The learning machine
成都创新互联主要从事做网站、网站制作、网页设计、企业做网站、公司建网站等业务。立足成都服务将乐,十年网站建设经验,价格优惠、服务专业,欢迎来电咨询建站服务:18982081108
学习机器
The online commercial empire rests on a low-key approach to artificial intelligence
这家互联网商业帝国在人工智能的发展上选择了一条低调的路
Amazon’s six-page memos are famous. Executives must write one every year, laying out their business plan. Less well known is that these missives must always answer one question in particular: how are you planning to use machine learning? Responses like “not much” are, according to Amazon managers, discouraged.
亚马逊的六页备忘录十分出名，执行官们每年必须按要求写一页，详细阐述自己未来的商业计划。但不太出名的一点是，每一封信函必须回答一个具体的问题：你打算怎么利用机器学习？如果你的回答是“没什么可说的”，根据亚马逊管理层的说法，这种答案是不允许出现的。
Machine learning is a form of artificial intelligence (ai) which mines data for patterns that can be used to make predictions. It took root at Amazon in 1999 when Jeff Wilke joined the firm. Mr Wilke, who today is second-in-command to Jeff Bezos, set up a team of scientists to study Amazon’s internal processes in order to improve their efficiency. He wove his boffins into business units, turning a cycle of self-assessment and improvement into the default pattern. Soon the cycle involved machine- learning algorithms; the first one recommended books that customers might like. As Mr Bezos’s ambitions grew, so did the importance of automated insights.
机器学习是人工智能的一种实现途径，它主要包括特定类型的数据挖掘，主要目的是对未来趋势进行预测。1999年当杰夫·维尔克（Jeff Wilke）加入公司的时候，这一想法就开始落地了。维尔克先生是亚马逊公司的第二把交椅，他组建了一个人工智能专家组，主要负责亚马逊内部工作流程的研究，目的在于提高员工的工作效率。他将科学家们安排在各企事业部门，将不断循环的自我评价和提高过程固定为一个默认模式，很快这个循环就加入了算法；第一代算法可以向顾客推荐他们喜欢的图书。随着贝佐斯先生的野心越来越膨胀，这种全自动的算法推荐模式也显得越来越重要。
Yet whereas its fellow tech titans flaunt
其他科技巨头有什么可炫耀的
their ai prowess at every opportunity—Facebook’s facial-recognition software, Apple’s Siri digital assistant or Alphabet’s self- driving cars and master go player—Amazon has adopted a lower-key approach to machine learning. Yes, its Alexa competes with Siri and the company offers predictive services in its cloud. But the algorithms most critical to the company’s success are those it uses to constantly streamline its own operations. The feedback loop looks the same as in its consumer-facing ai: build a service, attract customers, gather data, and let computers learn from these data, all at a scale that human labor could not emulate.
科技巨头们抓住一切机会展现自己在AI方面的实力：脸书推出了面部识别软件，苹果拥有语音助手Siri，谷歌推出了无人驾驶和阿尔法Go。和这些公司相比，亚马逊在机器学习上选择了一条低调的路。Alexa（亚历克斯）是亚马逊公司推出的一项人工智能服务，它的主要竞争对手是苹果的Siri。依靠Alexa的云平台，亚马逊可以为用户提供预测服务。这款人工智能背后的算法颇具特色，它能够不断将自己的操作流程精简处理，但这款AI服务的反馈回路和其客户端AI类似：发起一项服务，吸引目标客户，收集用户信息，让计算机学习这些数据，并且处理的数据规模是人力无法企及的。
Mr Porter’s algorithms
波特先生的算法
Consider Amazon’s fulfilment centers. These vast warehouses, more than 100 in North America and 60-odd around the world, are the beating heart of its $207bn online-shopping business. They store and dispatch the goods Amazon sells. Inside one on the outskirts of Seattle, package shuttle along conveyor belts at the speed of a moped. The noise is deafening—and the facility seemingly bereft of humans. Instead, inside a fenced-off area the size of a football field sits thousands of yellow, cuboid shelving units, each six feet (1.8 meters) tall. Amazon calls them pods. Hundreds of robot shuffle these in and out of neat rows, sliding beneath them and dragging them around. Toothpaste, books and socks are stacked in a manner that appears random to a human observer. Through the lens of the algorithms guiding the process, though, it all makes supreme sense.
