周伯文,刘强东的技术“知己”

2017年,京东开始酝酿向技术转型。同年,周伯文加入京东,任人工智能领域的学术前沿化和技术商业化负 责人。

“最”懂商业的科学家周伯文
加入京东之前,周伯文曾任IBM Research纽约总部人工智能基础研究院负责人,IBM Watson集团首席科学 家,IBM杰出工程师,拥有二十多年的人工智能基础技术研究、产品开发和管理经验,在语音机器翻译、深 度自然语言理解、及人工智能技术在产业界的大规模应用等核心领域都有杰出成就。

入京东后,周伯文带领团队在人工智能顶级会议和期刊上累计发表论文130+篇,在CVPR、ECCV、WikiHop 等国际学术竞赛累计获得12个国际冠军。

周伯文不仅是杰岀的科学家,也是最懂商业的科学家。加入京东后,他带领团队围绕京东内部业务和外部客 户业务完成了多项技术的商业化落地。

围绕京东内部业务场景,周伯文带队规划、建设了京东NeuHub人工智能开放平台,并在2018年4月正式对 外发布。经过一年多的发展,NeuHub当前已升级到2.0版本,并成长为一个面向零售与零售基础设施领域的 人工智能开放平台,不断为京东自身及行业合作伙伴提供前沿的AI能力、产品及解决方案。

围绕外部业务,周伯文带队开发了覆盖售前、售中、售后全价值链的京小智企业服务系统。该系统能够像商 家客服一样给用户提供有温度的服务,也可以辅助人工接待,人机紧密协同,提升客服接待效率。据了解, 目前“京小智”已经服务过十万商家。使用期间客服成本降低65%,接待效率提升54%,提升订单量15%, 顾客挽单率达36%;

此外,周伯文团队还打造了集成计算机视觉、语音识别、手势识别、机器学习等多种AI技术的蜂巢智能交付 空间。该空间可以服务银行、市政等各类行业,通过智能交互技术重塑服务流程,提升整体的客户体验,是 “ 银行网点的下一代 VIP 理财室 ”目前已经在建设银行落地。

周伯文用实际成绩证明,他不仅是一个杰出的科学家,还是一个懂商业的科学家。

京东集团技术委员会主席周伯文
周伯文的成就没有被忽视。

2019年12月6日,京东集团宣布设立京东云与AI事业部,整合原京东云、人工智能、IoT三大事业部的架构与 职责,任命周伯文博士担任负责人,向京东集团董事局主席兼CEO刘强东汇报。

周伯文成了京东云、人工智能、IoT团队战略、技术、产品、创新、场景化顶层设计和商业落地的最高负责人 。

除了担任云与AI事业部负责人外,周伯文更引人注目的职位是“京东集团技术委员会主席”。

2019年12月10日,京东集团宣布设立集团技术委员会,由周伯文担任技术委员会主席。据了解,京东集团技 术委员会下设决策委员会、执行委员会。 周伯文任主席、颜伟鹏(常务副主席)、曹鹏(常务副主席)、于 建强(常务委员)、李德浩(常务委员)组成技术决策委员会并享有投票权;执行委员会由集团各体系及 BGBU技术VP及T12(含)以上技术专家或高级技术业务负责人组成。京东集团技术委员是京东技术条线的最 高管理决策机构,在集团技术战略、决策、人才、文化及影响力的构建与提升方面履行职能。

至此,周伯文成为未来京东的关键人物之一。他成为京东集团构建京东技术品牌,统筹并打造京东集团技术 文化,增强技术人才队伍的,推进集体技术转型和技术服务战略的落地的主导者。

周伯文,刘强东的技术“知己”
玺哥认为,周伯文能在短短的两年多时间里升任京东集团技术委员会主席,除了本身实力够强外,还在于他 技术和商业结合的理念和京东CEO刘强东“向技术要效率”的理念是高度契合的。

2019年11月,京东发布Q3财报,数据显示,京东第三季度净收入达到1348亿元人民币,同比增长28.7%, 收入增速创下5个季度以来的新高。其中净服务收入达到160亿元人民币,同比增长47%。

Q3财报发布后,京东集团董事局主席兼首席执行官刘强东在参加分析师电话会议时表示,今后五年,技术服 务收入会持续超过总体营收的收入,将会成为京东营收和利润增长的重要驱动力。并对京东技术转型战略做 了“两个坚信”阐述。

第一,无论是我们的零售业务,还是物流和数字科技都依赖于技术,只有依靠技术,才能让我们持续保持核 心竞争力。技术能够不断提高用户体验,降低成本,提高运营效率。第二个坚信是相信技术服务收入能够带 来更好的利润,创造更大的回报。”。

关于“向技术要效率”这个方向上,周伯文认为:“技术核心的目的不是论文,论文是展现手段,最终是创 造价值,智能商业化是一个体现,学术前沿化和智能商业化是两面。”

在技术商业化的应用上,刘强东和周博文是高度一致的,可谓是互为“知己”。

周伯文,是刘强东选中的京东技术即服务扛旗人!他将和刘强东一起,共同推动京东完成技术转型。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值