麦当劳

麦当劳(McDonald's)是全球大型跨国连锁餐厅,1955年创立于美国芝加哥   ,在世界上大约拥有3万间分店。主要售卖汉堡包,以及薯条、炸鸡、汽水、冰品、沙拉、水果等快餐食品。麦当劳餐厅在中国大陆早期译名是“麦克唐纳快餐”,直到后期才统一采用现今的港式译名。而在民间,因为麦当劳和“牡丹楼”的音近,牡丹楼也被当作是麦当劳的一个昵称,但并不普遍。麦当劳遍布全球六大洲119个国家,拥有约32000间分店,在很多国家代表着一种美式生活方式。由于是首间和最大跨国快餐连锁企业,麦当劳已是公众讨论关于食物导致肥胖,公司道德和消费责任焦点所代表的快餐文化,被指责影响公众健康,例如高热量导致肥胖,以及缺乏足够均衡营养等。很多人抨击其为垃圾食品。法国以本国饮食文化为荣,很多人敌视麦当劳,视它为美国生活方式入侵代表。在美国,每个高速公路出口附近就有一家麦当劳分店。此外更提供无线上网服务。麦当劳开心乐园餐免费赠送玩具,如迪士尼电影人物玩偶,对儿童颇具吸引力。2017年8月23日,麦当劳宣布要求全球的肉鸡供应商2018年开始逐步停止使用人类抗生素,以防止出现更多的超级细菌。 [2]  2018年12月18日,世界品牌实验室编制的《2018世界品牌500强》揭晓,麦当劳排名第10位。 [3]  2019年10月,Interbrand发布的全球品牌百强排名第九位。 [4] 


推荐文章

上海临港人工智能开发者大会开幕,第二批19个人工智能试点应用场景落地

针对市民高品质生活版块,推出试点:上海交通大学医学附属上海儿童医学中心、上海交通大学医学附属瑞金医院、徐汇区卫生事业管理发展中心、上海体育学院中国乒乓球学院、上海大学、上海市黄浦区卢湾一中心小学、上海博物馆、上海文化广播影视集团有限公司。第二批19个人工智能试点应用场景主要聚焦AI+医疗、教育、城市管理和产业发展,覆盖面更广、带动性更强,突出破解痛点问题,面向经济高质量发展、市民高品质生活、城市高效效率运行三个板块,实现AI在一二三产业全覆盖。

机器之心 2019-12-06 15:53:00


重磅来袭 | NeurIPS 2019 联邦学习国际研讨会&WeBank AI Night

大咖云集,共话联邦学习与AI未来值得一提的是,此次研讨会汇聚了众多学术大咖,八位特邀嘉宾将在现场发表联邦学习主题报告:微众银行首席人工智能官、第四范式联合创始人、香港科技大学讲席教授杨强,谷歌语音识别技术研发带头人FrancoiseBeaufays及谷歌研究院研究员DanielRamage,网络安全领域著名专家、加州大学伯克利分校教授DawnSong及助理教授RalucaAdaPopa,阿姆斯特丹大大学机器学习首席教授、高通技术副总裁MaxWelling,卡耐基梅隆大学助理教授AmeetTalwalkar,中国科学院计算技术研究所泛在计算系统研究中心主任陈益强教授。

机器之心 2019-12-06 15:22:00


这场「云+AI」的牌局,巨头如何「各自坐定」

对比来看,金山云的云+AI融合,可认为是从商用落地出发的“从上至下”—以云服务为主体,在其框架下提供一系列支持具体问题解决的AI能力。2、AI的进化模式是“随军前行”,而不是“重金突围”客观地说,虽然侧重商用落地,但金山云也建立了一套完备的底层AI能力体系,例如IaaS层面推出了面向AI领域的高端GPU云服务器——V100,PaaS层面的深度学习平台KDL曾被IDC评为国内最早商用落地的平台,SaaaS层面包括了上述“金睛”等明显产品。

机器之心 2019-12-06 15:13:00


爱奇艺个性化推荐排序实践

i.DNN模型a)使用全连接网络,共三个隐藏层b)隐藏节点数目分别为1024,512和256c)预训练好的用户和视频的Embedding向量,包含基于用户行为以及基于语义内容的两种Embeddingd)DNN能从具有良好数学分布的特征中抽取深层信息,比如embedding特征,归一化后统计特征等等e)虽然DNN并不要求特征必须归一化,不过测试发现有些特征因为outlier的波动范围过大,会导致DNN效果下降ii.GBDT模型a)单独进行训练,输入包含归一化和未归一化的稠密特征b)能处理未归一化的连续和离散特征c)能根据熵增益自动对输入特征进行离散和组合iii.  FM融合层a)FM模型与DNN模型作为同一个网络同时训练b)将DNN特征,GBDT输出和稀疏特征进行融合并交叉iv.使用分布式的TensorFlow进行训练v.使用基于TensorFlowServing的微服务进行在线预测DNN+GBDT+FM的ensemble模型使用的是Adam优化器。PNN相当于在DNN层做了特征交叉,我们的做法是把特征交叉交给FM去做,DNN专注于深层信息的提取Google于2016年推出WideAndDeepModel,这个也是我们当前模型的基础,在此基础上使用FM替换了CrossFeatureLR,简化了计算复杂度,提高交叉的泛化能力阿里今年使用attention机制推出了DeepInterestNetwork进行商品点击率预估,优化embedding向量的准确性,值得借鉴5.总结推荐系统的排序是一个经典的机器学习场景,对于推荐结果影响也十分重大,除了对模型算法的精益求精之外,更需要对业务的特征,工程的架构,数据处理的细节和pipeline的流程进行仔细推敲和深入的优化。推荐系统的整体结构如图所示,各个模块的作用如下:用户画像:包含用户的人群属性、历史行为、兴趣内容和偏好倾向等多维度的分析,是个性化的基石特征工程:包含了了视频的类别属性,内容分析,人群偏好和统计特征等全方位的描绘和度量,是视频内容和质量分析的基础召回算法:包含了多个通道的召回模型,比如协同过滤,主题模型,内容召回和SNS等通道,能够从视频库中选出多样性的偏好内容排序模型:对多个召回通道的内容进行同一个打分排序,选出最优的少量结果除了这些之外推荐系统还兼顾了推荐结果的多样性,新鲜度,逼格和惊喜度等多个维度,更能够满足用户多样性的需求

机器之心 2019-12-06 15:11:00


5分钟带你看懂GCanvas渲染引擎的演进

帧率优化除了调用链路对帧率的提升,单帧绘制的CPU和GPU耗时相关的优化点顶点数据计算,顶点数据合并提交优化缓存策略,优化文字相关纹理的缓存增加状态管理,减少GPU提交数据和频次优化多边形填充效率抗锯齿等耗时特性可选w3c标准完善支持阴影支持虚线支持多Clip区域嵌套支持WindingRule支持扩展能力,扩展一些非标接口支持Sketch渲染,阴影的扩散路径的图案填充路径的高斯模糊路径的内描边和外描描边底层图形API升级在iOS12之后,苹果将OpenGLESAPI设为废弃,在已支持的设备上OpenGLES的调用都已映射到Metal相应的后端实现,Metal替换OpenGL势在必行。

机器之心 2019-12-06 15:02:00