标签归档：AI

客户终身价值

整理笔记发现这一条，觉得这比ESG之类更值得深入，毕竟是to B的生意啊。

kimi的表现不错，你问他，他就抽取几条搜索到的相关结果，然后用大模型去分析这几个结果的文本，总结出来作为回答。

这样避免了对互联网内容的过度检索和分析。只是根据需要去做事。

找到了 3 篇资料作为参考：正在尝试为您在互联网搜索相关资料…开始获取资料…找到了第 1 篇资料：计算客户终身价值(CLV)必须了解的五个公式-知乎找到了第 2 篇资料：客户终身价值（CLV）如何计算|运营派找到了第 3 篇资料：客户终身价值（CLV）如何计算|人人都是产品经理一共找到 3 篇资料，正在阅读…找到了 3 篇资料作为参考：

客户终身价值（CLV，Customer Lifetime Value）是衡量企业在整个业务关系中可以从单个客户帐户中合理预期的总收入的指标。识别客户终身价值对于企业来说至关重要，因为它可以帮助企业了解客户的价值，并据此制定相应的市场策略、提高客户满意度和忠诚度、优化客户服务和产品开发等。以下是识别客户终身价值的一些关键步骤和方法：

1. 数据收集与分析

首先，企业需要收集有关客户交易的历史数据，包括购买频率、平均购买价值、购买时间等。这些数据可以帮助企业了解客户的购买行为和偏好。

2. 计算客户价值

客户价值可以通过以下公式计算： 客户价值 = 平均购买价值 * 平均购买频率

3. 估算客户生命周期

客户生命周期是指客户与企业保持关系的平均时间长度。这可以通过以下公式计算： 平均客户寿命 = 客户总寿命 / 客户总数

4. 计算CLV

结合客户价值和平均客户生命周期，可以计算出CLV： 客户生命周期价值 = 客户价值 * 平均客户寿命

5. 使用预测模型

除了基于历史数据的计算，企业还可以使用预测模型来估算未来的客户价值。这些模型可能会考虑市场趋势、客户行为变化等因素。

6. 提高CLV的策略

识别CLV后，企业可以采取一系列措施来提高客户的终身价值，例如：

  • 优化客户引导流程：确保新客户能够快速熟悉产品和服务。
  • 超额交付承诺：提供超出客户期望的产品和服务，以增加客户满意度。
  • 增加平均订单价值：通过交叉销售和推荐相关产品来提高每笔交易的价值。
  • 与客户建立关系：通过社交聆听、客户反馈和个性化服务来增强客户忠诚度。
  • 改善客户服务：提供卓越的客户服务体验，包括全渠道支持和灵活的退货政策。

7. 持续监测与调整

企业应持续监测CLV的变化，并根据市场和客户行为的变化进行相应的调整。这可能包括更新预测模型、调整市场策略或优化客户服务流程。

通过上述步骤，企业可以更准确地识别和理解客户终身价值，从而制定更有效的业务战略，提高客户满意度和忠诚度，最终推动企业的长期增长和成功。

大力出奇迹的sora

本来我对专注于视频生成的sora并没有非常大的兴趣，中文自媒体太high了，动辄中国全面落后云云。其实以stable diffusion之前的表现来说，剩下的再创新只是在窄小的领域里面逐渐调优的过程，不存在大的突破。

sora被顶会退稿也是出于这个原因。那为何sora要出及能出如此惊艳的生成视频效果呢？

应该还是资本使然，资本需要在AI领域上绑架各种资本加大投入，以进一步推动泡沫的盛宴。Open AI应该是已经完全被资本左右，不惜动用大量的算力资源去驱动一个并不具备创新的方向，而只是工程上的堆叠（大白象工程）。

