一本書解答數位公民、商業人士和不肯落伍的人，不能不懂的66個科技趨勢入門問題，每個人、每一天都會遇到的科技問題，一本書就解答；你不需要唸過資訊科學、不必會寫程式，就看得懂。
由Google、微軟、臉書3位產品經理合撰，由基礎談起，以內行人角度解說你不能不知道的科技問題和背後的商業策略概念。不掉書袋，以說明、比喻、圖解方式介紹，平易近人，好讀好吸收。
本書重要的科技趨勢皆有介紹，又不落入太多技術讓人無法理解的窠臼。理解科技產業動態以精進自我的職場人；想增進與科技人合作效率的設計、行銷、業務；要訂定未來策略的高階管理者；甚至是科技人，想提升溝通力及商業力，本書的大白話解說及豐富案例，人人都能得切身、實用的指引與啟發。
標題：科技時代小百科 矽谷達人告訴你
引言：伴隨網路科技的演變，其滲透力和影響力的範圍之廣，已不限於一時一地、一個產業或一個國家，而是動輒是全球範疇。
插言：谷歌不是每次搜尋的時候，就前往網路上的每個頁面，而是將資訊存在資料庫，使用演算法決定要呈現的內容。
插言：科技對社會的衝擊，一點都不新鮮，總是隨著技術的迭代更新掀起一番熱議，也總會帶來正面和負面兼具的作用力。
無論何時在谷歌上進行搜尋，搜尋引擎都會爬梳超過30兆個網際網路上的頁面，然後找到前10筆符合您搜尋的結果。有92%的時間你會點選在第一頁當中的某個結果（也就是前十筆結果當中）。
谷歌搜尋如何運作？
從30兆的網頁中找到前10筆相當困難，就如同在紐約市尋找掉在地上的一分錢。然而谷歌用專家的方式在平均半秒的時間內找到結果。但是，它是如何做到的？
實際上谷歌並不是你每次搜尋的時候，就前往網際網路上的每個頁面。谷歌實際上是將網頁的資訊存在資料庫，然後使用演算法讀取資料庫，決定要呈現哪些內容。演算法只是一連串的指令，人類也許有個「演算法」用於製作一個花生醬與果醬的雙醬三明治，如同谷歌有演算法用於尋找你在搜尋列中輸入的內容。
關鍵字密度搜尋
當你在谷歌進行搜尋，谷歌會抓取查詢內容，然後比對它的索引，尋找最相關的頁面。
谷歌如何做到這件事？最簡單的方法是尋找特定關鍵字出現的地方，有點類似按下Ctrl+F或者Cmd+F搜尋一個巨大的Word文件。確實，這是90年代搜尋引擎運作的方式：就是在其索引當中尋找符合你搜尋的文字，並且顯示最相關的頁面，這個「相關」的屬性稱為關鍵字密度。
這個方法很容易被操弄。假如你輸入士力架糖果棒（Snickers），想像你會看到snickers.com排在第一位。但是如果搜尋引擎只是計算士力架這個單字在頁面上出現的次數，任何一個人可以製作隨機的網頁，頁面上只出現「士力架士力架士力架士力架」（如此一直下去），然後就會被排到搜尋結果的首位。很明顯，這並不是非常有用的方式。
佩吉排序演算法
捨棄關鍵字密度，谷歌核心的創新技術是一個稱為佩吉排序（PageRank）的演算法，這是由谷歌的創辦人賴瑞・佩吉（Larry Page）與 謝爾蓋・布林（Sergey Brin）在1998年為了博士論文所撰寫的。
佩吉與布林注意到，一個網頁的重要性可以從哪些重要的網頁連結到該網頁來進行評估。這就如同在一個派對當中，你知道某個人受歡迎，是因為他被其他受歡迎的人包圍。佩吉排序給每個網頁一個分數，這個分數是由其他連至該頁面的其他網頁的佩吉分數所計算出來的。（
評分標準及所在位置
例如，假如我們製作一個關於亞伯拉罕・林肯的新網頁，一開始會有很低的佩吉排序分數。如果有一個沒沒無聞的部落格連結到我們的網頁，網頁的分數會稍微上升。佩吉排序關心的是連至我們網頁的連結的品質，而不是數量。即使好幾十個沒沒無聞部落格連至我們的頁面，我們網頁的分數也不會提升太高。但是假如《紐約時報》的一篇文章連結到我們的頁面，頁面的分數就會大爆發。