我们可以了解一下亚马逊的“执行中心”。它们其实是大型的仓库，在北美地区超过100座，还有60多座分布在世界各地。可以说这些仓库就是这家公司强有力的心脏，它们驱动了亚马逊价值2070亿美金的在线购物贸易。这些仓库用于存储和调配货物，亚马逊再把它们卖给顾客。位于西雅图市郊的一座仓库里，传送带以机车的速度传送着包装用品，你很难听到一点儿噪音，并且这些设施基本实现了全自动操作。在围栏围住的一个区域，一块差不多足球场大小的地方存放着一些黄色方块状货架，每一个货架的高度约为1.8米，亚马逊把它们称为“小型货仓”。这些“货仓”们整齐排列成一排，数百个机器人穿梭其中，把它们移出来又移进去。在人类看来，这些货品，比如牙膏，书籍和袜子被随机地放置在货架上，着实让人难以理解。但是在算法的引导下，这一过程又显得极其合理。
Human workers, or “associates” in company vernacular, man stations at gaps in the fence that surrounds this “robot field”. Some pick items out of pods brought to them by a robot; others pack items into empty pods, to be whirred away and stored. Whenever they pick or place an item, they scan the product and the relevant shelf with a bar-code reader, so that the software can keep track.
人类员工，或亚马逊公司所称的“人类伙伴”，主要为机器人提供辅助服务，他们的工作场所位于围栏间的站台处，围栏内部就是所谓的“机器人地带”。机器人不停地搬运小型货仓，有的员工从上面取下货物，有的又把货物放回空的货仓。但无论员工是取出还是放回，他们都会使用条形码仪对商品以及对应的货架进行扫描，这样软件系统就可以记录该商品的运行路径。
The man in charge of developing these algorithms is Brad Porter, Amazon’s chief roboticist. His team is Mr Wilke’s optimization squad for fulfilment centers. Mr Porter pays attention to “pod gaps”, or the amount of time that the human workers have to wait before a robot drags a pod to their station. Fewer and shorter gaps mean less down time for the human worker, faster flow of goods through the warehouse, and ultimately speedier Amazon delivery to your doorstep. Mr Porter’s team is constantly experimenting with new optimizations, but rolls them out with caution. Traffic jams in the robot field can be hellish.
布拉德·波特（Brad Porter）是这些算法背后的主要开发者和管理者，同时也是亚马逊公司的首席机器人科学家。他组建的团队是维尔克先生队伍的优化版本，主要服务对象是执行中心。波特先生主要关注如何缩小小型货仓间的间隙，以及如何减少人类员工在他们站台等待机器人运送货物的时间。对人类员工而言，更少以及更小的间隙意味着更短的装卸时间，更加迅速的货物运输流程，以及更加快捷的配送服务。一直以来，波特先生的团队都在对新型优化策略进行试验，但每一次的推广都十分小心谨慎，因为“机器人地带”的交通堵塞是一个非常严重和可怕的问题。
Amazon Web Services (aws) is the other piece of core infrastructure. It underpins Amazon’s $26bn cloud-computing business, which allows companies to host web- sites and apps without servers of their own.