说一下sora没有太大意义的地方在于，我们看过独立日（Independent Day），第一次看的时候觉得太震撼了，原来天地冲撞是这样的场景。

今天，如果你让sora生成一个天地冲撞的视频，它应该是没问题的。

但假如电影史上从来没出现过独立日或者类似的电影，这时候让sora（幻想）生成这样的场景，能做到什么样的效果？

这就是基于已知信息训练出来的结果，它无法超越前人，只是模仿，组合模仿，这种AI最大的对手是China？//laf

转djq师兄（97广东理科状元，FreeWheel CTO）朋友圈的评论：

“

比如说Sora爆红，几篇中文文章基本都是要么车轱辘话说了等于没说，要么就几个名词狗屁不通的拼凑一起，毫无AI痕迹。其实各种基于Stable Diffusion的创新还是不少来自国内的，IP adapter, LCM什么的，但是都算技巧派的。而Sora某种程度上就是Stable Diffusion的升级版本，完美体现了OpenAI大力出奇迹的精神。
Sora的技术报告有13个作者，带头的是两个博士刚毕业和一个本科工作几年的，都是年轻人，据说肝了一年撸出来的。这个项目相当多的数据处理和计算，到PB规模都不奇怪，体力要求不是一般的高，过程还很不确定。Stable Diffusion其实不是一个模型，而是一个带三个模型的pipeline。它的核心就是先用CLIP（也是OpenAI的作品）先把文字转成一个类似于图像模子的东西，然后用U-net（一个类似于U型锁的网络，也是广泛应用的结构）做Diffusion，大致是逐步无中生有根据模子把图像生成出来（但是在一个所谓Latent空间），最后用VAE（这个应该是stability ai训练的一个auto encoder）恢复到像素空间。Diffusion是一个相对比较坚实的数学模型，所以名字带了stable字样。CLIP和VAE都是单独训练的。而Sora估计也是类似的结构，只不过三个模型都换了。VAE对应的他们叫视频压缩网络，U-net则被换成了基于transformer的扩散模型，虽然叫Diffusion Transformer，其实是个误导人的名字，因为本质上是transformer based diffusion，同时把视频分解成时空小块然后tokenize，都是基本操作。而对应CLIP那个condition的生成模型可能也差不多，还用GPT做了增强。所以一年搞这么多，虽然可能没有特别高深的东西，但都是超多工作量。
所以网文说什么这是个transformer多么先进都是胡扯，transformer是个基础模块，OpenAI的模型就没有不用的。Google发明的时候还有encoder和decoder，一个decoder block还有两个注意力层，都被OpenAI简化掉了，就一个注意力加个MLP，然后就往死里加参数和数据，奇迹就出现了。然后condition也不是条件，而更像是用模子来引导或者塑造最终结果的意思，conditioning这个词很难用中文描述。总之Stable Diffusion那一套可以再玩一次。反正就还是attention is all you need。OpenAI主打一个暴力美学碾压一切包括人类。

”

sora指出一个方向，国内也可以在stable diffusion的基础上把几层结构再按需优化，中国也是大力出奇迹的好地方。

图解人工智能

这本书是跟着贵系二代群一起团购马老师的亲笔签名版本。

马老师在贵系一直人气和口碑都不错，也确实是人工智能方面传道授业的老师。

这本书总体来说还是通俗易懂，前提是要有较扎实的中学数学知识，理解会简单很多。

由于是初版，会有一两个错字。

也适合家长带着小学高年级到初中的小朋友一起看。

近期AI…5

海尔的case

看起来海尔是AWS的一个大客户。展示了AIGC的几个例子：

  • 文生图（没看明白跟海尔的产品有什么关系）
  • 图生图，通过输入设计线稿，生成产品概念图
  • 批量图，用于家装的，从3D数据到效果图
  • 全场景图，生成产品图、营销图

主要受益是加速设计。

西门子的case

内部业务助手，以及打通业务数据分析的平台。

店匠科技的case

产品模特图的生成（真人模特图替换模特与背景场景）

总结的几个难点有点意思，比如：服装区域的精准分割，残缺人台的骨骼检测优化，精准控制生成过程

近期AI…4

企业在介入生成式AI应用时会思考的问题，这一页归纳得挺好，当然了，这也是来参加这个会的目的吧？

  • 什么样的User Case真能帮到业务？（重点是“真”）
  • 如何衡量一个生成式AI User Case的成功？（投入产出，未来，明的利益，暗的优势等等）
  • 如何选择大模型去构建应用？（企业自身必须要有靠得住的AI咨询方）
  • 如何保证企业私有数据不被大模型吸收？（这些问题开始就有较多的技术解决方案了）
  • 我们缺乏高质量的数据怎么办？（买吧，但是还是要有质量标准）
  • 构建生成式AI应用工程化的挑战有哪些？如何克服？
  • 如何去购买xx加速去做生成式AI User Case的实验？（还是实验，现在让资本市场很短视的，不大允许费资源只是做个实验）
  • 模式适配/调优，Prompt Engineering/RAG/Finetune用哪种方法合适？（细节，专业的问题，还是要有专业咨询或内部专家）
  • 如何设定Guardrail（护栏）为负责任的生成式AI应用？（先把合规性准备好）
  • 构建生成式AI应用需要团队的Skills有哪些改变？（目前的回答是有的，但是答案本身也在动态更新中）

