcelsius，工作十余年，一直从事将数据分析与各类业务相结合的研究和学习。

七、《深度学习入门与实践》

深度学习就是人工智能的一个重要实现方法，在语音识别、图像识别、自然语言处理和搜索广告预估等领域都取得了惊人的成果，连声名显赫的AlphaGo都是以他为基础的。

《深度学习入门与实践》的作者以通俗易懂的语言和生动的比喻介绍了回归、人工神经网络等人工智能基本概念。并将TensorFlow比喻成神雕大侠杨过手中的玄铁重剑，将Caffe的基础CNN比喻成令狐少侠的独孤九剑，读来毫无违和感。

从内容方面该书共分为六个章节：

第一章：通俗的讲解深度学习的常用概念及概念之间的关系，如回归、分类、聚类；监督学习、非监督学习、强化学习；感知机、神经网络等。随后介绍了深度学习的发展历程及前辈学者们对深度学习领域所做出的贡献。最后列出了深度学习及相关领域的著名国际会议、期刊、赛事和学术团队，以方便读者获取学习资料和进行学术研究。

第二章：介绍了深度学习的原理、线性回归、逻辑回归的概念。以生物学家Galton所研究的父子身高问题为例介绍了线性回归的基本原理，讲述�...

1.Unix基础

2.python基础

3.数据库SQL

4.前端与移动开发

5.web全栈开发

6.人工智能1（爬虫及搜索）

7.人工智能2（大数据分析）

8.人工智能3（机器学习）

9.人工智能4（深度学习）

10.云计算（PAAS，SAAS，IAAS）

毫无疑问，现在web的开发语言，Java是依然占据主流市场。其次是php，然后还有,python等等。所以，足以见得，在web，前端，全栈中python可能排在5，6，7，8位。但是在数据爬虫过程中，毫无以为python是首屈一指的。

对于云计算来说，目前并没有一个官方的定义。在百度百科中有这样的定义：“现阶段广为接受的是美国国家标准与技术研究院（NIST）定义：云计算是一种按使用量付费的模式，这种模式提供可用的、便捷的、按需的网络访问， 进入可配置的计算资源共享池（资源包括网络，服务器，存储，应用软件，服务），这些资源能够被快速提供，只需投入很少的管理工作，或与服务供应商进行很少的交互。”

大数据是指数据达到或者接近PB量级。大量的数据背后是隐藏着客观规律的。

机器学习实际上就是一种方法，一种算法，是数据背后所体现的一种客观算法。算法虽然是人为创造出来的，但是是人类发现的。

算法，是用大量数学和统计学。一种是监督类的算法，一种是非监督类的算法。分为聚类、分类、回归、推荐、降维

例如，决策树实际上是回归聚类的算法

人工智能，实际上是机器学习的一个应用方向。数据挖掘也是机器学习的一个应用方向。人工智能和技术无关，是一个范式的概念。机器学习中有一个很重要的概念叫拟人。整个机器算法的目的都是为 模拟人类的思维过程，替代人类在生产生活过程中承担的角色。

如果在做数据挖掘和人工智能过程中，数据量很少的情况下是不能称为数据挖掘和人工智能的。很简单是因为不具有普遍性。没有大数据不存在人工智能和数据挖掘。

随着我国不同行业的数据量的储备，把人工智能和数据挖掘这一系列的概念推向风口。

人工智能与大数据，越来越受瞩目，那在开发过程中，我们需要注意些什么？

一、你的数据未必可靠

在我们实际应用中，并不能确保我们的数据是完全可靠的。通常，都会出现各种各样的原因会来导致数据不可靠的因素：

1、用于开发的数据，会与实际情况下的数据分布有所差异。

2、你的数据集中会存在很多缺失的数据。事实上，除非是人为构造的数据集合，否则很难避免缺失数据问题的发生，如何处理数据缺失的问题是很有技巧的事情。实践中我们要么是干脆丢弃一部分残缺的数据，要么就是想办法计算一些数值去填补这些缺失值。无论哪种方法都可能导致应用结果的不稳定。

