华为“私人教练”如何更精准感知消费者意图( 二 ) 万物互联时代

鸿蒙生态的软总线技术恰好能够很好地解决这个问题，软总线的目标是无限逼近硬总线的能力，其工作原理中很重要的一点是要有软时钟。软时钟的工作原理是当工作设备组成一个超级终端，就从最强的设备的晶振上去捕获时钟信号，一旦时钟信号捕获，后续所有业务处理的时钟将以软时钟为准。当前，软时钟的精度已经可以做到误差小于1毫秒，王成录表示， HarmonyOS3.0的Beta版本目标是做到500微秒，这样的精度已经能完全满足传感器信号同步的需求。
第二个核心技术点是多模态数据的标注。数据标注一直是AI样本数据方向很大的挑战，为此，华为提出了一个创新性的互助标注方法，在时钟同步和时间对齐的基础上，有标注模态的数据对无标注模态的数据进行自动标注。通过这样的方式，随着传感设备越多，标注的设备越多，关联的模态会越来越多，自动标注的效率也会大幅度提升。
第三个核心技术点则与小样本实时训练模型有关。相比偏传统的大规模语义训练，传感信号的样本数据很少，其次，传感器不够稳定，无法保障超级终端里面任何一个设备永远在线永远稳定，一旦发生波动就会对模型带来较大的影响。因此，端侧不能用现有的传统AI模型来做训练，华为专门为此研发出端侧的小样本实时训练模型，以解决小样本数据波动和不稳定带来的冲击性问题。
该模型的核心算法是稀疏编码，它是一种无监督学习算法，核心在于找到一个完备的基础向量机，向量信号进来以后利用基础向量机的线性组合来表征输入信号。这种算法可以非常有效地避免由数据不稳定、样本空间不稳定带来的模型波动问题。如果要在端侧用小样本做实时训练，这项技术是必不可少的。
另外，样本规模在训练过程中有可能会无限变大，因为它是在端侧做训练，硬件资源自然会被越占越多，这样一来其他应用就无法运行，所以华为也研发了一个自适应的部署技术。简单来讲，自适应部署可以限制训练模型消耗的硬件资源，当模型变大之后自动进行裁剪调整，保证模型在限定的硬件资源内完成训练和部署。
3万物互联的统一入口
有了上述技术组合，传感器的联邦数据就能实时、准确地捕获消费者的意图，而下一步就是要根据意图去找对应的服务，把匹配的动作都交由机器解决，而不是像今天这样由消费者主动去查找、下载和安装各种应用软件。这里面要做的是不断增强隐式向量化意图，从海量服务和应用里找到数十个候选集，再加上显式结构化的意图，对候选集做进一步筛选和逻辑组装，就可以做到对消费者意图的精准反馈。

文章图片

文章图片
实际上， HarmonyOS2的“小艺建议”背后便是用了上述这些技术。王成录指出，当前“小艺建议”的使用率已经很高，也正是因为小艺能够深入理解用户意图，并根据用户的时间、地点、场景把可能需要的服务都放到小艺建议里。这样一来，用户主动搜索的频率就越来越低。
【华为“私人教练”如何更精准感知消费者意图】“像‘小艺建议’这样的服务若继续坚持下去，有希望打造一个将来面向万物互联的人机交互的统一入口，通过小艺就可以屏蔽各种各样的硬件差异。”也就是说，在这个过程里，用户不需要在意自己是在跟哪个设备或服务交互，而只需要与小艺这个入口做交互，与此同时由于小艺的智能化，设备本身也在判断用户的意图。王成录将小艺称作“未来万物互联统一的交互入口” 。