Apache Spark技术团队所成立的新创Databricks正式推出Model Serving，这是一项无伺服器机器学习模型服务，透过将模型部署在湖边小屋（Lakehouse）就近整合资料，用户可以利用REST API存取模型，以快速建构包括个人化建议、聊天机器人和诈骗侦测等即时机器学习应用程式。

不少企业希望在应用程式添加机器学习技术，提供创新服务，但Databricks提到，即时机器学习系统需要快速可扩展的服务基础架构，不只需要专家知识建立和维护，也需要进行监控、自动部署和模型再训练等工作，这对企业来说是一大挑战。

透过API提供机器学习服务则有助克服此挑战，Databricks模型服务将模型部署於资料和训练基础设施旁，以进一步简化用户在机器学习生命周期管理工作。模型服务建构在Databricks湖边小屋服务之上，使资料和人工智慧整合至同平台，提供一个无伺服器解决方案，供企业以整合工具的方式添加机器学习技术，加速创新应用开发。

用户不需要考虑底层，由Databricks处理基础设施的可扩展性，以及版本相容性和程式修补，且模型服务能够原生与各种服务整合，用户在单一平台就能管理资料撷取、训练、部署和监控整个机器学习工作流程，掌握模型生命周期整体情况。

模型服务整合Databricks特徵商店，而特徵商店是一个方便查询和共享特徵的集中式储存库，用户可在训练期间定义一次特徵，之後便由Databricks自动撷取并联合相关特徵，以完成推论工作负载。Databricks模型服务还整合MLflow自动部署模型，用户只要提供模型，MLflow便能自动准备容器，并将其部署成无伺服器服务。…

Appier

重点新闻(1218~1231)

#CDP #顾客行为预测 #No Code工具 #视觉化分析 #Cookie同意管理

Appier推出CDP，主打No code进行AI顾客行为预测及视觉化分析

10月收购美国视觉化分析业者Woopra後，台湾AI行销科技商Appier结合Woopra No code视觉化分析技术与自家顾客资料科学平台Aixon功能，推出新CDPAiris。此产品支援英文、日文、韩文和繁体中文四种语系。

Airis主打行销人员能用No code介面来操作AI模型进行顾客行为预测。没有IT背景的行销人员只要透过输入行销需求，Airis便会自动设定好AI模型参数，来提供顾客行为预测，不需要AI科学家团队或资料工程师来调校复杂的AI模型特徵值及参数。如此一来，行销人员可以省下与资料工程师沟通商业逻辑的成本。

Airis还采用了Woopra的分析技术与视觉化介面，使行销人员能从顾客资料库中自行定义顾客属性，并从时间轴、受众群、转换率、流失率等不同参数来交叉分析，快速生成各式报表。Appier一直以来都相当重视行销人员自主使用No code工具来进行视觉化数据分析，例如Appier个人化行销平台Aiqua上就有拖拉式生成报表功能。

另一项值得注意的功能是，为了因应隐私权抬头及未来第三方Cookie退场，Airis也有管理顾客Cookie同意声明（CMP, Cookie Consent Management）的功能。

#App广告 #DMA #第三方App市集 #iOS

苹果要允许iOS上有第三方App市集，更允许使用者侧载App

由於欧洲数位市场法（DMA）要求，苹果将於欧洲市场开放iOS有第三方App市集，且使用者将能不透过App市集自行侧载App。这意味着苹果对iOS App的广告市场掌控度会降低。

自从iOS 14.5隐私权条款上线後，App广告商接触iOS用户的管道就被大幅限缩。App开发商若想在iOS装置打广告，不得不屈就於苹果广告体系。同时，苹果也积极推动自家广告业务，包括打造大型DSP以及增设官方App市集App Store的广告版位。

当App Store不再是唯一上架App到iOS的管道，可以想像大量App开发商逃离──带着他们原本在App Store打广告的预算。不只因为有更多广告体系可以选择，也因为App Store上架费用远高於直接竞争者Google Play Store，而且苹果还会对App内消费抽取高达30%的分润。

过去，苹果一直以隐私权为由拒绝开放第三方市集和侧载，不过若欧洲市场实行後没有出现大问题，恐怕苹果也无法再以相同理由守住其他市场的App Store，以及App Store广告独占地位。…

OpenAI发表最新文字生成3D模型的人工智慧模型Point-E，研究人员提到，虽然Point-E模型所产生的3D模型品质，还未达最先进的水准，但是因为Point-E的样本生成速度快了其他方法一到两个量级，因此在部分用例可供使用者权衡使用。

目前文字生成图像模型爆炸性成长，先进的模型在数秒中内，就能够根据自然语言描述，快速生成高品质图像，这和目前3D模型生成发展，产生极大的对比，而由於3D生成的使用案例很广，可被用於虚拟实境、游戏和工业设计等，因此发展文字生成3D模型技术，对於普及3D内容创作有很大的发展潜力。

研究人员提到，目前使用文字产生3D合成模型的方法主要有两种，其一是直接使用文字和模型的资料对，或是未标记的3D资料训练模型，虽然这些模型可以利用现有的生成建模方法，有效地生成样本，但因为目前缺乏大规模3D资料集，因此很难广展其多样性和复杂文字提示。

另一种方法则是利用预训练文字图像模型，以最佳化可微分3D表示的方法，研究人员解释，这些方法通常能够处理复杂多样的文字提示，但需要更昂贵的最佳化过程才能生成每个样本。OpenAI的Point-E的目标则是结合文字到图像模型，以及图像到3D模型技术，来总和两种方法的优点。

文字到图像模型利用大量文字、图像对语料库，使Point-E能够遵循多样且复杂的提示，而图像到3D模型，则是在较小的图像、3D对资料集训练。因此Point-E从文字提示生成3D物件，首先是使用文字生成图像模型进行采样，然後将采样图像作为条件生成3D物件样本，这两个步骤可以在数秒钟内完成模型点云，不需要昂贵的最佳化程序。

研究人员最後使用回归方法，从点云生成网格，Point-E整个过程只要一到两分钟，就可以在单个GPU上生成3D模型，虽然目前Point-E所产生的模型品质较差，但在部分需要短回应时间的用例上，Point-E为一个权衡的方法。目前OpenAI已经在GitHub上发布预训练模型，以及评估程式码和模型。…