3、数据随时在变，数据库的表结构可能会变，数据定义也是可能会改变的。

4、你的数据或许没有被归一化。假设你可能在观察一组用户的体重，为了能够获得有效的结论，首先需要对每个体重的衡量单位进行归一化，是英镑还是公斤，不能混淆着用

5、你的数据可能并不适用于相应的算法。数据存在着各种各样的形式和规范，或者叫数据类型（data types），有些是数值化的数据，有些则不是。有些数据集合能被有序排列，有些则做不到。有些是离散化的数据（例如房间里的人数），另一些则是连续化的（例如气温或者气压等数据）

二、计算难以瞬间完成

完成任一人工解决方案的计算，都是需要一定的时间，也就是说方案的响应速度，对商业应用的成功起到了十分关键的作用。所以，不要天真的以为任何算法在所有数据集上都可以在规定时间内完成。

以搜索引擎为例，用户对结果返回的时长是有忍耐的限度的。如果用户等待的时间超过10秒，50%的用户会流失，如果等待时间超过1分钟，90%以上的用户会流失。在开发智能应用系统时，不能为了达到更好的算法精度而忽略系统运算和等待的时间，否则会导致整个产品的失败。

三、 数据的规模非常重要

当我们考虑智能应用时，数据规模是很重要的因素。数据规模的影响可以分为两点来考察：第一点是规模会影响应用系统的响应速度；第二点是在很大的数据集上的挖掘出有价值结果的能力会受到考验。

其次，使用更多的数据来训练的简单算法，比受制于维度诅咒（Dimension Curse）的复杂算法往往有好得多的效果。类似Google这样拥有海量数据的大型企业，优秀的应用效果不仅来自于精妙复杂的算法，也来自于其对海量训练数据的大规模分析挖掘。（达观数据 陈运文）

四、 不同的算法具有不同的扩展能力

我们不能假设智能应用系统都可以通过简单增加服务器的方法来扩展性能。有些算法是有扩展性的，而另一些则不行。

例如如果我们要从数亿的文章标题里，找出标题相似的各个组的文章，注意并不是所有的聚类算法此时都能并行化运行的，你应该在设计系统的同时就考虑可扩展性。有些情况下你需要将数据切分成较小的集合，并能够让智能算法在各个集合上并行运行。设计系统时所选择的算法，往往需要有并行化的版本，而在一开始就需要将其纳入考虑，因为通常围绕着算法还会有很多相关联的商业逻辑和体系结构需要一并考虑。

五、并不存在万能的方法

你可能听说过一句谚语“当你有了把榔头的时候，看什么东西都像钉子”，这里想表达的意思是：并不存在能够解决所有智能应用问题的万能算法。

智能应用软件和其他所有软件类似——具有其特定的应用领域和局限性。当面对新的应用领域时，一定要充分的验证原有方法的可行性，而且你最好能尝试用全新的视角来考察问题，因为不同的算法在解决特定的问题时才会更有效和得当（达观数据 陈运文）。

六、数据并不是万能的

就说机器学习，它也是需要从训练开始的，然后再逐步延伸到未知数据中。

例如若你已经对数据的分布规律有所了解，那么通过图模型来表达这些先验的知识会非常有效。除了数据以外，你还需要仔细的考虑，该领域有哪些先验知识可以应用，这对开发一个更有效的分类器会很有帮助。数据和行业经验结合往往能事半功倍。

七、模型训练的时间差异很大

在特定应用中，可能某些参数的微小变化就会让模型的训练时间出现很大的差异。例如在深度神经网络训练时就会有各种各样的参数调节的情况发生。

人们往往会直观地觉得调整参数时，训练时间是基本稳定不变的。例如假设有个系统是计算地球平面上任意两点之间的距离的，那么任意给出两个点的坐标时，计算时间差不多都是相同的。但在另一些系统里却并非如此，有时细微的调整会带来很明显的时间差异，有时差异甚至可以大到数小时，而不是数秒。

