by 西瓜 2017-01-26
我厂还是个非常小的团队，十几个人。最近想再扩充几个人，和每一个候选人，我都要解释一遍我们在招聘的时候其实没有“职位”，而是要总结一个“角色”。所以在这里把这个事再细说说。
文因互联的文化，一言以蔽之，就是“文因的互联”，也就是在每个人的知识的开放和互联中，保证组织的可演进性。我们常说，最好的事物都是总结出来的，不是计划出来的。我们要做的事情（金融的智能化），是一件很难的事情，是没有任何成功的先例可以抄的，所以只有通过反复的、科学的实验，千锤百炼之下，或有可能找到一个合理的执行路径。倘若没有这种快速演进的能力，是无法走向那个彼岸的。也许这不是一个普适的组织方式吧，但具体到这件事、这群人，可演进性确是第一重要的。
by 西瓜 2017-01-26
1）回国一年半。同期认识的，开始创业的，大部分都已经失败了。最常见的原因是团队结构、股权比例，其次是投资人和团队的矛盾，其次是产品和市场匹配点找不到，其次是创始人不想干了。都是优秀的人，远超一般的创业者的起点了，也一样九死一生。创业失败，贴标签很容易，比如说“不重视市场”，“不接地气”，还有我上面说的几条。这种标签很廉价，嘴皮一翻就有，没有任何实际意义。就和婚姻一样，创业的过程是异常复杂的，没有简简单单的成功，也没有脸谱化的失败。
by 鲍捷 2017-01-17
代码是写给人读的，只是偶尔被机器执行。{
代码体现的是人的知识。代码的管理本质上是一种知识管理。
程序猿也是裸猿，继承了裸猿在认知和通讯能力上的一切先天弱点。这些弱点需要通过一些可重复的知识管理best practices来约束。结对，敏捷，用户故事，模块化，风格统一，代码演讲会，都是知识管理的方法。
}
不止一个人说，文因互联像一个大学校。
1）文因互联的访客，往往惊讶于公司的书之多，不仅一面墙的大书架摆满了，沿着墙一圈十来个小书架也摆满了，大多数人的桌子上也摆满了书。金融、财务、经济、企业管理、运营、产品、设计、工程、人工智能、历史、政治、科幻、科普、文学……各种门类的书。
2）每周，每个团队都会有一次学习讨论会。技术团队的“文因学堂”，学习各种和人工智能有关的话题。产品团队最近在加紧学习金融，除了看书、上公开课，还看电影，体会金融众生心态。商务团队也每周分享客户维护、运营、文案等诸多问题的经验心得。我们定期会请外部顾问，包括硅谷的专家来做技能提升培训。对外，还有智能金融沙龙，已经办了二十多期了。
在文因互联2017年1月7日举办的第21期智能金融沙龙中，我们邀请到了北京知珠传媒科技有限公司创始人CEO郝庆一，和大家分享面对海量数据和信息，如何通过可视化寻找早期投研机会，洞悉金融资本的背后决策逻辑。下面是分享的现场实录，以供业界人士共同探讨。
我们从2016年开始做可视化在投研中的应用，其实也经过两三年的摸索和思考，但都是很浅的。所以今天在文因互联举办的智能金融沙龙上，我把我们思考成熟的一些东西，甚至思考不成熟的都拿出来分享一下，抛砖引玉，和大家一起探索更多的可能性。
这次主要从三个方面来聊，
业余军事家谈战略，真正的军事家谈后勤。“正确”的战略一文不值，有人执行的战略才谈得上是战略。大多数事情是卡在人上，不是卡在战略上。创业更是如此，最重要的不为外人道的，就是人事和后勤。要有坚强的内核，就要有源源不断往前线输送的辎重。
构架如治军，要紧是后勤。后勤最不可见，要日积月累。表面看到的快，看到的精益，都是后勤扎实后的结果。
Mike Dean是我在BBN的导师。回国后一直没有联系，最近才知悉他已经去世了。Mike是语义网的大师级专家，曾经是DAML项目参与人，OWL语言的作者之一，长期在BBN主持语义研究。他对语义网的架构、语言、应用有深刻过人的理解，尤其在其可用性、实践和工程方面有深厚的经验。2008年到2011年间，我和他在语义维基、本体语言、知识建模与问答系统、语义信息论方面有长期的合作。他的渊博和务实，使我受益良多。像这样的有实战经验的专家，全世界也是不多见的。
Mike是个极为和蔼的人，温文尔雅，耐心而乐于助人。在他的讣告里，还在号召大家为维基媒体基金会（WikiMedia）和万维网基金会（ World Wide Web Foundation）捐款。他是真心把自己的一生奉献给了科学。
可以说Mike是一个高尚的人，一个纯粹的人，一个有益于人类的人。我们今天的生活都得益于他多年前的工作。缅怀Mike，希望他在天堂安息。
本文来自文因互联CEO鲍捷于2017年1月5日在人民大学所做的演讲
