博客发布 2022-03-06
数据科学项目快速启动
Data Science Project Quick-Start
这篇博客文章分享作者作为数据科学新人时踩过的坑与经验，讲如何从模糊问题走到可用原型。文中强调先理解项目意图和背景，举例说明要问清预期业务收益、现状问题以及为何现在要做，并以推荐引擎中“互动”指标（点击还是购买）如何决定训练标签来说明指标定义的影响。适合刚起步做数据科学项目的人阅读。
业务应用与决策
学习推荐、预测、风控和企业助手的 AI 应用，适合业务技术人员。
29 条精选 · 入门 8 · 按推荐学习顺序：越基础、直观越靠前，越系统、深入越靠后
-
2入门
-
4入门博客发布 07-22
介绍 OpenAI Presence
Introducing OpenAI Presence
OpenAI 于 2026 年 7 月 22 日发布的产品公告，介绍 OpenAI Presence：一个面向企业的 AI 智能体平台，帮助组织在客户与内部工作流程中部署可信的语音和聊天智能体。页面说明该产品当日即可用于语音和聊天智能体。
-
7入门博客发布 10-24
证明 Alpha：一家对冲基金如何衡量 AI 的投资回报——Hari Kumar，Contour Asset Management
Proving Alpha: How a Hedge Fund Measures AI's ROI - Hari Kumar, Contour Asset Management
Contour Asset Management 的 AI 负责人 Hari Kumar 介绍这家约 60 亿美元的基本面多空基金如何衡量 AI 投入的回报。内容包括对分析师研究工作进行有无 AI 工具的实时 A/B 测试、跟踪“每条有用洞察的成本”、用智能体在市场重新变得有趣时调出旧想法，以及把同样的思路延伸到交易、运营和合规环节。材料中附分章节时间线。
-
8入门博客发布 10-20
为什么 AI 智能体需要自己的银行账户
Why AI Agents Will Need Their Own Bank Accounts — Lincoln Murr, Coinbase
Coinbase AI 产品负责人 Lincoln Murr 讲解“智能体金融”：会花钱的智能体和会赚钱的智能体。内容包括从给 AI 一个钱包的早期实验 AgentKit，到基于长期闲置的 HTTP 402“需要付款”状态码构建的开放标准 x402，据其介绍该标准每月处理数亿笔智能体交易；还谈到微交易作为广告经济替代、智能体按简单指令执行交易，以及 Coinbase 两年建设中的经验——信任是一步步赢得的，AI 是使能者而非产品本身。结尾展望能支付自身运维费用的智能体。
-
9进阶博客发布 10-24
OpenAI 如何为银行家和分析师打造 ChatGPT——Joseph Kim，OpenAI
How OpenAI Built ChatGPT for Bankers and Analysts — Joseph Kim, OpenAI
Joseph Kim 负责 OpenAI 的金融服务版 ChatGPT，该产品在演讲前一个月与摩根士丹利、Evercore 等设计伙伴共同上线。他演示了产品功能，讲解所谓“能力悬置”——模型能做什么与用户在工作中实际获得的价值之间的差距，以及团队为何自行授权并索引金融数据、如何在 ChatGPT 插件平台上构建机构模板、交互式图表和引用查看器，并谈及模型走向、任务跨越“可用性阈值”的节点和 2027 年金融领域的三点押注。
-
11进阶博客发布 05-27
用 Codex 构建可自我改进的税务智能体
Building self-improving tax agents with Codex
2026 年 5 月 27 日发布的文章，作者包括 Thrive Holdings 与 OpenAI 的技术人员，讲述 Thrive Holdings 与 OpenAI 合作，为 Crete 的会计师共同开发税务 AI（Tax AI）的过程。文章围绕如何将从业者经验与由 Codex 驱动的循环结合，实现申报自动化、提升准确度并加快工作流程，并讨论了用评估基础设施和真实环境构建可自我改进智能体的做法。
-
12进阶博客发布 2022-04-17
如何测量与缓解位置偏差
How to Measure and Mitigate Position Bias
这篇博客文章说明位置偏差：排位靠前的物品更容易被看到和点击，与相关性无关，例如 Google 搜索首位点击量约为第十位的 10 倍。文中还讨论了展示偏差、点击首个相关结果后忽略其余等原因，以及偏差通过历史数据自我强化的反馈回路，并给出测量与缓解方式的笔记。适合做推荐系统、关注排序与评估偏差的人阅读。
-
13进阶博客
多臂老虎机问题及其解法
The Multi-Armed Bandit Problem and Its Solutions
这篇博客以“去哪家餐厅吃饭”等生活化例子说明利用与探索的权衡，界定多臂老虎机问题，并介绍若干策略：ε-贪心、基于 Hoeffding 不等式的置信上界 UCB1、贝叶斯 UCB、汤普森采样，最后附案例研究与总结。作者提到针对伯努利老虎机的算法实现在其 GitHub 仓库 lilianweng/multi-armed-bandit 中。
-
14进阶博客发布 2022-05-08
面向推荐系统的 Bandit 方法
Bandits for Recommender Systems
这篇博客文章讲解 Bandit 方法如何通过建模不确定性并主动探索来解决推荐系统的反馈回路问题，尤其适用于物品集合快速变化（新闻、广告、推文）或流量较低的场景。文中简要讨论了 ε-greedy、UCB 和 Thompson Sampling 三种主要算法，并提及工业界实现。适合做推荐系统、关注探索与利用问题的人阅读。
-
16进阶博客发布 06-30
介绍 TabFM：面向表格数据的零样本基础模型
