《Google、臉書、微軟專家教你的66堂科技趨勢必修課》

醒報編輯部 2020/02/27 08:00 點閱 5911 次

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