亚马逊网络服务（AWS）是其核心基础设施的另一个组成部件。它的存在维持了亚马逊价值2600亿美元的云计算业务。利用这一网络系统，公司们可以在没有服务器的基础上开设自己的网站或开发自己的应用程序。
aws’s chief use of machine learning is to forecast demand for computation. Insufficient computing power as internet users flock to a customer’s service can engender error and lost sales as users encounter error pages. “We can’t say we’re out of stock,” says Andy Jassy, aws’s boss. To ensure they never have to, Mr Jassy’s team crunches customer data. Amazon cannot see what is hosted on its servers, but it can monitor how much traffic each of its customers gets, how long the connections last and how solid they are. As in its fulfilment centres, these metadata feed machine- learning models which predict when and where aws is going to see demand.
AWS在机器学习方面的主要用途是预测计算需求。当互联网用户涌入客户端时，计算能力缺乏就会产生很多错误，比如用户进入错误页面，交易只好被迫取消。“我们不能说我们没有存货。”安迪·杰西（Andy Jassy）是AWS的老板，他表示，为了保证这一网络系统永远不出错误，他的团队收集并分析了大量顾客的数据。虽然亚马逊方面无法得知服务器上的内容，但它可以检测到顾客获取了多少流量，他们与服务器间的连接持续了多长时间，以及这一连接的质量如何。在亚马逊公司的执行中心，机器学习模型依靠这些元数据的输入继而运转起来，这些模型的功能主要是预测AWS系统在何时何地有可能产生计算需求。
One of aws’s biggest customers is Amazon itself. And one of the main things other Amazon businesses want is predictions. Demand is so high that aws has designed a new chip, called Inferentia, to handle these tasks. Mr Jassy says that Inferentia will save
Amazon money on all the machine-learning tasks it needs to run in order to keep the lights on, as well as attracting customers to its cloud services. “We believe it can be at least an order-of-magnitude improvement in cost and efficiency,” he says. The algorithms which recognize voices and understand human language in Alexa will be one big beneficiary.
AWS最大的客户之一就是亚马逊自己。同时，亚马逊其他业务对于AWS的需求也集中在它的预测能力这一块。由于计算量巨大，研究者为AWS设计了一款新的芯片来处理这些任务，它被称为Inferentia。杰西先生表示，这款芯片将为亚马逊在机器学习的各类任务上节省不少钱，同时又能吸引更多的客户选择其云服务。杰西先生还表示“Inferentia将给公司的成本效率带来数量级的提升。”能够辨识声音，理解人类语言的Alexa将为其本身的算法发展带来无穷的好处。
The firm’s latest algorithmic venture is Amazon Go, a cashierless grocery. A bank of hundreds of cameras watches shoppers from above, converting visual data into a 3d profile which is used to track hands and arms as they handle a product. The system sees which items shoppers pick up and bills them to their Amazon account when they leave the store. Dilip Kumar, Amazon Go’s boss, stresses that the system is tracking the movements of shoppers’ bodies. It is not using facial recognition to identify them and to link them with their Amazon account, he says. Instead, this is done by swiping a bar code at the door. The system ascribes the subsequent actions of that 3d profile to the swiped Amazon account. It is an ode to machine learning, crunching data from hundreds of cameras to determine what a shopper takes. Try as he might, your correspondent could not fool the system and pilfer an item.
在算法探索方面，这家公司最新成果是亚马逊Go，它是一家不设置收银员的杂货店。店内数百台摄像头无时无刻地从上方监控着顾客行为，并将采集到的视觉数据转换成三维用户信息，这些数据的用途是跟踪顾客在拿取货品时的手臂动作。如此一来，这一算法系统就可以知道顾客拿了哪些商品，并在顾客离店时，把这些商品的账单自动发送到顾客的亚马逊账号中。迪里普·库玛（Dilip Kumar）是负责亚马逊Go项目的老板，他强调这个系统的目的是追踪顾客的身体动作，并没有使用面部识别来辨识顾客信息以连接其亚马逊账户。这个系统就是机器学习的“颂歌”，它从数百台摄像头那里采集信息，从而断定顾客究竟拿了什么。也许你打算偷拿一件商品，但这些摄像头系统可不会被轻易骗到。
Fit for purpose
量体裁衣
ai body-tracking is also popping up inside fulfilment centres. The firm has a pilot project, internally called the “Nike Intent Detection” system, which does for fulfilment- centre associates what Amazon Go does for shoppers: it tracks what they pick and place on shelves. The idea is to get rid of the hand-held bar-code reader. Such manual scanning takes time and is a bother for workers. Ideally they could place items on any shelf they like, while the system watches and keeps track. As ever, the goal is efficiency, maximizing the rate at which products flow. “It feels very natural to the associates,” says Mr Porter.
