【今日新闻】11.22
今日头条
最受欢迎图数据库 Neo4j 宣布企业版彻底闭源
近日，广受欢迎的图数据库 Neo4j 产品副总裁 Philip Rathle 宣布，从 Neo4j 3.5 版本开始，企业版将仅在商业许可下提供，不再在 GitHub 上提供源代码。
Neo4j 由 Neo4j, Inc 开发的图形数据库管理系统，是 NoSQL 的代表之一，它是一个嵌入式、基于磁盘的、支持完整事务的 Java 持久化引擎，它在图像中而不是表中存储数据。Neo4j 提供了大规模可扩展性，在一台机器上可以处理数十亿节点 / 关系 / 属性的图像，可以扩展到多台机器并行运行。根据 DB-Engines 排名，Neo4j 是目前最受欢迎的图数据库，并且在所有数据库中排名第 22 位，它可以说是目前使用最广、用户最多、商业化最好的图数据库。
此次调整，意味着 Neo4j 选择了转向更为常见的 open core 许可模式。Neo4j 平台的核心 —— Neo4j 社区版，将继续在 GPLv3 许可下开源。Neo4j 企业版，原来也有大部分的源代码以 AGPLv3 许可开源（今年 5 月份有变更为 AGPLv3 + Commons Clause 双重许可），从 Neo4j 3.5 GA 版本开始，仅用于企业版的代码将不再开源。
业界新闻
Facebook 用机器学习自动选择测试策略
为了开发新产品特性并且及时更新，我们使用基于主干的开发模型来更改代码库。一旦工程师的代码改动被主分支（主干）接受，我们就尽量让这些改动对其他从事该产品或服务开发工作的工程师快速可见。这种基于主干的开发模型比使用特性分支和特性合并的方法更有效，因为每个人接触的都是代码库的最新版本。重要的一点是，在被接受到主干之前需要对每个提出的改动进行彻底的回归测试。每个代码改动在从主干部署到生产环境之前都经过了彻底的测试，但是允许回归到主干会使评估新的代码改动更加困难，并且会影响工程师的生产效率。
我们开发了一种更好的方法来执行这项回归测试。我们开发了一个使用机器学习方法来创建概率模型的新系统，用于为特定的代码改动选择适合的回归测试。此方法只需要运行一小部分测试，就能有效地检测出错误的改动。与典型的回归测试选择（RTS）工具不同，该系统通过从大量历史代码变动和测试结果数据集中学习，自动得出测试选择策略。
这个预测性测试选择系统已经在 Facebook 上部署了一年多，使我们能够在主干代码对其他工程师可见之前，确定超过 99.9% 的回归问题，同时只需要运行与改动代码相关的所有测试中的三分之一。这让我们的测试设施的效率提高了一倍。
微软专家：我们要使用人工智能构建人机接口，
代替鼠标和键盘
人工智能帮助我们构建基于说和写的人机接口，而不是使用键盘或鼠标；它让人保持人性。最大的挑战是找到方法告诉系统哪些答案令人不满意，以帮助它们学习，记录和保留的数据要保持透明，并确保训练数据的多样性和包容性，以防止人工智能系统的偏见。
在2018 年柏林 Codemotion 大会上，微软高级项目经理Christian Heilmann谈了使用人工智能构建人机接口。InfoQ 正以 Q&A、概述和文章的形式对此次大会进行追踪报道。
Heilmann 认为，我们已经越来越习惯把电脑作为我们生活的一部分。我们可能是将电脑视为连接到屏幕的键盘的最后一代人了。与总是待在那里的计算机交谈正成为一种常态——无论好坏。
Heilmann 指出，使用人工智能的方法创建接口使我们可以做人类所做的事——说话、写作和表达情感——我们创造出了恰当有用的工具，而又无需学习它们。为了使我们的接口更人性化，我们需要在我们积累的数据和我们得到的传感器读数中添加人类可以理解的信息。
人工智能的一大问题是夸大其词，给我们承诺了完美的科幻一般的接口。Heilmann 认为，如果 Siri 或 Cortana 听不懂你的话，你感觉更多的会是失望，而不是通过表单在数据集中找不到结果。我们向最终用户提供人机接口，因此，我们需要确保我们的代码和训练模型允许人为的随机性和错误。
亚马逊 Rekognition 发布针对人脸检测、
分析和识别功能的多项更新
今天亚马逊 Rekognition 针对人脸检测、分析和识别功能推出了一系列更新。这些更新将为用户带来多项能力的改今，包括从图像中检测出更多人脸、执行更高精度的人脸匹配以及获得图像中的人脸得到更准确的年龄、性别和情感属性。Amazon Rekognition的客户可以从今天开始使用这些增强版功能，无需额外付费，也不需要具备任何机器学习经验。
“人脸检测”试图回答这样一个问题：这张照片中有人脸吗？在现实世界的照片中，很多因素都会对系统是否能够准确地检测人脸产生影响。这些因素可能包括由头部运动和 / 或相机运动引起的姿势变化，由于前景或背景物体造成的遮挡（例如被前景中另一个人的帽子、头发或手挡住了脸），照明变化（例如低对比度和阴影），光线太亮导致脸部变暗，低质量和低分辨率导致脸部模糊，以及相机和镜头本身的失真。这些问题将表现为漏检（有人脸但检测不出来）或误检（即使没有人脸也会将某一块图像区域检测为人脸）。例如，在社交媒体上，不同的姿势、相机滤镜、灯光和遮挡（例如照片上的图标）都非常常见。对于金融服务行业，作为多因素认证和防欺诈工作流程的一部分，验证客户身份需要将高分辨率自拍（脸部图像）与身份证件（如护照或驾驶执照）上的低分辨率、小且模糊的脸部图像相匹配。此外，许多客户必须从强光下拍出的照片中检测和识别低对比度的人脸。
基于最新的更新，Amazon Rekognition 现在可以将上述极具挑战性场景的图像的人脸检测能力提升 40％以上——在这些场景下很多图像中的人脸都是检测不出来的。同时，错误检测率也降低了 50％。这意味着社交媒体应用等客户可以获得更加一致且可靠的检测能力（更少漏检，更少误检），从而使他们能够在个人资料照片自动审查等使用场景中提供更好的用户体验。此外，与我们之前的模型相比，人脸识别现在从大规模人脸数据集中返回正确的“最佳”匹配（最相似的面部）的能力提升了 30％。这使客户能够在防欺诈等应用中得到更好的搜索结果。面部匹配现在在不同的光照、姿势和外观上也具有更一致的相似性得分，从而使客户可以使用更高置信度阈值，避免错误匹配，并减少身份验证等应用中的人工审核。与往常一样，对于涉及公民自由或客户情绪的使用场景，如果匹配的准确性至关重要，我们建议客户使用最佳实践，采用更高的置信度（至少 99％），并始终进行人工审核。