不得不说，是不是刻意留了不少英文单词在里面，导致读起来不大爽。

接着是讲端到端构建AIGC应用的关键路径：

  1. 应用范围：定义使用场景与用例
  2. 模型选择：选择现有基础模型或预训练自己的模型
  3. 模型适配和模型调整：Prompt Engineering + 知识增强 + 微调 –>评估效果
  4. 应用程序集成：部署模型及运行推理 –> 构建由基础模型驱动的应用程序

几种适配调整的成本与效果的排列，原图是平面坐标图，改成顺序排列：

  • 成本：RAG < Prompt Engineering < 预训练 == 微调
  • 效果：PE < RAG = 微调 < 预训练

预训练当然好，但优质数据贵啊

AIGC的业务风险：

法律/监管/偏见/幻觉/隐私保护/问责制/业务透明度/滥用/有害内容/知识产权保护

ISV和SI就不罗列了。天天变的东西。

AIGC工程化“最后三公里”的挑战：

UI用户界面开发（用户体验） / 工具链 / 模型调优（持续的？） / 数据工程（提取、清晰、治理、数据模型） / 云基座（这里就涉及到AWS提供的系列支撑了）

近期AI…3

AWS中国区组织了这个生成式AI的高管峰会，其意义在于将他们在AWS上做的AI IaaS及PaaS介绍给之前用云服务不错的客户，一起来挖掘更好的AI SaaS，达到双赢。

基于对AWS发展历程的了解，我相信如果纯粹做SaaS的话，应该不用担心AWS的抄袭问题。

Gartner的演讲嘉宾上来，肯定是标准的Hype Cycle了。

没有细看各种技术点的位置，感觉Gartner已经入魔了，什么行业都搞Hype Cycle，网上一搜，经常有新的图出来，有些位置感觉就是拍脑袋了。

Gartner将AI技术栈格局分成四层：模型——工程工具——应用领域——基础设施和支持

AWS自然是基础设施和支持这一层，而应用领域，是在座的去挖掘，前面两个，有太多AI团队在做了。

企业对AI的关注：

保护投资：AI信任、风险、安全管理（即用AI来增强企业安全）

开发者增强：用AI来增强开发能力

交付价值：AI自动化增强互联劳动力

这三个领域有交错需要有：行业AI云平台、智能化应用、可持续的民主化生成式人工智能

讲得能理解，但原PPT有点诘屈聱牙。

以零售行业为例，AI已经产生的作用：提高生产力、节约成本、提高用户体验、驱动新产品开发、提高准确性、改进型号。

机遇（其实也有不少新的case了）：增强搜索向上营销、助理招聘入职、社交媒体情绪分析、供应链优化、增强文本（文案、话术）

制造业方面的也一样是老生常谈（至少对我来说）……不罗列了。

对于生成式AI，建议关注的层面，除了技术栈四个层面之外，

风险与价值：注意偏见、过度投资、合规风险

自研与生态：寻找生态系统中的合作伙伴、培养内部专家

（未完待续）

近期AI…2

国内怎么用Open AI的问题

微软和亚马逊都陆续给出相关的答案，使用还是不难的，只要你是Azure或者AWS的正式的商用客户，自然就可以使用±Open AI或者AWS预建的AI平台进行二次开发。

多模态技术

对于不同的AI能力，称之为多模态，多模态相当于人的几种感官：分别处理图像／视频，音频，文本理解。大模型如人的大脑，存储知识并推理，多模态则五官，接收和融合信息，两者结合才是通用AI的发展。

智能体Agent

讲者说智能体是手，其实当时听就觉得不对，智能体是通用AI的多个分身，每个分身处在不同的工作环境下，处理不同的工作任务。这也是我之前提及元宇宙的未来：AI让人类个体可以在不同元宇宙有其分身，个体的财富和能力体现不同元宇宙中的能力。

AI时代设计思考

产品与用户时间的交互会倾向于多模态的方式，而不仅仅是自然语言或图形界面的方式；

大模型时代的产品会融合AI 1.0的千人千面和AI 2.0的生成式特性；

要构建不断增长的数据飞轮，通过数据驱动产品运营全过程。

AI大模型要继续压缩以适应端部署（独立AI）

近期AI…1

近期参加了一些AI的会议，也看了关于Open AI新的发布会的一些内容，大概整理下。

1024翌日参加了深圳程序员节的一个讲座，其中印象深刻的是华为的某博士介绍其CodeArts，之前还有一位同济大学的教授在讲AI带来的工程/工作范式的变革，一并节录并解读：