人工智能动作追踪在执行中心内部也有用武之地。亚马逊公司推出了一项试验计划，在公司内部，它被称为“耐克意图探测“系统，它在执行中心的运转原理和亚马逊Go一样：追踪货物在货架上取出和放回的轨迹。这一想法主要是为了淘汰以前的手握条形码扫描仪，因为这样的录入工作很浪费员工的时间，操作起来也十分麻烦。理想情况是，在系统的监控和追踪下，员工可以把货物放在任何货架上。亚马逊的目标总是提高效率，最大化产品的流通速率，用波特先生的话说，“我们所有人类员工都觉得这一过程十分自然。”
Amazon’s careful approach to data collection has insulated it from some of the scrutiny that Facebook and Google have recently faced from governments. Amazon collects and processes customer data for the sole purpose of improving the experience of its customers. It does not operate in the grey area between satisfying users and customers. The two are often distinct: people get social media or search free of charge because advertisers pay Facebook and Google for access to users. For Amazon, they are mostly one and the same (though it is toying with ad sales). Where regulators do raise concerns is over Amazon’s dominance in its core business of online shopping and cloud computing. This power has been built on machine learning. It shows no signs of waning.
在数据采集方面，亚马逊选择了一天十分谨慎的道路，因此，和脸书以及谷歌相比，政府相关部门对于亚马逊的审查力度要小很多，有些部分甚至可以免除。主要原因在于，亚马逊采集和处理的用户信息仅仅用于提高用户的操作体验，在满足使用者和消费者的需求之间并没有什么灰色地带。数据使用者和制造者（消费者）之间的差异通常很明显：人们能够使用社交媒体或免费的搜索引擎，那是因为广告商通过向谷歌和亚马逊支付广告费，使得他们的广告可以接触到消费者。对亚马逊而言，这两者基本上是同一个人（尽管亚马逊不是很在乎广告收益）。但亚马逊也面临一些监管层面的担忧，比如它在线上购物和云计算这两大商业领域的垄断地位。但这一地位的确立正是建立在强大的机器学习基础上的，没有迹象表明，它们处于衰退之中。
最近一直在准备编程主题的Workshop活动，以及带领小朋友体验有趣的少儿编程课，没有及时更新文章，抱歉抱歉~
最近经常有家长来问我，小孩子学习编程使用什么语言？孩子现在X岁，能不能学习编程？要不要报线上课程班？编程枯燥又难懂，该怎么学?
