AI+零售
只是吃饱了撑着，顺便因为太穷找人给一下钱我而已..
真的没人赞赏我吗？文章下方，顺便给个一百几十就可以的了，内容是废的可以不看。
在当前的年代，无论汽车行业、食品行业、房产业等，无一不打着AI、大数据、云端计算等。
其中最以AI（人工智能）最为广为流行，那么在零售行业，如果加上AI之后，会得到什么呢！？
好，答案就是什么都得不到。
现在走在大街上，打开手机看小文章，甚至报纸、电视上，基本很难没发现“5G”、“AI”、“大数据”、“云”等字眼，仿佛你手上无论出售的是什么商品、服务在加上上述字眼之后均是声价百倍。
可，有什么人能说得出到底上述那几个字眼到底是什么呢？
有人说：“5G就是更快！”
是没错，可人家5G最大的考量之处并不是针对个人用户的提速啊（况且在中国更加并不是换了5G就能更快。）
5G其实更多的是针对了IoT（物联网）的场景进行考虑，所以，你还想买5G手机吗？
好吧，你钱多。
有人说：“大数据就是能说明某些方面发现的问题！”
也没错，但大数据并不只是针对某些事情分析出一个问题的答案以及解决方案，甚至很多人对大数据的理解只是停留在‘大量数据’上。
对于“大数据”（Big data）研究机构Gartner给出了这样的定义。“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力来适应海量、高增长率和多样化的信息资产。 麦肯锡全球研究所给出的定义是：一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合，具有海量的数据规模、快速的数据流转、多样的数据类型和价值密度低四大特征。
百度百科 大数据的关键其实更在于‘多样的数据类型’而不在于‘海量的数据规模’（因为现在有哪些数据不是‘海量’的呢？）
生成报表、说明问题，只是大数据的一个十分粗浅而且表面的应用，大数据的应用主要是设立数据模型、验证、使用，当你手上的数据能直接、自动的作为生产力使用，而不是跟老板说：“哎哟~我这个数是这样来的~”，这才是大数据的正确使用方式。
（其实我上面重点是‘自动’，有没人能看得出？）
那什么是‘AI’呢？
人工智能好像连买瓶水都需要用到，但它到底是什么呢？
没错，现在的AI就只是一个营销词语。
或许有人曾听过：“学AI嘛！肯定要学Python！”
嗯，其实我刚开始是想问一下，AI跟Python有啥关系呢？就像“我肚子饿了，肯定需要买一部Switch嘛！”一样。
当初不明所以的我找了一下所有Python+人工智能的培训班，你能发现基本都是出现了两个单词 NumPy和 Pandas 。然后我就，唉….
虽然有人跟我说过这世界上有一样东西叫 TensorFlow，而 Python 的确使用 TensorFlow 是比较方便，但你确定这世界上只有 TensorFlow 一个框架吗？
所谓词语，就是赋予意义、存在语境才是完整的，而操作词语的人并不一定是坏人，不过我相信随便就相信词语的人肯定是笨蛋。
或许图灵这个名字已经没多少人会熟悉，想当年我看的书基本都是写着丛书，从此可看出图灵对于整个机器控制是有多重要。
而图灵测试主要是测试出被试方是否存在人类的智能。
而所谓的人工智能是必须通过图灵测试才能称之为人工‘智能’的。
但我们现在所接触到的所有所谓‘AI’是否能通过上述的‘图灵测试’呢？
基本答案都是‘完全没可能’。
从前有一个说法，就是‘强人工智能’：
强人工智能观点认为有可能制造出真正能推理（Reasoning）和解决问题（Problem_solving）的智能机器，并且，这样的机器将被认为是有知觉的，有自我意识的。可以独立思考问题并制定解决问题的最优方案，有自己的价值观和世界观体系。
百度百科 但我们现在所见到的任何标榜‘人工智能’的东西基本来说顶多可以算是一个‘专家系统’或者‘自动机器’。我们现在所创造的所有东西都只是遵从我们给与的逻辑或接口而给与的，就像所谓的‘人脸识别’技术，相当于我们以机器的角度去创造一种识别‘人脸’的逻辑接口，他只是一种经验学习，但并无创新的推理能力。
或许现在我们称所有的“人工智能”为“机器学习”更为稳妥。让需要我们得到的功能以数据的形式而不是以逻辑的形式来固化在机器上。
