人工智慧在印度也是風口： 這些獨角獸公司已經下注

編者註：

人工智慧已經席捲全球，但大部分人都把目光集中在和美國。其實印度也是人工智慧很大的市場：這裡有很多互聯網人才，互聯網市場也在飛速發展。

對大部分人來說，對印度互聯網的了解主要可能停留在智能手機在印度賣的不錯、印度也有很大電商和電子支付服務。有時候我們會驚訝美國互聯網公司對的了解實在膚淺，但我們對印度互聯網的了解恐怕更少。

所以，不妨看看QUARTZ 的這篇介紹印度人工智慧的文章，來了解一下人工智慧在印度的發展的吧。

下面就是QUARTZ 報道的全文：

在印度創業圈兒，每個人都在談論人工智慧和大數據。

在各個領域，創業公司都在競相招聘人工智慧人才，對海量消費者數據進行分析，向用戶提供個性化服務。蘋果等跨國巨頭也注意到，許多印度公司通過數據處理、圖像/語音識別技術幫助客戶，投資者在投資印度人工智慧創業公司。

以下是部分印度獨角獸公司——估值超過10億美元的公司，利用人工智慧和大數據技術的實例。

移動支付和商務平台Paytm

Paytm提供包括從電子錢包到銷售電影票或機票在內的各類服務，機器學習幫助它井井有條地處理各項業務。

Paytm首席技術官查魯米特拉·普加里(Charumitra Pujari)表示，「用戶可以通過谷歌搜索引擎查找自己所需要的信息。但在一個更好的世界中，谷歌可以自行知道用戶在特定時間需要了解哪些信息。這正是我們在從事的工作。如果用戶之前曾購買過機票，因為我們會了解到用戶的購買周期，因此會適時向用戶顯示與機票有關的信息，而不會顯示與電影票或其他商品有關的信息。」加盟Paytm前，普加里曾在亞馬遜工作近2年。

普加里表示，Paytm主頁上的「每個像素」——每個圖標、產品行、列，都是個性化的，對於其2.25億用戶中的每個人來說排列順序都不同。Paytm平台每秒向用戶推薦2萬條信息——推薦每條信息耗時不到20毫秒。Paytm平台還利用機器學習，設計針對感興趣買主的推廣活動。

普加里稱，「如果用戶想購買一台吊扇——吊扇沒有在主頁上推廣，一旦用戶開始查找相關信息，我們就會實時了解用戶需求，設計有針對性的推廣活動。」當然，只有在確定用戶有購買意向後，Paytm才會設計推廣活動，「如果用戶只是隨便瀏覽商品——瀏覽10種不同商品，我們不會設計推廣活動」。利用這一策略，Paytm在增加交易量和降低成本之間維持了一個很好的平衡。

為了發現和打擊欺詐，計算機系統會不停地審核虛假賬戶，這些賬戶登錄Paytm平台的目的只是利用優惠碼，或從竊取的信用卡上轉錢。普加里表示，欺詐探測引擎幾乎不會給人為失誤保留任何空間，而且使得審核過程大大加快。在賣家方面，機器學習有助於發現弄虛作假的賣家，他們可能自己購買自己的產品——即俗稱的「刷單」，使得產品的需求看起來比實際水平要高。

由於獲得阿里巴巴及其旗下螞蟻金服和日本投資巨頭軟銀等大鱷的投資，Paytm涉足了借貸服務，並向客戶發放信用卡。即使Paytm賬戶上沒有足夠的資金，信用卡客戶也能進行交易。

普加利說，「在印度，不是所有人都有良好的信用記錄，不是所有人都有資格向銀行貸款。許多人在Paytm平台上進行交易，因此它們積累了一定的信用。」

在估算用戶的借貸額度時，Paytm再次利用了機器學習。普加里說，「我們利用移動應用獲取相關信息，確定用戶的身份和可以借貸的額度。」系統會為用戶制定不超過其還款能力的多種借貸方案，例如免利息、貸款期限為6個月；利息為5%、貸款期限為15個月。

提供這些服務的團隊成員，包括位於加拿大多倫多以及Paytm位於印度諾伊達的公司總部的軟體工程師、機器學習工程師和數據科學家，每個地方有約60個人。

普加里說，「我們在不斷招聘員工，尤其是人工智慧和大數據人才。我們知道，人工智慧是未來，我們需要大量這方面人才。」

電商平台ShopClues

網路商城ShopClues希望利用機器學習，解決電商領域一個迫切需要解決的盲區：尺碼標準。

不同的小型企業，可能有不同的尺碼標準，很少符合規模更大的大品牌的標準。例如，一個品牌的小尺碼產品，在另外一個品牌中可能就是特小尺碼。

據ShopClues產品副總裁烏特卡斯·比拉達(Utkarsh Biradar)稱，因此，該公司計劃利用先進的技術，幫助在網上購買服裝的購物者更輕鬆地找到適合自己的尺碼。

