比起骗取你的信任 年度回顾更像是一种宣传
【PConline 杂谈】“年终总结”这玩意，从读书到工作，兴许都是每个人最头痛的事情，毕竟并不是每个人都有明确的计划，能够在年终总结的时候怀抱着自己的努力成果在文字间挥斥方遒。但如果是有人帮自己做年终总结，看着还是挺爽的。业已深入到生活中每一个角落的APP，无论是用于娱乐的网易云音乐，还是用于支付和生活事务的支付宝，日常中收集的数据，足够在年底的时候呈现出一份丰富的年度回顾。
基于干巴巴的数据，不同领域的APP的年度回顾都有一些共同点：用上走心而不失幽默的话语，搭配符合品牌调性的图片，整合出一份看完之后可以会心一笑，更是可以放到朋友圈上炫耀的报告。这些基于大数据的报告，以幽默的方式反馈了自己过去一年的行为，既是一种总结，也因为这些APP在数量巨大的用户群体中的共性，有了可供社交的对比价值。可以说，这是大数据用于宣传的一种成功途径。
同样通过这份大数据能做的，还有支付宝暗搓搓地布局自己的信用支付功能。笔者其实是不太相信某些媒体提到的，“点击支付宝的年度回顾之前没看到提示开通支付宝相关服务”这个说法，在各种全家桶流氓软件有形无形的进攻，使得大家在无论是安装软件，还是打开一个授权小程序之前，都会格外留心是否会不经意地被耍了流氓。在“年度回顾”这一具备巨大社交意义的诱惑下，先打开这个功能也显得微不足道了，大不了再试试看怎样关掉呗。
单凭对大数据的运用，通过年度回顾的模式，APP完成了又一次的宣传，甚至是完成了某些自家服务的推广。大数据抓在开发者的手上，无疑能够进行一系列的用户分析，对产品的发展有着一定的指导作用。既然如此，我们不妨换个角度一起来探索一下，这些回顾除了让我们有所共鸣，自发地分享到社交媒体上之外，这些回顾背后的大数据本身，究竟对我们的用户体验产生了怎样的影响。
有意无意被提起的大数据 其实都干过了什么？
无论是支付宝还是音乐软件的年度回顾，都有一个共同点：收集用户的使用数据，并对其进行分析，然后给出一些以感性文字修饰的结论，阐述用户一年里的使用轨迹。例如支付宝年度回顾最后一页的2018年展望，或者是网易云音乐中某些文段中对于当时听音乐状态的形容。
这些结论能够唤起用户的情感需求，提升用户忠诚度，并且完成一些用户召回行为（例如网易云音乐会提示“最近似乎把这首歌遗忘了”以召回用户收听）之余，也是完成了软件的一次推广，但这离“大数据对用户体验产生了怎样的影响”，展现得仍然还不够。要讨论这个问题，也许在我们常见的娱乐/服务类软件中找现象了解，会更加合适一些。
以网易云音乐为代表的网络音乐平台，是一个不错的讨论对象。历经九十年代和新千年后一系列的偶像巨星之后，现在的音乐圈更是有一种繁花盛放迷人眼的感觉。在生活和工作节奏越来越快的情况下，大多数人都会将选择音乐的权利逐渐交托给音乐软件。而这些音乐软件会根据用户的收听习惯，在分析过后向用户推荐相似类型风格的音乐。
这听起来是一个不错的想法：借助大数据统计和分析，在不同的使用场景中随机播放符合当下情绪的，听过的没听过的音乐，活跃当时的气氛。以管窥豹，大数据能够对我们的日常决策起建议作用，但这样的推荐是否真的准确的？通过搜索引擎，我们可以发现既有人对网易云音乐的算法进行分析（具体分析由于篇幅所限，有兴趣的朋友可以自行搜索相关文章），也有用户对这种推荐服务进行使用评价。
从这两个角度切入分析，都能够发现这种推荐算法的确能够有明显的优点：对于口味比较稳定的朋友，在长年累月的使用之后，推荐的内容肯定会更加精准，产生一种知音人的感觉。但缺点也同样明显：如果用户的兴趣比较多样，那么在早期形成推荐偏好的时候，系统会很容易拿不准口味；而对于兴趣单一的用户，如果偶尔因为一些机会（例如看完电影后对电影OST产生兴趣）短时间内频繁试听某些音乐，那么接下来的推荐也会被打乱，影响实际使用。基于同样算法基础所产生的情况，也出现在诸如口碑、点评、美团等生活服务类软件中。