八、泛化能力是目标

机器学习实践中最普遍存在的一个误区是陷入处理细节中而忘了最初的目标——通过调查来获得处理问题的普适的方法。

测试阶段是验证某个方法是否具备泛化能力（generalization ability）的关键环节（通过交叉验证、外部数据验证等方法），但是寻找合适的验证数据集不容易。如果在一个只有几百个样本的集合上去训练有数百万维特征的模型，试图想获得优秀的精度是很荒唐的。

九、人类的直觉未必准确

在特征空间膨胀的时候，输入信息间形成的组合关系会快速增加，这让人很难像对中等数据集合那样能够对其中一部分数据进行抽样观察。更麻烦的是，特征数量增加时人类对数据的直觉会迅速降低。

例如在高维空间里，多元高斯分布并不是沿着均值分布，而是像一个扇贝形状围绕在均值附近，这和人们的主观感受完全不同。在低维空间中建立一个分类器并不难，但是当维度增加时，人类就很难直观的理解了。

十、要考虑融入更多新特征

你很可能听说过谚语“进来的是垃圾，出去的也是垃圾”（garbage in, garbage out），在建立机器学习应用中这一点尤其重要。为了避免挖掘的效果失控，关键是要充分掌握问题所在的领域，通过调查数据来生成各种各样的特征，这样的做法会对提升分类的准确率和泛化能力有很大的帮助。仅靠把数据扔进分类器就想获得优秀结果的幻想是不可能实现的。

十一、要学习各种不同的模型

模型的组合（Ensemble）技术正变得越来越流行了，因为组合方法，仅需要付出少许偏见（bias）的代价，就能大大的减少算法的不确定性。在著名的Netflix算法竞赛中，冠军队以及成绩优异队伍们全都使用了组合模型方法，把超过100个模型合并在一起（在模型上叠加高层的模型形成组合）以提升效果。在人工智能用于实际应用时，从业者普遍都认为，未来的算法一定时会通过模型组合的方法来获得更好精度，但是这也会抬高非专业人员理解系统机制的门槛。

十二、相关关系不等同于因果关系

这一点值得反复强调，我们可以通过一句调侃的话来解释：“地球变暖、地震、龙卷风，以及其他自然灾害，都和18世纪以来全球海盗数量的减少有直接关系”。这两个变量的变化有相关性，但是并不能说存在因果关系，因为往往存在第三类（甚至第4、5类）未被观察到的变量在起作用。相关关系应该看作是潜在的因果关系的一定程度的体现，但需要进一步研究。

大数据和人工智能产业进行一些比对，把这两个事情放到一起比对是非常有意义的。第二点想讲的，到底我们是人工智能+行业，还是行业+人工智能，谈一下我的理解和认识，第三点我觉得我们需要突破人工智能现在非常强调3个要素，就是计算能力、数据和算法，我认为对于未来人工智能的研究和应用，仅有这三点是不够的，应该有其他重要的因素需要加进来。第四点我想探讨的是我们现在在人工智能的几个方向里面，哪一些还有大的机会，来让我们创新、创业、赚钱，最后讲一讲我们自己基于NLP平台的一些人工智能应用实践。

大数据和人工智能产业的对比

对比大数据和人工智能产业的发展是有启发的。因为人工智能的发展和数据密不可分，而且目前人工智能发展所取得的成就大部分和大数据密切相关，因此观察大数据产业的发展对人工智能产业发展很有意义，同时我们认为数据驱动的商业(Data Driven Business)比智能驱动的商业更符合产业的本质，实际上大数据产业的落地能力是强于人工智能的，所以大数据产业发展中出现的问题对人工智能产业发展很有意义。

对比大数据和人工智能产业的发展是有启发的。因为人工智能的发展和数据密不可分，而且目前人工智能发展所取得的成就大部分和大数据密切相关，因此观察大数据产业的发展对人工智能产业发展很有意义，同时我们认为数据驱动的商业(Data Driven Business)比智能驱动的商业更符合产业的本质，实际上大数据产业的落地能力是强于人工智能的，所以大数据产业发展中出现的问题对人工智能产业发展很有意义。

