專門研究與推動大資料技術的工研院巨量資訊科技中心,已經成立兩年多,今日(11/26)對外發表了4項國內大資料技術應用,分為智慧推薦及智慧預測兩大應用類別,在智慧推薦技術應用上,包括可應用於電子商城的混合式商品推薦,以及行動音樂平臺的混合式個人化歌曲推薦,兩項技術應用分別有momo購物網、台哥大my Music率先導入。另外在智慧預測應用,則發表了大宗商品動態價格預測技術,以及粉絲頁案讚數預測。
國內的電子商城momo購物網在去年導入工研院所發表的混合式商品推薦技術,運用大資料分析技術及多項演算法,momo購物網可以在2秒內,從上百萬件商品中,找出會員最需要的商品,並提供精準的商品推薦訊息。工研院偵測線上、現下的顧客使用情境,依據使用者的瀏覽習慣、消費行為與偏好,設定個人化的購物首頁、商品頁、EDM等,經由線下資料的批次分析,再進行線上模組化,做動態的資料分析,進而提供商品推薦,momo購物網表示,採用這項大資料技術應用後,購物網的商品點擊率提升1倍,營收更增加了1成左右。
而在數位媒體領域,工研院發表混合式個人化歌曲推薦,並以台灣大哥大的myMusic行動音樂平臺作為第一個導入案例,不只是根據使用者的個人資訊、聽歌習慣與偏好,比對歌手資訊、歌曲的類型和曲風,也能針對使用者所在環境,依據不同時間、地點、及活動類型,來推薦歌曲,更貼近使用者的生活情境。
巨量資訊科技中心副主任鄭仁傑表示,台灣大哥大採用的歌曲推薦技術應用,與知名的Spotify音樂平臺提供的歌曲推薦功能看起來類似,技術上可能差不多,但實際上,由於台灣大哥大本身也是行動裝置業者,因此除了App本身所能蒐集到的資訊外,他們還可以藉由裝置本身,來蒐集並結合更多的外部資料,做兩層的加值。鄭仁傑也表示,這些技術應用之後會越做越細緻,也能整合物聯網穿戴裝置,來蒐集更多的資訊,做出更適當的歌曲推薦。
另外在智慧預測應用方面,工研院發表結合外部因子的動態價格預測分析,應用自然語言處理及類神經網路,結合時間序列演算法,進行動態的價格預測,工研院表示,以石化原料為例,運用近三年內的的外部事件與價格資料建立出來的預測模型,其精準度達93%,除了大宗商品如石化原料的價格預測之外,這些技術也可用於主題樂園的來客數預測。另一項用於社群領域的按讚數預測,可以分析臉書用戶的個人資料、關注話題與偏好等資訊,結合過去瀏覽或搜尋過的文章,進行交叉分析,預測出新PO文的按讚數量。
經濟部今年開始與國內多家業者、資訊服務業者合作,計畫先鎖定零售與製造兩大產業,協助至少7家零售業者,扶植半導體系統整合廠商,導入大資料技術應用,並協助國內IT業者加值開發大資料運算、儲存系統以及一體機。經濟部在推動大資料技術應用上有兩大策略,包括要以大資料技術協助產業應用智慧化,並打造大資料產業鏈。而工研院與資策會都是其中主要負責研究與推動的單位。
工研院在兩年半前成立巨量資訊科技中心,是國內第一個以資料分析、大資料應用為主要研究方向的國家級研究單位,主要目的是要推動國內產業的大資料應用,並提供解決方案與技術資源。
鄭仁傑表示,巨量資訊科技中心的資料運算與分析平臺分兩階段打造,第一階段採用叢集運算平臺來做資料分析,第二階段導入Hadoop大資料運算平臺,目前他們的團隊約有將近200人,並從虛擬情境的大資料應用出發,與資策會在同一個計畫架構之下,分別針對不同領域進行大資料技術研究,他也說,工研院目前鎖定製造及零售兩大產業,將從兩方向來進行大資料技術應用的推動,一方面是直接與業界大廠合作,打造應用案例,另一方面,則會和資訊軟體服務供應商合作,由他們將技術更進一步推動到產業之中。
大資料應用1:電子商城的混合式商品推薦
運用大資料分析技術及多項演算法,momo購物網可以在2秒內,從上百萬件商品中,找出會員最需要的商品,並提供精準的商品推薦訊息。工研偵測線上、現下的顧客使用情境,依據使用者的瀏覽習慣、消費行為與偏好,設定個人化的購物首頁、商品頁、EDM等,經由線下資料的批次分析,再進行線上模組化,做動態的資料分析,進而提供商品推薦。
大資料應用2:行動音樂平臺的混合式個人化歌曲推薦
工研院發表混合式個人化歌曲推薦,並以台灣大哥大的myMusic行動音樂平臺作為第一個導入案例,不只是根據使用者的個人資訊、聽歌習慣與偏好,比對歌手資訊、歌曲的類型和曲風,也能針對使用者所在環境,依據不同時間、地點、及活動類型,來推薦歌曲,更貼近使用者的生活情境。
大資料應用3:大宗商品動態價格預測
工研院發表結合外部因子的動態價格預測分析,應用自然語言處理及類神經網路,結合時間序列演算法,進行動態的價格預測,工研院表示,以石化原料為例,運用近三年內的的外部事件與價格資料建立出來的預測模型,其精準度達93%,除了大宗商品如石化原料的價格預測之外,這些技術也可用於主題樂園的來客數預測。
大資料應用4:臉書粉絲頁案的按讚數預測
工研院發表可應用於社群領域的按讚數預測,藉由分析臉書用戶的個人資料、關注話題與偏好等資訊,結合過去瀏覽或搜尋過的文章,進行交叉分析,預測出新PO文的按讚數量。