在移动互联网逐渐深入到大众生活的当下，从使用反馈中得到的大批量用户数据必然受到厂商的重视。不仅在国内，放眼全球范围，亚马逊AWS、Rackspace、Azure等云数据服务的兴起，更是早在2016年就让数据量出现了大规模增长。数据量增长的趋势在2017年持续，在2018必然会有更加出色的发挥。也许商用领域中，大数据已经开始发挥作用；但细化到用户层面，大数据仍然未让人感受到存在感。
与其说对大数据的整理不力，倒不如说是对数据的应用，仍然是处于简单的标签化套用，没有具体考虑用户在不同场合中因生理和心理所产生的，和日常记载大数据推导出的，有别的需求。
数据是死的 能够被用起来的数据才是活的
即使我们能够从各种媒体报道中看到来自不同领域的厂商在宣扬大数据能够对用户的日常操作造成多大的影响，但就现在的用户体验来说，改变用户体验的更多是软硬件产品背后，开发人员在UE（User Experience，用户体验）上的分析和运用，反作用于用户产品上的成果。当然，这也能够算是厂商在大数据方面的应用，但这并不是我们想要看到的智能化成果。
说到这里，笔者想起前段时间看微博，某位曾经的科技行业业内人士在点评一个TED上关于智能无人机操控文章的点评。这位大佬说“真实世界里的AI进程其实十分可控和初期探索。”在笔者看来，这句话的确很适合形容现在的大数据业界。我们希望软件能够更聪明，是聪明在它们在得知我们的数据之后，能够自动作出更适合我们的判断，但从上文我们可以知道，无论是听歌娱乐还是吃饭购物，现在的大数据分析利用，还是AI进程，远未达到这样的高度。
那么，在拥有大数据这样的宝库的前提下，要打开这个缺口，需要有哪些活性呢？就近年的智能化概念来看，也许神经网络会是打开这个宝库的钥匙。单说“神经网络”，可能很多朋友一时间都没法反应过来。但如果说接连挑下一系列围棋世界高手，完成这个壮举之后非但没有停步，还想要尝试更多领域的“AlphaGo”，相信在科技媒体甚至是其他媒体的渲染下，足够让人感受到未来人工智能的出色之处。
和当年的“深蓝”比起来，AlphaGo之所以能够接连战胜世界顶级围棋手的原因，是基于深度学习的神经网络DeepMind。在Deepmind公司员工上传的《Playing Atari with Deep Reinforcement Learning》文章中，我们可以发现，神经网络对比普通的机器人学习，可以通过学习过程来计算最高期望分数。确切地说，在定义了网络的结构之后，剩下唯一会变化的就只有一件事：连接之间的强弱程度。学习过程就是调整这些方式地权重，从而使得通过这个网络的训练样例获得好的反馈。
对比漫无目的的大数据筛选运用，神经网络显然更有“人性”，并且这份人性还在不断自我进化中，让AlphaGo变得更像一个“人”。早在2016年年底，Google DeepMind便在《自然》杂志上宣布，他们开发了一种名为“DNC”（可微分神经计算机）新型神经网络。这个 AI 系统拥有“短期记忆”，可处理复杂的、结构化的数据。它能理解人类编造的故事，从家谱中理清人物关系，还能看懂伦敦的地铁图。拟人化程度越来越高的神经网络，不仅能够在大数据处理中提高效率，并且还能够让它更懂我们的需求。
随着移动互联网的不断铺开和深入到生活中，智能手机上搭载的程序总是要在各种方面收集用户的数据信息。在信息量越来越大的前提下，单靠简单的程序分析类比，甚至是人工整理采样分析，逐渐会跟不上人类作出判断的需求。如何将仍然在襁褓中的神经网络和大数据联合起来，让产品变得更聪明，是厂商下一步应该思考的情况。未来将来，虽然远了点，但仍然是值得我们期待的。