大数据的发展有几个方面对人工智能的发展有启发。包括数据的重要性，数据质量的重要性，应用场景的重要性，行业知识的重要性、政策法规的重要性，以及变现的模式的参考意义

人工智能的重点机会和方向问题

人工智能的重点机会和方向问题。这就是以自然语言处理即NLP为代表的认知智能。目前AI硬件领域的投资很厉害，也是大公司的天下，比如GPU，FPGA，ASIC芯片等，在视觉领域的投资，也很多，特别是图像识别啊、语音识别啊，诞生了不少独角兽公司，技术进步也很快，但是太多了。不是未来的投资方向。而以自然语言处理为核心的认知智能，目前在国内的投资及发展和美国有不少的差距。根据腾讯研究院的报告，美国在NLP领域的新创其实差不多是中国的3倍，根据乌镇智库的报告，2000-2016年，全球累计新增自然语言处理企业数据达到543家。2009年以来，美国每年新增的自然语言处理企业占当年全球新增企业总数的比例保持在40%左右，根据调研公司CB Insights近日公布的“最值得关注的100家人工智能公司，约25%的项目与“自然语言处理”直接或间接相关，所以说NLP已经成为最值得关注的人工智能公司。根据福布斯精选Top50 AI公司2016年融资34.15亿美元，其中约16.2%的资金投向“自然语言处理”直接或间接相关。

自然语言处理的投资远远落后于对视觉处理领域的投资，这是我们的一个机会。 但是自然语言的处理障碍壁垒更大，和行业结合得更加紧密，这是它的一个特点。

总结，认为我们分析比较大数据产业的发展对人工智能的产业发展非常有意义;第二我们认为行业+人工智能仍然是主流，行业里有更大的空间可以供大家去创新和创造;第三面对人工智能的落地和进一步发展需要，人工智能三要素还不够，还需要知识作为第四要素;第四是在自然语言处理领域的里的创新机会和拓尔思在这方面应用实践。希望与大家共同努力，推动我们国家人工智能产业特别是自然语言处理技术领域更快更好地发展。

前阵一个朋友和我说，你有技术一线城市现在都在搞大数据，我问什么时大数据朋友说，是各种动作数据的集合这么说也对，我问那边都怎么搞他说，针对行业进行定制作数据处理方案，然后宣讲技术优势及会产生什么样的价值。总之各种好处也是前期所做产品的方案ppt。后来就是喝酒。而后他又和我提过AI发展方向，得学python？这就是人工智能？。最后是区块链这个还行说他认识个老板投了上亿来做数字币交易平台及生产数字币。但是平台得搬国外去跑暂时国内不支持线上交易。不是一般人能做的东西。就是一资金盘利优先。

2017年火了大数据，2018年火了人工智能还有区块链。什么是大数据？现在的职位都在招大数据开发工程师，数据分析师各种关于数据的职位很多。出于对热度和工资水平的挤蹭和渴望，越来越多的人涌入这个行业，学习大数据成了热门的话题。在很多中小企业中领导认为hadoop，spark，hive等就是大数据，而更多的程序员以为会了这些就算是做了大数据。有钱的开始砸钱开始做大数据，之前其他方向的技术的开始做知识汲取。渐渐的忽略了大数据只是一个概念，是一个问题，而现有的技术只是一种解决方案！越来越多的公司想要去做大数据，开始迷恋火热的技术，而根本不考虑是否这些技术对于公司情况是否合适，总是会有一种只有 用上hadoop才算是大数据的固化思维。把总共几百G的数据从传统数据库倒腾出来，做数仓，做报表，活生生的把大数据做成了报表BI的工作，结果发现报表还是那个报表，时间并不一定比之前更快 数据是钱，怎么变现成了问题！传统企业被咨询公司忽悠开始着手做大数据。小公司开始蹭热度做大数据，朋友拉我做大数据让我技术入伙，我拒绝然后劝他回头是岸。大家开始潜移默化的认为，有风口就会有钱挣。