今天就带着这些问题一起来了解一下“不插电编程”。（文章末尾有干货喔~）
程序不只是密密麻麻的代码
可能大部分家长在听到编程时，第一反应是电脑上显示的密密麻麻的代码，觉得枯燥又难懂或者有些家长知道图形化编程语言——Scratch。
（*注：Scratch是一款由麻省理工学院（MIT）设计开发的图形化少儿编程工具。其特点是：使用者可以不认识英文单词，也可以不会使用键盘。构成程序的命令和参数通过积木形状的模块来实现。用鼠标拖动模块到程序编辑栏就可以了。）
确实，在企业里大多数时候软件系统开发使用的是高级编程语言，诸如Java，Python，C/C++，Golang等，这些都是指令式代码，程序就是这些指令的集合。在少儿编程领域，Scratch是使用最广，最流行的图形化编程语言，特别是即将正式发布的Scratch 3.0使用基于HTML5的页面技术，并支持Pad等移动设备，将会变得更加的精美、易用和方便。如果小孩子学习编程，Scratch是一个不错的选择。
小朋友要不要学编程？
至于小朋友要不要学习编程，我认为小朋友学习编程，应该注重计算机科学知识以及计算思维的培养。编程语言只是一种工具，是一种帮助我们通过计算机实现创意，表达自己的方式。选择一个合适的工具，然后持续不断的学习下去才是最重要的。如果有一种工具或者游戏可以替代学习计算机科学又可以培养计算思维，那么我觉得编程语言就显得并不那么重要了。但如果想要借助计算机实现自己的一些想法和创意，那么学习一门编程语言也是必须的。
在我看来，少儿编程学习更像是一个原点，从这个原点散发出去，涉及计算机科学知识，涉及问题的分析、解决能力，涉及项目中运用到的科学，技术，工程，艺术，数学（STEAM）的跨学科知识才是学习的目的，而编程则是一种很好的学习途径和方式。
我推荐“不插电计算机科学”的原因
因此，我在思考，在学习编程之前，我们应该怎么样让小朋友们对计算机感到不再陌生和神秘？能否用一种开箱学习的方式，教小朋友们了解用来编程的计算机是怎么设计和工作的，原理是什么？如何让小朋友们对那些枯燥和深奥的计算机科学知识产生兴趣并有热情学习下去？这些问题是少儿编程学习时最关键和棘手的。
直到我接触到了”不插电计算机科学”，这是一种通过游戏和活动实践的方式教孩子们学习计算机科学和计算思维。
后来，我把这种学习形式通过工作坊小规模的进行实践，在不使用计算机的情况下，和孩子们一起学习计算机背后的那些看起来深奥又神秘的知识，有趣又很有意义。
A. 什么是不插电计算机科学？
“不插电计算机科学”有时又被称为不插电编程，英文名为Computer Science Unpulgged，简称CS Unplugged，是一种通过各种生动有趣的活动或者游戏来达到学习“计算机科学”的目的的学习方式。
CS Unplugged强调以开放式的学习方式，将计算机科学知识和计算思维融入到有趣的活动中，让孩子不需要使用电脑，就能理解计算机这门学科，培养计算思维。更重要的是，孩子们在游戏的过程中享受到学习的乐趣。
不插电计算机科学着眼于四个方面：
1. 通过游戏活动，理解计算机工作原理和设计思想，高效地使用计算机，并激发新的想法；
2. 通过游戏活动，引出与计算机相关技术的联系，更容易的理解计算机技术；
3. 通过游戏活动，培养计算思维（Computational Thinking)，提高解决问题的能力；
4. 开心地学习。
B. 不插电计算机科学的小例子：
上周我邀请了9位小朋友一起进行编程启蒙学习，向大家介绍什么是程序、指令，什么是编程。通常，程序、指令这种计算机科学专有名词非常抽象和晦涩难懂，不容易理解。通过不插电编程的模式，在课堂上通过一系列实践活动和小游戏向小朋友们介绍程序和编程。
1.现场向小朋友们演示扫地机器人打扫卫生，要求小朋友们观察扫地机器人的行动，并记录；
2.总结扫地机器人的行为。如遇到障碍物，旋转90度；如遇到台阶，后退10步等；
3.思考扫地机器人为什么可以完成这些行为？因为工程师已经为扫地机器人编写好了程序；
4.引出什么是程序，什么是编程；
5.模拟扫地机器人的行为，把扫地动作拆分成N个指令语句；
