第(1/3)页

    办公室里。

    西格巴恩和阿尔文一起研究着论文。

    他只是看了个介绍，马上就意识到，论文可能会对改善数据模型、改善算法有帮助。

    西格巴恩不同于阿尔文，他不会自己慢慢去研究，而是干脆喊了几个人过来，“大家放下手头的工作，先一起看看这个。”

    这一看，就是两个多小时。

    他们也得出了结论，“这种辅助构建数据模型的方式，确实是可行的。”

    “按照这种方法来做，数据越多、效率和精准度越高，而当数据少的时候，就不适用了。”

    “难点在于最初模型的构造，我们不可能推翻原本的构造，采用这种方法重新构造。”

    “方法是新的，想应用却不容易。”

    西格巴恩带领的是核心算法组，手下的几个员工可以说是研发中心的精英。

    他们仔细研究讨论了以后，对论文上说的构建方法，已经有了基本的了解，并且能推断使用后的情况。

    最后西格巴恩做了总结，“一般而言，数据分析问题，数据越多，精准度越低。”

    “这个模式也不例外，但是精准度下降的速度很慢，比如，一百个数据，我们所采用的构建模式，正确率百分之九十九点九。如果是一百亿个数据，就变成百分之八十。”

    “采用这个模式构建的算法，一百个数据，正确率只有百分之九十，而一百亿个数据，正确率也不会低于百分之八十五。”

    “这种模型构建方式，确实非常有意义，但在应用上，还是要慢慢的研究。”

    “论文上，很多只是介绍个大概，但方法是没问题的。我们或许可以试试看，如果有下个适合的项目，就能采用这种方法。”

    ……

    阿迈瑞肯，加州，旧金山，谷歌公司研发中心，数据与数据应用实验室。

    布莱克-琼斯正坐在办公室里，他已经在谷歌工作了十一年，参与过算法定制、安卓系统完善以及人工智能等项目，是个经验极为丰富、水平非常高的算法工程师。

    现在他看着订购的计算机期刊。

    上面有连续三篇论文吸引了他的注意力，他拧着眉头仔细看了好久，感觉里面说的方法非常有意思，就干脆拍了个照分享到了同事群组，“大家看看这个，新的数据模型构建方法。”

    “我看了下，很有意思。”

    很快。

    好几个没订购的同事，就让布莱克-琼斯再拍照发几张图片，最好是把论文都发过来。

    布莱克-琼斯试了下图片提取文字功能，发现牵扯到数学内容时，好多都提取的一塌糊涂，干脆苦着脸一张张的拍照。

    这件事本来是过去了。

    下午的时候，技术部经理就找到了布莱克-琼斯和其他人，认真的说道，“布莱克，我也看了你发的东西，很有意思，重要的是，也许很有价值。”

    “我们必须重视起来。”

    “伙计们，放下手头的工作，一起研究一下，这个方法也许能提升我们的效率……”

    ……

    同样的事情，发生在好几个互联网大公司的研发中心，甚至是国家级别的数据控制中心、信息中心。
    第(1/3)页