一旦谷歌在其索引當中找到符合你搜尋的文字內容，谷歌就會用多個準則進行排序，包含了佩吉排序。谷歌也有許多其他準則：例如頁面更新的時間，以及忽略看起來像是垃圾的頁面。同時谷歌也會考慮到你所在的位置（如果您在美國搜尋「足球」，它會回傳國家美式足球聯盟，如果你在英格蘭，它則會回傳英格蘭足球超级聯賽），以及其他種種準則。
Spotify推薦歌曲
每個週一早晨，Spotify會送給聽眾30首歌的播放清單，這些歌曲很神奇地符合聽眾們的喜好。這個播放清單稱為「每週探索」（Discover Weekly），也成為熱門話題。在2015年6月發行的半年內，「每週探索」被發送超過10億7000萬次。Spotify為什麼能這麼了解兩億個使用者的喜好呢？
演算使用者喜好
Spotify的確有雇用音樂專家，手動製作播放清單，但是他們沒有辦法為2億個使用者製作這個清單。Spotify是採用演算法，每週執行以製作歌單。
「每週探索」的演算法是先查看兩項基本資訊。第一，它會先看使用者喜愛到會加入到音樂庫或者是播放清單的所有歌曲。這個演算法甚至聰明到可以知道，使用者是否在播放的前30秒就已經跳過該首歌曲，這代表使用者可能不喜歡這首歌曲。
第二，演算法會看其他人所製作的所有播放清單，同時假設每個播放清單都有主題關聯，比如使用者可能會有「跑步」或者是「披頭四即興演奏」播放清單。
當Spotify有了這些資料，就利用這兩個方式找到使用者可能喜歡的歌曲。第一個方法是比較上述的兩個資料集（dataset），找到符合使用者喜好的新歌。例如，有個使用者的播放清單有8首歌曲，而當中的7首有在你的音樂庫，他們判斷你可能喜歡這類型的歌曲，所以「每週探索」就推薦那首不在你音樂庫的歌曲。
協同過濾方式
這種方式稱為「協同過濾」，這也被亞馬遜所採用，其根據你與數以百萬計的使用者的購買紀錄，推薦建議商品給你。網飛的電影建議、Youtube的影片建議，和臉書的朋友建議都是採用協同過濾。
隨著服務獲得更多使用者，協同過濾變得越來越有用，當Spotify使用者越多，就越容易找到與特定品味相符的人，因此也更容易提出建議。 但是，隨著使用者數量的增長，這些演算法也會變慢且計算量龐大。
播放清單品味檔案
第二個方法是將使用者的播放清單視為個人的「品味檔案」（taste profile），根據個人所聽且喜歡的歌曲，Spotify會以不同類別（如獨立搖滾或者是R&B）以及更細微的類別（如室內流行樂與新美國音樂）推薦使用者相同類別的音樂。這仍然是根據過往聽過的音樂模式，只是不同形式的推薦。
為何投資音樂推薦？
雇用工程師建置這樣的推薦引擎是很昂貴的，Spotify的工程師一年薪水要幾十萬美金，所以，為什麼Spotify要這麼做？
第一點，一個強力的推薦系統是一個賣點，讓Spotify顯得比其他競爭對手突出，如蘋果音樂（Apple Music）。那是因為有龐大的音樂庫是不夠的，以商業語彙來說，音樂是一個商品，任何歌曲在Spotify或者是蘋果音樂，或者是其他類似的地方聽起來都一樣，並且只要有錢的人就可以去購買音樂的授權，建立一個巨大的音樂庫。
所以，如果所有的音樂串流服務都能夠有效率地擁有相同的音樂，Spotify需要有與其他競爭對手不同的地方。而Spotify的推薦系統也確實達到這個目標，也被公認比蘋果音樂更好。
用戶黏著度高
第二個理由是所以假如你常常使用Spotify，你的推薦結果將會相當好，也因此你不會想改用蘋果音樂，因為蘋果音樂一點也不了解你的偏好。
所以這個高「轉換成本」，減少你想改用其他類似應用程式的可能性。簡而言之，個人化的播放清單對聽音樂的人來說相當重要，這也是Spotify厲害的商業策略，難怪越來越多的應用程式提供個人化的推薦內容。
(張庭維/輯)
《Google、臉書、微軟專家教你的66堂科技趨勢必修課》
作者：尼爾・梅達
出版社：商業周刊
出版日期：2020/02/13