6.请大家完成扫地机器人工作的简易流程图；
7.请每个小朋友扮演一个指令，一位小朋友扮演工程师，一位小朋友扮演逻辑判断官，完成扫地程序的小游戏。
通过一个简短的小游戏，从身边的事物出发，观察，小结，抽象，分解问题，最后通过游戏实现扫地程序。这个过程教孩子们什么是程序，什么是程序指令。因为篇幅所限，没有把活动的每一个细节描地非常清楚，但从课堂上孩子们的表现来看，这种学习方式非常有效，孩子们非常感兴趣。
豆瓣爸爸的推荐
推荐一 《Computer Science Unplugged》By Dr.Tim Bell（英语+中文繁体，8+）
《Computer Science Unplugged》的作者Tim Bell是来自于新西兰的一位大学教授，他非常热衷于计算机科学教育，被SIGCSE组织授予“计算机科学教育杰出贡献奖”。这本书是Tim Bell和两位中学教师依据实际教学经验组织设计的教学活动集，帮助孩子们提升计算机思维能力，并得到Google的极力推广。
书本总共包含6章，分别从计算机二进制，算法，计算机程序等方面通过21个有趣的游戏活动来帮助理解二进制原理和运用、程序指令、算法运用等计算机科学问题。这本书设计时虽然没有强调年龄的限制，但是我通篇阅读下来，里面的内容很大一部分需要一定的数学基础，因此比较适合8岁以上的小朋友在家长或者老师的陪伴下学习使用。这本书目前已由台湾高校的志愿者们翻译成中文繁体版。
《Computer Science Unplugged》遵循CC BY-NC-SA 3.0协议授权，完全免费。推荐家长们下载阅读，可以一家人和孩子一起玩简单的游戏，让孩子领略计算机科学的魅力。
如果家长们感兴趣，可以联系豆瓣爸爸获取这本书的原版电子书和中文繁体版电子书。
推荐二 csunplugged(英语，6+)
cs unplugged ，旨在全球推动计算机科学的学习，让世界欠发达国家的孩子，也能通过简单的游戏，学习到计算机知识。
网站提供了详细的学习计划，教学视频以及不需要计算机即可完成的编程习题，如果有时间的家长可以根据这个网站提供的内容在家和孩子们一起学习计算机科学和编程的知识。
推荐三 Codeorg unplugged(英语，4+)
Code.org是一个美国的公益组织，旨在全世界范围内推广少儿计算机科学教育，且由美国科技巨头和科技公司企业家们支持，包括微软、脸书（Facebook)、亚马逊、谷歌等公司，还有比尔盖茨、亚马逊CEO Jeff Bezos等企业家的支持。
1.Linux运维到底是一个怎样的工作，具体需要掌握哪些知识技能?
用一句话概括就是维护Linux系统以及系统之上的相关软件服务、程序代码(Java、Php、Python)和企业核心数据正常运行，使得企业能够优质、高效、快速的为企业的客户提供服务，从而盈利赚钱，随着企业增长，服务器和服务数量、要求也会成倍增加，对运维的能力和运维人员的数量都有更多的要求。在整个企业业务系统运转过程中，涉及到系统、网络、数据库、存储、开发、安全、监控、架构等综合的技术于一身的技术，对运维人员的能力提出了更高的要求。
Linux运维岗位分类
□硬件运维：硬件维护，如服务器、交换机、路由器、存储、负载均衡等设备。
□网络运维：网络设备维护：交换机、路由器以及办公局域网的维护。
□系统运维：基础设施的维护，侧重于系统和应用，也会涉及硬件网络。
□应用运维(SRE)：企业业务研发环境、测试环境、线上环境等的维护和故障处理。
□监控运维：整个业务系统所有服务器集群的业务的监控和报警。
□数据库运维: 负责数据存储方案设计、数据库表设计、索引设计和SQL优化
□安全运维:安全扫描、渗透测试，安全工具、安全事件应急处理等。
□运维开发：开发运维工具和运维平台，以及自动化、智能化运维。
运维工程师还包括一些低端的岗位，例如：网络管理员、监控运维、IDC运维，值班运维，这些岗位是没前途的岗位，需要尽快提高改进。
Linux运维工程师岗位职责和技术栈
一般从企业入门到中级Linux运维工程师的工作大致有：
□挑选IDC机房及带宽、购买物理服务器。
□购买云服务及CDN服务相关。