软件即模型

如SaaS一样，SaaM（软件即模型）也逐渐普及起来，大模型或垂直模型可以完成一系列大型软件，比如：回答问题、翻译、写作、摘要、分析诊断、预测、图像搜索、文生图、语音合成、视频解读等等。

跟SaaS集中在修改软件的商业模式不一样，SaaM更多是重构了软件生成的方式……

当然了，未来SaaM也有传统软件开发的壳在外面，也可以如SaaS那样根据使用付费。

常态化的人与AI的交互

交互常态化后，人类的经验将持续引导LLM的升级，上下文明确、反馈以改进、协助LLM学习、调优控制、结果审查。

不过我觉得这样还是太费人了。

新的工作范式

这个范式是一种对人比较好的假设：人的角色没变，每个人都有一个强大的AI助手，而工作团队变小了，能做事更高效。

助手的能力包括但不限于：BA助手、架构咨询、UI设计助手、编程/测试/部署/发布助手、AIOps、技术支持、客户服务助手。

对于内容生产而言，则有一个新的范式：模型+数据=生产

软件工程3.0

可以用自然语言（prompt）来编程了，架构或传统编程概念也就是一句话的事情，编程效率将提升，AI也将渗透到软件工程的各个场景。

华为也籍此介绍Code Arts的能力。

生成：代码、测试用例、注释、移植

问答：知识、代码调试、代码解释、检查与修复、代码检视、代码优化

协同：研发工具协同、云服务调用、Code Interpreter、Low Code协同

集成测试：测试脚本生成、用例文本优化、测试序列生成、测试日志总结与分析、测试设计辅助

运维：日志埋点、日志模板提取、故障报因分析

虽然华为说的很大很多，但以我对华为和做AI的团队的理解，他们大概率是没有把工程团队的经验和Code Arts真正结合的……

所以感兴趣的可以试用一下。

数字达尔文主义

Digital Darwinism

先抄一些meme代替阅读过程的体会吧：

要理解技术产生的背后的意义，而不是技术本身。

新技术应当应用与业务核心core，而并非边沿edge。（感觉大多数保守的公司都只愿意将新技术用在edge业务上，避免风险）

人们通常低估了技术应用的深度，高估了短期影响，也低估了长期影响。

转型中最大的忧虑是，何时采用新技术，要不要再等等，等更好更完善的（这跟买手机、买电脑有点像）。

旧的会议方式难以评估错过新技术/思想的损失，所以财务去主导转型不合适。

技术是转型的背景，而不应是主导，人们需要的是解决方案，而非技术本身。

几个采用新技术的思路：

  • 自我中断，比如Netflix，直接把租DVD的客户转成订阅流服务的客户，大胆、冒险。
  • 持续重新发明、改善、创新、补全，比较低的风险，一点点自我革新。
  • 原有业务不变，投资新业务应用新技术
  • 投资对冲基金

应用AI的策略上，作为公司，应有精心设计的战略，而不是在边际上进行小实验。

套用已有模型不会有明显的成功，大脑中的模型要革新，不应该是之前的XXX，直接修改成数字时代的XXX、人工时代的XXX。

目前看到AI的应用，只是取代人类原来的工作（岗位、职责），将失去真正转型的意义。要考虑改变企业架构（为前提），考虑做人类没有做过的事情。

忘记大数据，聚焦innate data，数据不需要多大规模，但有用且效果好。

围绕人去设计新的技术方案，而不是做了方案/产品，投钱去推广。

看完后，最大的感想是，希望能找到真正的新范式，才能利用好AI。否则，不过是让AI重复人类、取代人类而已。

两个GPT的应用

一个是Be My Eyes，这款给视障人士使用的app，本来是通过摄像头让远程的社区协助者/志愿者告知视障者视野范围的情况。GPT的应用就是，可以通过CV的分解和分析，生成相应的文本描述，告知视障者，一定程度上降低对志愿者人力的要求。

另一个是可汗学院的教学上，学生和GPT合作写故事、虚拟一个对已故人物的采访、人机对话练习，提高词汇量和使用技巧。

现在流行的悲观观点大多数是*GPT会取代人的工作，但对于教育本身来说，这些对教育手段的增强却是实在的。