最近被問到關於「AI變現的看法」，這個題目很大，要簡單回答並不容易，無所謂，就來試著討論一下。

這篇想要談一下我對於知識型網紅的看法，不過寫這個主題感覺好像有點艱難，好像我比他們更會一樣，沒有這回事。

我想，知識型網紅的出現，無非是讓人感覺在茫茫資訊海裡面找到一條康莊大道，走在人多的路上準沒錯吧，而領頭的就是這些知識型網紅，這種知識型網紅知道的內容，可能是你本來不知道的，可是同樣地，也有一些人走在另一條大道上，並且覺得你走的那條路一點知識也沒有，不過知識型網紅的出現也讓所謂的粉絲得以在發表意見時由別人來扛責任，這也是好處之一，如果大家願意為所說的每一句話負責任，臉書就不會紅了（笑）。另外一種是，他知道的事情你也有相同的見解，只是你沒有說出來、你不擅長表…

本文摘自《大數據的獲利模式》，經濟新潮社2013年出版，第134至138頁，作者城田真琴，譯者鐘慧真、梁世英。

以巨量資料為核心競爭力的日本企業中首先要介紹的，是僅次於美國Caterpillar Inc.的世界第二大建築機械製造商小松製作所，早在「巨量資料」這個名詞尚未成形前，小松就已經開始致力於現今所稱之巨量資料的運用而收到顯著成效，如果說「日本巨量資料運用的原點就在小松」也不為過。尤其是利用GPS和感測器資料之巨量資料運用的精髓均濃縮在小松的例子裡，特別值得製造業參考。

推薦系統（recommender systems）就是決定要對某個使用者展示哪些物品的系統。注意，有些推薦系統可能只推薦熱門物品，那麼不論使用者的偏好為何，大家看到的都是相同的推薦列表，然而本文著重的是「個性化」的推薦系統，也就是使用者會因為偏好不同而看到不同的推薦。

推薦系統的基本類型

這篇要談抽樣（sampling），在談之前，先說為什麼要抽樣而不直接對母體做普查（census）？原因有許多，例如：

• 錢不夠
• 沒時間（想瞭解今年的情況，但普查完已過了一年⋯⋯）
• 調查會造成樣本損壞（例如測試某產品的耐用極限）

也許還有其他未涵蓋的原因，總之所以我們要抽樣，那抽樣該怎麼做？