办公室里。
西格巴恩和阿尔文一起研究着论文。
他只是看了个介绍,马上就意识到,论文可能会对改善数据模型、改善算法有帮助。
西格巴恩不同于阿尔文,他不会自己慢慢去研究,而是干脆喊了几个人过来,“大家放下手头的工作,先一起看看这个。”
这一看,就是两个多小时。
他们也得出了结论,“这种辅助构建数据模型的方式,确实是可行的。”
“按照这种方法来做,数据越多、效率和精准度越高,而当数据少的时候,就不适用了。”
“难点在于最初模型的构造,我们不可能推翻原本的构造,采用这种方法重新构造。”
“方法是新的,想应用却不容易。”
西格巴恩带领的是核心算法组,手下的几个员工可以说是研发中心的精英。
他们仔细研究讨论了以后,对论文上说的构建方法,已经有了基本的了解,并且能推断使用后的情况。
最后西格巴恩做了总结,“一般而言,数据分析问题,数据越多,精准度越低。”
“这个模式也不例外,但是精准度下降的速度很慢,比如,一百个数据,我们所采用的构建模式,正确率百分之九十九点九。如果是一百亿个数据,就变成百分之八十。”
“采用这个模式构建的算法,一百个数据,正确率只有百分之九十,而一百亿个数据,正确率也不会低于百分之八十五。”
“这种模型构建方式,确实非常有意义,但在应用上,还是要慢慢的研究。”
“论文上,很多只是介绍个大概,但方法是没问题的。我们或许可以试试看,如果有下个适合的项目,就能采用这种方法。”
……
阿迈瑞肯,加州,旧金山,谷歌公司研发中心,数据与数据应用实验室。
布莱克-琼斯正坐在办公室里,他已经在谷歌工作了十一年,参与过算法定制、安卓系统完善以及人工智能等项目,是个经验极为丰富、水平非常高的算法工程师。
现在他看着订购的计算机期刊。
上面有连续三篇论文吸引了他的注意力,他拧着眉头仔细看了好久,感觉里面说的方法非常有意思,就干脆拍了个照分享到了同事群组,“大家看看这个,新的数据模型构建方法。”
“我看了下,很有意思。”
很快。
好几个没订购的同事,就让布莱克-琼斯再拍照发几张图片,最好是把论文都发过来。
布莱克-琼斯试了下图片提取文字功能,发现牵扯到数学内容时,好多都提取的一塌糊涂,干脆苦着脸一张张的拍照。
这件事本来是过去了。
下午的时候,技术部经理就找到了布莱克-琼斯和其他人,认真的说道,“布莱克,我也看了你发的东西,很有意思,重要的是,也许很有价值。”
“我们必须重视起来。”
“伙计们,放下手头的工作,一起研究一下,这个方法也许能提升我们的效率……”
……
同样的事情,发生在好几个互联网大公司的研发中心,甚至是国家级别的数据控制中心、信息中心。