Introducing TabFM: A zero-shot foundation model for tabular data
这是 Google 研究科学家 Weihao Kong 和 Abhimanyu Das 于 2026 年 6 月 30 日发布的博客，介绍面向表格数据的新基础模型 TabFM，用于简化分类与回归工作流。博客称其沿用 TimesFM 的"零样本"思路，文中还讨论了 XGBoost、随机森林等树模型在部署时需要的超参数优化与特征工程负担。文中提供 Hugging Face 和 GitHub 链接。
-
17进阶博客发布 10-22
NVIDIA Kumo Relational 在关系型数据上优于监督机器学习，且无需训练
NVIDIA Kumo Relational Outperforms Supervised Machine Learning on Relational Data, No Training Required
文章介绍 NVIDIA Kumo Relational，一个直接在企业数据库上做预测的预训练关系型基础模型。给定预测查询，它从历史数据中收集上下文示例，通过一次前向计算预测流失、需求或欺诈等结果，无需任务特定训练、特征工程或把表展平。文中称其在 15 个数据库的 41 项任务上超过监督式关系深度学习模型和专家设计的梯度提升树流程，在 SAP SALT 企业基准上平均倒数排名比 AutoGluon 集成高 8%，并支持 5000 亿行以上的数据库。
-
19进阶博客发布 10-22
使用 IBM Granite 时间序列模型进行集成预测
Ensemble forecasting with IBM Granite time-series models
文章介绍 Granite Timeseries Ensemble：用一个可扩展的预测接口组合四个开放的 Granite 模型，返回中位数和分位数预测，无需重新训练，也不需要拟合集成权重。文中建议先用概率集成（均匀概率池化），再比较自适应四分位距（IQR）集成，并可用兼容的预测模型扩展同一接口。内容针对预训练时间序列模型需要选择模型的问题：不同模型分别擅长平滑工业信号、噪声较大的零售需求或长季节周期。
-
22进阶博客发布 10-25
如何构建能跨网页工作的金融智能体——Jay Sahnan 与 Arik Bird，Browserbase
How to Build Financial Agents That Work Across the Web - Jay Sahnan & Arik Bird, Browserbase
Browserbase 的 Jay Sahnan 和 Arik Bird 介绍浏览器智能体如何访问位于登录和反爬机制之后、没有 API 的重要金融数据，并以三个案例说明：Ramp 大规模获取收据（节省逾 3 万人工小时）、Bill 用单一智能体在数千个不同供应商门户上完成付款、Stripe 自动化 KYC 核查。内容还包括 Browserbase 为在云端稳定运行而分叉 Chromium，以及 Stagehand 的 act、extract、observe 原语如何在网站变化时保持自动化不失效。
-
23进阶博客发布 10-19
用昨天的网页回测你的智能体——Ryan Ahern，Exa
Backtest Your Agent Against Yesterday's Web — Ryan Ahern, Exa
这是 Exa 的 Ryan Ahern 的实操演讲录像，演示如何用带版本控制的搜索按过去某一天的日期查看当时的网页，并据此把智能体的预测与后来实际发生的情况对照回测。动手示例以高管变动等信号预测公司收购，并讨论如何在不泄露未来信息的前提下调参，章节涵盖搜索基准、网页版本化、避免前视偏差、回测与调优、实操演示以及结果与过拟合。
-
25深入博客发布 10-23
一家银行训练了自己的基础模型来识别欺诈——Freddy Lecue，富国银行
A Bank Trained Its Own Foundation Model to Catch Fraud — Freddy Lecue, Wells Fargo
富国银行的 Freddy Lecue 介绍该行如何用数十亿客户交易数据（而非文本）从零预训练自有 transformer 模型，通过预测下一笔交易学习表示，再针对欺诈检测、信用额度、反洗钱和营销等任务微调。内容涵盖把金额、时间、商户、邮编等表格数据转化为 token 的难点，以及模型规模、训练设置和欺诈检测结果。
-
26深入博客发布 10-13
从往来看交易：Somya Rai 与 MD Sharique，EXL
Judge a Transaction by the Company It Keeps — Somya Rai & MD Sharique, EXL
这是一个 YouTube 演讲，介绍 EXL 的欺诈检测系统：在现有 XGBoost 分类器基础上加入图嵌入，目标是固定的分析师告警预算下提升精确度。演讲者讲解了邻域信号、采样与图构建、GraphSAGE 的聚合方式（均值、最大值与标准差）、归因解释和在线服务设计（缓存表征使缓存占用从约 60 GB 降至 2–3 GB），并报告在相同告警率下检测效果相对提升 27%–33%。
-
27深入博客发布 07-16
探索用于 Meta 广告深度漏斗优化的层级化兴趣表示
Exploring Hierarchical Interest Representation For Meta Ads Deep Funnel Optimization
Meta 工程博客介绍其在广告领域研究的“层级化兴趣表示”，即位于广告实体（用户、广告主、产品、服务）之上的上游表示层，学习连接用户推断兴趣与广告主供给的统一嵌入。其技术包括自研的基于 transformer 的图学习、偏置感知注意力和自监督跨视图蒸馏，并结合经 LLM 处理的多模态广告主与产品内容；输出通用嵌入和 Bag-of-Meaning 兴趣 token，基于 Meta 真实广告数据在数十亿级交互规模上端到端训练。