□搭建部署压力测试和正式的业务系统运行环境(例如:网站运行环境)。
□负责日常项目或业务代码上线、故障排除、代码回滚等。
□对企业数据进行备份及故障恢复、处理网站运行中的各种故障(例如：硬件故障、软件故障、服务故障、数据损坏及丢失等)。
□对网站的运行状态及故障进行监控、提前解决网站运行的潜在安全问题。
□开发自动化程序(shell、python)或平台提高工作效率。
□根据访问量增加，提前规划和升级网站集群架构，根据公司需求增加业务应用。
□程序发布流程和规范，制定运维工作制度和规范。
□配合开发人员部署及调试产品研发需要的测试环境、代码发布等工作需求。
□公司如果较小可能还会兼职网管、网络工程师、数据库管理员、安全工程师、技术支持等职责。
涉及到的Linux平台上的运维工具有：Linux系统，Linux基础命令,Nginx,Apache,MySQL,PHP,Tomcat,Lvs,Keepalived,SSH,Ansible,Rsync,NFS,Inotify,Sersync,,OpenVPN,NTP,Kickstart/Cobbler,KVM,OpenStack,Docker,K8S，Mongodb,Redis,Iptables,SVN,GIT,Jenkins,Docker,k8s/Shell/Python/Go语言等，除此之外还可能涉及到交换机、路由器、存储、安全、开发等知识。
总的来说：Linux初中级运维工程师更多的是使用工具软件的阶段，在一线城市互联网公司的薪资一般在8000-20000/月。老男孩教育毕业学生平均13-15K
职业发展方向：系统架构师、数据库工程师、运维开发工程师、系统网络安全工程师、运维经理、运维总监
2.现在很多培训机构来学校宣传，Linux方面就是云计算什么的，学费很贵，差不多2万，四个月，我想知道这个培训到底有没有必要，如果自学的话差距有多大?
答：LINUX运维培训机构鱼龙混杂，务必要擦亮眼睛，本科网络专业，如果在我机构培训，5个月左右，毕业应该不低于15K，自学的话，周期长，不容易学好。除非很有毅力坚持学6-12个月。
3.这个行业前景怎么样?听培训机构的人说什么安卓iOS开发越来越没市场，现在只有Linux、开源最好等等
答：Linux发展前景非常好。
众所周知，全球互联网及移动互联网仍在在高速发展，特别是物联网也开始发展，所有的公司要想生存都必须和互联网接轨(也要利用网络提供服务和赚钱)，这样就使得整个互联网的发展与日俱增。
而Linux系统以安全、稳定、免费、高效、可自由更改源代码的特点占据了，1-2线城市98%以上的互联网企业以及移动互联网企业的系统应用。例如：百度、腾讯、阿里巴巴、淘宝网、京东商城、小米网、58同城、Sina、网易、滴滴打车、摩拜单车等都在大量使用Linux操作系统，国外的企业更是对Linux情有独钟，谷歌、Facebook、亚马逊等，毫不夸张地说，只要你能随口说出来想到的公司后台几乎都在使用Linux系统(包括Windows的厂商微软公司也在亲近Linux系统)，我们使用的手机、平板等大多都在使用Linux系统(安卓版)，苹果系列产品也都是类Linux系统(Unix)，可见Linux系统的应用之广，可以预见未来至少是10年，Linux将是服务器端最火、应用最广的操作系统，没有之一，中国国家也在大力扶持Linux系统，例如江苏3000所中小学开始普及Linux系统。
为什么老男孩老师会对Linux的未来火爆程度这么肯定呢?这是因为Linux诞生的基因决定的：
Linux系统遵循GPL协议，即保证任何人有共享和修改自由Linux的自由，任何人有权取得、修改和重新发布Linux系统的源代码权利，但都必须同时给出具体更改的源代码，这个许可让全球的人都愿意为Linux贡献力量而不被某些人和机构据为己有，你说能不火么。
1. 2000-2010年，是互联网起步发展阶段， Sina、Sohu、网易门户、BAT发展阶段，此时网络端主要是PC机器，快速增长。
2. 2011-2020年，从互联网到移动互联网， 滴滴、抖音、头条、美团等崛起。网络端除PC机，还多了手机、平板、爆发式增长。
3.