摘要：6年前，语义网技术曾经被广泛质疑。笔者当时做过一次题为“语义网：走向下一代杀手级应用”的讲演， 其中展望了未来语义网的“杀手级应用”可能会是什么形态。过去几年，技术发生了巨大的进步，语义网和其他技术融合催生了知识图谱的技术。从2012年到现 在，得到公认的杀手级，如Siri, Watson， Palantir， Kensho等不断涌现。到底是哪些因素使语义网技术走出了低谷？ 外部环境发生了什么样的变迁使杀手级应用成为可能？ 为什么巨头会从对知识工程的方法质疑走向热情拥抱？ 本次讲座中我们一起复盘语义网/知识图谱绝地反击的漂亮过程， 并展望在Web下半场的25年中，会有哪些更加梦幻的杀手级应用。
下载： http://blog.memect.cn/wp-content/uploads/2017/01/2017-01-05_人民大学.pdf
继续阅读 “这些杀手级应用不太冷——从语义网到知识图谱的回顾”
（好像说的不只是入门了。算是个成长打怪小提纲吧）
任何一个学科，重要的不是静态的知识本身，而是建立知其然（Framework），知其所以然（Rationale），最后到知未然（Insights）。最重要的便是产生insights，因拥有洞察而知关键所在，所以能预测未来的走向，不人云亦云。
知识图谱作为一门学问，绝不是用个图数据库写几条查询，或者用规则写一个表格的提取，就可以称为成功的运用的。和所有的学科一样，都需要长期的艰苦的努力，在充分了解前人成果的基础上，才有可能做出一点点成绩。
知识图谱作为人工智能（AI）的一个分支，和AI的其他分支一样，它的成功运用，都是需要知道它的所长，更需要知道它的所短的。特别是AI各个学派林立，经验主义（机器学习）、连接主义（神经网络）、理性主义（知识工程）、行为主义（机器人）各个方法的优劣，倘若不能有纵览的理解，也难以做正确的技术选型，往往盲目相信或者排斥一种技术。AI是一个极端需要广阔视野的学科。
知识图谱涉及知识提取、表达、存储、检索一系列技术，即使想有小成，也需要几年的功夫探索。如下所列，应该是每个知识图谱从业者都应该了解的一些基本功：
知道Web的发展史，了解为什么互联和开放是知识结构形成最关键的一件事。（我把这个列第一条，是我的偏见——但我认为这是最重要的一个insights）
知道RDF，OWL，SPARQL这些W3C技术堆栈，知道它们的长处和局限。会使用RDF数据库和推理机。
了解一点描述逻辑基础，知道描述逻辑和一阶逻辑的关系。知道模型论，不然完全没法理解RDF和OWL。
了解图灵机和基本的算法复杂性。知道什么是决策问题、可判定性、完备性和一致性、P、NP、NExpTime。
最好再知道一点逻辑程序（Logic Programming），涉猎一点答集程序（Answer Set Programming），知道LP和ASP的一些小工具。这些东西是规则引擎的核心。如果不满足于正则表达式和if-then-else，最好学一点这些。
哦，当然要精通正则表达式。熟悉regex的各种工具。
从正则文法到自动机。不理解自动机很多高效的模式提取算法都理解不了。
熟悉常见的知识库，不必事事重新造轮子，如Freebase, Wikidata, Yago, DBPedia。
熟悉结构化数据建模的基本方法，如ER，面向对象，UML，脑图。
学会使用一些本体编辑器，如Protege。（Palantir就是个价值120亿美元的本体编辑器）
熟悉任何一种关系数据库。会使用存储过程写递归查询。明白什么叫物化视图、传递闭包、推理闭包。
熟悉任何一种图数据库。明白图的局部索引和关系的全局索引的理论和实践性能差异。
熟悉词法分析的基本工具，如分词、词性标注
熟悉句法分析的基本工具，如成分分析、依存文法分析、深层文法分析
熟悉TFIDF、主题模型和分布式表示的基本概念和工具。知道怎么计算两个词的相似度、词和句子的关联度。
知道怎么做命名实体识别。知道一些常用的词表。知道怎么用规则做关系提取。
为了上述的深化，要掌握一些机器学习的基本概念，识别、分类、聚类、预测、回归。掌握一些机器学习工具包的使用。
谨慎地使用一些深度学习方法，最好在是了解了神经网络的局限之后，先玩玩BP。主要是用用LSTM。
了解前人已经建好的各种Lexical数据库，如Wordnet, framenet, BabelNet, PropBank。熟悉一些常用的Corpus。
知道信息检索的基本原理。知道各种结构的索引的代价。
掌握Lucene或者Solr/Elasticsearch的使用。
学会混合使用多种数据库，把结构化数据和非结构化数据放在一起使用。体会数据建模和查询的成本。
学会一些概念原型工具，如Axure和Semantic Mediawiki。快速做MVP。
以上是挂一漏万的一些罗列。知识图谱是交叉性的、实践性的学问，当然不必先蒙头学几年才能来做事。How to get to Carnegie Hall? Practice, Practice, Practice.
所以Just practice。
最后推销一下我在中国中文信息学会《前沿技术讲习班》第三期做的讲座：精益知识图谱方法论 – 文因互联