更有一大批公司又开始了所谓的数据挖掘和人工智能的风潮，招一批人进来，给我看，给我学，告诉他们这既是大数据，这就是人工智能。打着高大上的旗号去做产品，去骗钱。不考虑人才层次，不考虑知识积累程度，简单的认为什么什么人都能干。在我看来，没有很高的数学功底是没有资本踏足所谓算法的这个行业的。套用别人写的模型，调用别人写好的接口，可能自己原理都看不懂，出去了都吹嘘自己是算法工程师的大有人在，可是依旧能混的风声水起。大公司做什么，小公司也跟着做什么，没有多少人愿意思考，两者之间差的到底是什么。可能是数据，可能是技术。 大数据应用你看BAT的那叫大数据，企业的也就是弄了吧数据统计系统 。

社会是浮躁的，大神到处都是，可安心下来做技术的却是没有几个。国内程序员之所以有中年危机，之所以会累，不是因为敲不了代码，而是在国内大多数的程序员都在思考怎么挣钱，学什么能技术能挣钱，大多数人并没有意识到，做什么做好了都能挣钱。我们也在学，可是都是什么火了我们去学什么，过了风口也许就开始学习下一个技术，恩，别人写好的技术。会了东西很多，能做的事情也渐渐很多，可是并不能抚平自己心中的那份焦虑。也许为了生存，也许因为压力，可能这就是大数据，这就是人工智能，这就是区块链，这就是中国的互联网。

来源：金融界网站

美国东部时间12月14日，中国领先的互联网消费金融平台360金融于美国纳斯达克交易所正式挂牌上市，股票代码为“QFIN”，IPO发行价定价为16.5美元。招股书显示，此次募集资金主要用于科技研发和人才培养、品牌推广、潜在收购和战略投资等用途，360金融将抢跑互联网巨头系金融科技平台成为赴美IPO第一股。

据了解，360金融徐军在上市当天发布了致全员信，表明公司将跨越里程碑，再创新高。同时，徐军围绕360金融如何抵御寒冬成功上市做出了全面复盘，他指出360金融的核心竞争力在于大数据和人工智能两大方面。

精准定位科技平台 360金融牵手合作伙伴助力普惠金融

业内人士认为，360金融是一家科技公司，延续了360集团互联网和安全科技的基因，创造了卓越的团队和高效的运营架构，是360集团的金融合作伙伴。得益于清晰准确的定位，360金融在三年多的时间里数据证明了自身强大的发展空间。

根据招股书披露，360金融自主研发了基于人工智能的风控全流程技术平台，包括Argus智能风控引擎、宇宙魔方（Cosmic Cube）风险定价引擎，以及Cloud Bank系统。截至2018年9月30日，360金融促成贷款的M3+逾期率为0.6％，由于欺诈造成的亏损率仅为0.2％，充分体现出良好的风控实力。

徐军在致全员信中表示，360金融致力于探索用科技赋能金融行业，从互联网安全延伸探索金融风控反欺诈，从零迈步到先头部队，作为赴美上市的公众公司，更要肩负起更多的责任和挑战，坚守合规经营，携手金融合作伙伴推进金融科技实实在在服务于实体经济。

发力金融科技赛道 赴美上市挑战与机遇并存

在2018中国企业领袖年会上，360创始人周鸿祎曾预判，未来五年万户互联时代将加速发展，核心技术的竞争将会持续发酵，只有在人工智能、大数据领域实现了关键技术突破，才有可能实现降维攻击。

徐军透露，相较于其他拥有互联网背景的金融科技企业，区别在于360金融是一家技术驱动的公司。以长远价值为目标，风物长宜放眼量，相信在资本市场终会体现公司的真实价值。

结合招股书来看，360金融将自身定位成连接借款用户与金融合作伙伴的科技平台，为资金合作方挖掘和推荐优质借款用户，并帮助其为优质借款用户提供定价合理、方便快捷的信贷解决方案。360金融拥有稳健且多元化的资金渠道，主要包括国有银行和区域性银行等传统金融机构。

根据Oliver Wyman公司的分析统计，从2018年Q2促成放款额来看，在有互联网技术巨头支持的线上信贷平台中，360金融的业务规模在中国排名前五，前四名依次是蚂蚁金服、微众银行、京东金融和百度金融。

对此，有行业专家向媒体介绍，360金融成功登陆资本市场，以及上市后的战略部署，对BATJ系金融科技公司的未来上市会产生标杆性示范效应。