（就像人脸识别、用户画像、路线规划、经济走向预测）
（本来这个我觉得可以说很多的，但貌似没有啥意义）
机器学习有一个很重要的做法，就是逻辑与业务是分离的。
就像我们没有办法让一个人脸识别系统去识别未来的天气情况，我们必须设立我们给予机器学习的是什么样的数据，我们才能得到什么样的输出。
什么是逻辑？可能很多人都会说，但真正在工作上或任务上却无法很好的识别，我举一个例子：
广东、广西、海南合起来叫做‘南中国’市场，我们需要得到南中国市场的话，我们需要把三个省的数据相加，这是现在的业务逻辑。
如果此时我们再加上一个湖南省，那么业务逻辑是否会变呢？答案是业务逻辑根本不需要进行改变，因为我们需要得到的是一个加总的数据，并不在乎下方的数据是如何构成的，逻辑只是一个‘相加’。
但！如果这个时候我们需要改为，先得知‘南中国’的数据以及广东广西海南的数据，把剩余的归为湖南省的数据的话，那么整个逻辑就完全不一样了，这时候逻辑除了‘相加’之外，我们还需要新增一个‘相减’的逻辑。
除了人工智能外，就算是平时工作来说，改变逻辑所带来的都是灾难性的一种转变，这真是悲剧。
对于所谓AI在中国的例子，有一个很出名的例子，叫做“武汉智慧城市”。
完整的告诉你如何败光人民的1.75亿元。
但其实我想说的是，这个智慧城市的理念的确是很好的，可惜他用在了中国。
（我很饱，可是到点吃饭了，怎么办？）
如标题所示，AI与零售其实并能是一个相加的关系，无论亚马逊、苏宁还是阿里巴巴，他们均为无人零售、仓管机器化等零售相关的业务创造了很多解决方案，但有一个很大的前提，他们有钱。
为什么跟有钱有关系呢？因为你需要投入很多，而且很有可能根本拿不回来。
有一个说法，大概意思是：“中国的人工智能技术都是用来出口的。”
这句话的内涵是，在中国，开发一个智能仓储，你需要花几个亿去置换硬件几个亿去开发、几百万一年去维护，可原本的人工成本不到一百万一年。
无人商店也是一样，每间商店需要花费多少钱投入在摄像头、传感器、通信设备，而用来替换的可能仅仅是一个3k一个月工资的店员。
我们会否一年花个两三百万工资请人来重新开发一些别人已经成熟了的系统，用每间店维护成本比人工成本高的代价去拥抱无人商店、智能仓储？
我们是否有足够的规模来获取这种智能来带的红利？
我们是否真的迫切需要一些噱头以替换更适合我们公司的运营模式（如售货员推荐）？
在我个人看来，我们现阶段针对运营层面来说，我们并没有针对软件以及硬件的研发投入，如果再重新构建的话，成本、竞争力没可能比得上其他有现成解决方案的厂商。
何苦我们不做好自身有优势的如品牌名声、自有产品矩阵呢？
等如果真在成本上拥抱智能技术是划算的，再采购现有成熟的技术？
在功能部门来说，可以看出我们所有功能部门之间不止部门间是没有数据来往规范接口的（只用Excel传递数据），连部门内各组都没有可重用的数据处理过程以及共用的数据存储环境。
这也是可以理解的一个结果，工作流程、工作内容变化迅速，同一样工作业务逻辑变化频率太快，导致即使是同一样几乎每个月重复的工作也需要人手操作（因为业务逻辑改变太快而无法自动化，往往能做好自动化的工具或流程就不适用了，干脆直接全手工）。
智能化办公的第一步就是确认工作逻辑，而高层更重要的是确定工作逻辑是否合理，工作逻辑版本确定后就不作更改，直至下一版本发布，而数据流的内容都是向下兼容的。
简单的来说就是，工作重点从针对数据内容的合理性，转向工作流程的合理性，限制自身的决定权，自己知道在既定逻辑下自己能做什么不做什么。
对的，就像当年君主立宪，自身权利交予法律。不这样做的国家，例如清朝，我们看得出有什么后果的了。
有一个例子，就是Tableau的使用，它可以使传统数据分析的三层结构（数据处理‘数据库维护工程师’、数据逻辑分析‘数据分析师’、数据展示‘前端工程师’），压缩到两层（数据处理、数据逻辑分析），但这是基于已经有比较完整结构的底层数据（数据库）作为基础，但我们现在很多底层数据还是用着Excel、Access等桌面级数据库。这不是相当于我们有大炮了，但没炮弹哦，塞个木球进去打人吧。
好吧，我只是吃饱了撑着，有人国庆来陪我小流浪一下吗？