比拉達表示，「我們將查看360度視圖，嘗試利用圖像技術確定尺碼。」ShopClues計劃利用標準尺碼的產品作為參考，使客戶能更好地了解他們有意購買產品的真正尺碼，ShopClues還計劃實現其平台上產品和品牌尺碼的標準化。

迄今為止，ShopClues一直利用這樣的技術向客戶提供個性化的購物體驗。根據最近購買的商品、購買的頻率和其他消費習慣等信息，ShopClues的演算法嘗試確定客戶下次購物時可能購買的商品。ShopClues還利用機器學習，向商家推薦所銷售商品最有效的價格，以及最經濟的物流合作夥伴。

移動廣告平台InMobi

移動廣告平台InMobi，已經在利用人工智慧和機器學習技術，為具體廣告找到合適的受眾。它還利用這些技術，幫助廣告客戶有效地擴大影響範圍，利用機器學習確定與現有用戶相似的「類似」目標受眾，找出用戶不願意看的廣告類型。

InMobi下一步將深入廣告的圖像部分。

InMobi數據科學和商城高級副總裁拉吉夫·巴特(Rajiv Bhat)向Quartz表示，「在廣告中，最大的實體元素之一是圖像本身：用戶眼睛看到的圖像，在很大程度上決定了用戶對廣告的反應——點擊廣告或是對它視而不見。過去，利用計算機處理圖像很困難，因為人能看到圖像，演算法看不到，但現在有了像深度學習這樣的技術，我們的演算法也能處理圖像了。」

在這些技術中，許多技術在InMobi已經應用了數年時間，但直到現在它才開始使用Mllib（有助於大規模應用機器學習技術）等軟體。巴特說，「雖然人們對這些技術討論得很多，但要部署——尤其是大規模部署它們卻並非易事。」

打車服務Ola Cabs

Ola是印度領先的打車服務之一，利用數據科學和機器學習追蹤車流，改進客戶體驗，了解司機的習慣，延長車輛的使用壽命。

Ola利用人工智慧了解其平台上車輛需求的變化，搞清楚滿足這一需求所需要的供應量，以及下雨等外部因素對汽車效率的影響。

Ola聯合創始人、首席執行官安基特·巴哈蒂(Ankit Bhati)向Quartz表示，「Ola Share拼車服務是利用大數據提高匹配率的一個典型例子。」通過使不同上車地點和下車地點的乘車者共同乘坐一輛車，降低出行時間和里程，Ola Share幕後的演算法，能降低用戶支付的車費總額。

巴哈蒂表示，Ola的目標是「打造更多這類解決方案，增加現有解決方案價值」。

通過Ola Play——該公司個性化的車載信息娛樂系統，Ola還部署面向客戶的先進技術。Ola Play使用戶能在出行的同時選擇各種娛樂服務。與Netflix和Spotify相似，Ola Play還利用機器學習技術，記住乘客喜歡的音樂或電影，如果下次還乘坐Ola的汽車，他們甚至能繼續欣賞上次欣賞的節目。

機器學習技術還被用來管理司機。

巴哈蒂表示，「人工智慧能了解司機的行為，我們可以把他們培訓為平台上更好的司機」，技術有助於Ola了解多少客戶在某些路段取消了服務以及原因。

此外，由於Ola出租汽車，與汽車廠商合作，向買車的司機提供折扣和保養服務，確保平台上的汽車能使用儘可能長的時間符合其既得利益。因此，Ola還開發了機器學習演算法，找出有助於盡量延長汽車行駛里程和使用壽命的行車模式。

電商網站Flipkart

《福布斯》刊文稱，電商公司Flipkart已經重新設計了其應用的主屏，向其逾1.2億用戶提供個性化體驗。機器學習演算法會記錄每名客戶的性別、喜歡的品牌、喜歡的商家、能接受的價位、購物頻率、採購量等信息，隨著Flipkart收集的數據越多，信息也就越精確。有了這些信息，即使客戶不搜索具體商品，Flipkart也能預測客戶的購物行為。未來，Flipkart還將利用機器學習研究客戶退貨時間和原因，以採取措施減少退貨的發生。