2021-2030年，物联网+人工智能阶段，除了手机、平板、PC机器，还有大量的客户机，万物(洗衣机、电冰箱、电动车、加湿器、电饭锅)，只要带电的都可联网，客户机及数据量爆炸式巨增。人工智能基础是大数据和机器学习、深度学习。
4.2021-2025年，全国党政军都从Windows切换到Linux，中小学开始使用Linux，规模网站后台99%都是Linux，例如江苏3000所中小学开始普及Linux系统，Linux未来必火。
大家觉得现在上网的人多，还是用网赚钱的人多?当然是上网的人多，
未来是人人都用网络赚钱的时代，那时对服务稳定性要求更高了，个性化也高，因此，Linux作为承载数据的后端不可替代的服务器必然会更火，Linux运维人员也会大量增加。
万物联网的基础，未来的时代，是所有的东西都可能联网的时代，不仅仅是PC和手机，基础设施准备。
1.5G时代来临，马路从50米宽拓展到500米宽，甚至是5公里宽。
2.万物联网，需要海量的IP地址，IPV6来了，号称可以给地球上的每一粒沙子配置一个公网地址。
您好！卖家此时就应该首先考虑的是关于知识产权方面的因素。什么是知识产权呢?一般设计的是产品专利方面的问题，所以，面向专利方向的分析就是一个大方向。
对应的是，因为不同的投诉，可能会涉及不同的问题，比如商标、版权、盗图等等，卖家处理这样的问题第一步就是分析清楚问题之所在。
在亚马逊的系统通知邮件中，一般还会发邮件告知你投诉方的联系方式，提醒卖家联系投诉方进行协商解决，此时，卖家要分析投诉方的邮箱，比如上面系统通知中的邮件是以dk结尾的，那么我们可以知道投诉方式一个丹麦的权利方，这样的投诉，相对于来自于明显一眼就识别出是中国的投诉方要更可信一些。
根据投诉方的信息，卖家应该做一个基础的判断，判定对方是恶意投诉呢还是自己确实侵犯了对方的权益。基于初步的判定，卖家要做的第一步是联系供应商，反馈信息到供应商处，以便于从供应商那里获取更进一步的信息。结合投诉方的信息和供应商反馈的信息，进行进一步的判定，看自己的问题究竟出在哪里了。
有了基本的判定后，卖家要主动和投诉方联系，如果前述信息已经让你明白了问题之所在，那么就在邮件中向投诉方道歉，尽可能得到对方的谅解，如果获得的信息并不能做出有效的判定，卖家也可以在邮件中向投诉方询问情况，比如要求投诉方提供相关的侵权资料等。
如果投诉方回应，卖家可以根据投诉方回应的内容做出应对，比如停售该产品，也或者如果库存数量多的话，也可以继续和投诉方协商，看能否以给投诉方出一定佣金的方式来获得继续销售的授权。
如果投诉方不回应，卖家也可以根据从供应商处获得的可能的对自己有利的资料，联系亚马逊官方，把自己可以提供的证据提供，以得到亚马逊官方的认可和支持，这样的话，有可能获得重新销售的权利。
当然，如果既没有收到投诉方的回应，也无法提供证据说服亚马逊官方，那卖家就只能删除Listing，对FBA库存产品进行撤仓处理了。
毕竟，损失一条Listing的库存的影响要比账号被移除销售权限要小得多。
如能提供更多信息，则可给出更为周详的法律意见。