首先是要考虑最小的修改，毕竟大家手里钱都不多，改动太大或者推倒重来的话，一方面是成本高，另一方面智能店真正完全成功的还不多，大多数都是概念店和体验店。
店面大小，不适宜太大，太小也不好，就考虑那种连锁便利店1～3倍的规模好了。形状规范一点。
SKU控制一下，不超过600？有更多的话，请用减法。
尽量使用现有的基础设施，比如网络，电，监控摄像头，收银台。
AI相关：做现在SKU的数据收集和采集，买也可以。训练模型–>生产环境下的重训练（比如增加或删除SKU等）
需要的硬件或基础设施：摄像头、视频处理硬件（如GPU）、QR Scanner（当然，摄像头也可以）、AI模型服务器（边缘计算够便宜也可以）
AI，其实是CV，也该考虑人脸等隐私特征的保护。
无人零售用AI的目的：
识别顾客，绑定到一个实体/虚拟的账号，并100%跟踪其店内行为
产品识别，品类、数量、状态等
前两者的关系，也就是谁拿了什么东西，多少东西
自助结账。
无人零售的退化版本就是自助售卖机、自助餐食等。
这个专场对于我来说，算是一个扫盲性质的，听了几个讲座后，大概知道联邦学习是一个什么样的模式了。
杨强是港科大的教授，微众银行的高管。他对联邦学习的介绍还是很清晰的：https://www.leiphone.com/news/202008/hBACeSbAY8PIOcbh.html
联邦学习的背景是1.数据的来源碎片化，且难以标准化，2.数据的合规性要求限制了中央处理。
继续阅读选这个来听，本意是希望听到关于企业SaaS怎么做的讨论，但遗憾的是，还是偏少。主要是企业服务如何匹配新基建等大方向和大趋势的。
信通院政策与经济研究所副所长何伟，https://www.leiphone.com/news/202008/PG3C7FP2gUzNXNAd.html
重点在于产业发展的时间和方向，企业服务应该与其保持一致。
阿里巴巴副总裁，郭继军，https://www.leiphone.com/news/202008/wvoatM5VImhgvrGQ.html
企业服务中，数据凌驾一切，打通数据间的障碍，后挖掘及形成新的业务。而对阿里来说，目前则不纠结于具体是哪个云，哪一家的云，只考虑将其打通并组合给应用。
继续阅读次日，选了机器人前沿专场和AIoT专场来听。
开场的报告是加拿大工程院张宏院士作的。他也即将在深圳建立有实验室，但此次是用远程的方式进行演讲。
https://dy.163.com/article/FK6GSE5D0511DPVD.html
讲的范围不多，集中在机器人如何得知自身处在已知地图的何处。包括对视野中的各种物体的标示（全局/全景描述符），Deja vu的时候各种不同的外部环境产生的变化如何识别，二维点云计算即确认，图像粗匹配、精匹配，雷达和视觉的信息融合等等。
不过他说的是已知地图的情况。结合去年有个讲陌生环境下的digital twin构建地图，就可以多机器人联合制作地图并进行相对定位了。
继续阅读今年看着早鸟票（399）便宜，就又参加了一次CCF-GAIR。但疫情的影响很大，去年的诺奖嘉宾的豪华阵容就没见到。但主题和方向是更加专注。我前后三天，主要听了五个专场：人工智能前沿、机器人前沿、AIoT、企业服务、联邦学习与大数据隐私。
继续阅读算法团队开始抽象出来，并不集中注意力在某一个固定的领域上。
于是，如何做一个通用的AIaaS，让不同行业不同需求可以运行在一个云AI平台上成了一种趋势。
看到Square收购了Dessa，依稀有一些这种趋势。
AI 2B是一个生存的趋势，因为AI 2C都是一些好看不中用的玩意。但是Big B有点困难，一方面Big B可以养活自己的AI / ML团队，另一方面，Big B的定制化需求太多太复杂，很容易把整个AI团队卷进去，于是就跟平台化无缘了。
注定是Small B。
Small B有数据，缺团队，顶多有一两个data scientist。这样就是AIaaS的机会了。
但AIaaS的考验也不少，需要把AI工程做得通用、可配置，有伸缩性，容易收费。
还要需要提供data cleansing的工具及服务，搞不好，这个数据清洗的工作需要的人力成本远比AI主算法要高。
AIaaS的团队需要补强的是，
1.传统SaaS的架构师，这里可是需要有真材实料，能庖丁解牛的架构师
2.能针对不同行业快速设计AI / ML方案的数据科学家
3.精通data cleansing的脚本工程师
其实也不是很新的技术了，一个是步态识别，另一个则是输入模式识别。
步态识别的应用场景是反恐和会员，正常人的步态和kb分子的步态会有差别，因而在门禁附近的摄像头使用步态识别会及时判断是否出现较危险的人物会有帮助。步态识别另一个好处则是不会产生太敏感的隐私性的问题。
会员制则是先学习了若干会员的步态，然后会员出现在镜头前，哪怕距离还很远，系统也能即时做出反应，交由会员系统进行进一步的客户关系管理。
输入模式识别，则是通过对某一用户的键盘输入模式进行学习，在他某次输入时进行识别，以判断是伪造身份的人还是用户本人做的输入。
两者的准确度其实都不算高吧，不过也要分开看，有些是假正例低、假负例高，在某些应用调整下，也是可以做得不错的。
关于步态分析，其实在CV发展起来之前，步态分析一般都是用装在地毯里面的sensor去收集脚掌的压力等等，对于肌肉的发力情况会收集得更为准确。主要作用是用来矫正运动员的跑姿或步姿的。
CV发展起来之后，才有了不一样的作用。准确度不一样，对硬件的依赖，场景也不一样。
说的是Digital Twins的另一半，希望能在真实的模拟中训练出最佳的AI过程以达到真实中的最优策略。
然后引出Machine Teaching的理念，毕竟课堂跟真实是有差别的，但课堂可以反复地失败和犯错。
自治系统的三角：人工智能+IoT+Machine Teaching
待补充一些更多内容，毕竟听得并不是太明白。
Digital Twins数字孪生，是希望在面对非现场的真实环境下，能构造出一个数字化的操作界面/平台，该数字化应与真实是一一对应的（起码重要的特质上是如此）。
Machine Teaching，专家可以借助很少的数据来建立定制的人工智能模型，然后这个智能模型可用于机器学习。以避免构造海量数据集才能用于训练机器学习的麻烦及不适应。因为专家的提取模型会比现实的碎片化和千差万别效率更高。
所以自治系统大体上如：IoT收集少量关键数据，DT构建Machine Teaching所需模型，ML通过模型进行学习得到AI模型，AI模型指导IoT环境下的进一步动作。
再陆续回顾当时的几个分享，有侧重连接和定位的，也有侧重平台的。抛开场景把功能做到更好的通适性，比如连接、设备管理、固件更新、定位、IoT数据分析、基础人工智能等。
在这之上就可以让玩家构造其应用了。
我们将中间的这一层对IoT应用进行良好支撑的成为IoT PasS。
同样地，AI现在也有这样的趋势，比如华为发布的AI盒子，希望玩家在上面发布AI应用，也有相应的应用市场。
其他的也倾向于输出一个平台式的AI环境，让拥有数据的客户在上面训练并应用模型。这样就避免自己陷入海量碎片化的场景中。
PaaS既是IoT的方向，也是AI的方向。
安全也是IoT PaaS的一环，毕竟作为IoT应用，再去折腾跟太平洋一样深的安全领域，就有点本末倒置了。
安全和隐私法案在技术安全之外又给了更多的法律上面的麻烦。
上图列举了一些已经形成有效隐私保护法案的国家和地区，基本上都是重要的IT发达国家/地区了。
要做全球市场，要满足这么多的隐私法案，显然不是各家IoT应用厂商应当自己做方案的，这样也给PaaS厂商提供了业务空间。