SACC 2018十年沉澱之人工智慧篇：AI在不同企業場景下的應用和探索

人工智慧，一個老生常談的課題，回顧昨天的興衰史蹟，60多年的發展之路，如今終於進入黃金時期，其應用已深入到企業的各種領域。發展到現在，人工智慧已步入到第三階段，這一階段的人工智慧離不開與應用場景的結合，我們都說必須擁抱AI，但如何擁抱呢？

10月17日，第十屆中國系統架構師大會以“十年架構，成長之路”為主題，雲集了國內CTO、研發總監、高階系統架構師、開發工程師和IT經理等技術人群，與會規模超千人。其次日主線4人工智慧（下）專場，來自愛奇藝、一點資訊、知乎和小米的高階技術專家為大家分享了AI在各自企業場景中的應用和探索，這樣的送門福利，您怎能錯過！

愛奇藝廣告演算法負責人劉國輝：AI在愛奇藝商業廣告中的應用和探索

廣告是網際網路流量變現的重要手段，也是AI技術在工業界最成功的應用場景之一。本次演講，劉國輝老師向大家介紹了愛奇藝影片廣告的業務特點和核心挑戰，並分享瞭如何運用AI技術打造愛奇藝智慧廣告演算法引擎。介紹內容包括工業級演算法引擎的構建方法，廣告售賣階段如何透過庫存預估、智慧詢量、建議出價提升廣告主運營效率，廣告執行階段如何透過全域性最佳化分配、個性化推薦提升廣告投放效果，以及愛奇藝在平衡商業目標和使用者體驗方面進行的智慧化探索嘗試。

為了更好的支援業務訴求，愛奇藝搭建了一套智慧廣告演算法的系統框架，該系統框架主要分為兩大塊，在廣告售賣環節，會向廣告主提供豐富的智慧投放工具；在廣告投放環節，愛奇藝廣告演算法團隊搭建了一個實時的投放引擎。

在演算法層面，該框架分為三大部分。中間是一些基礎演算法的研究，前一部分為愛奇藝品牌的庫存分配系統，該系統核心是保量的，後一部分為一套效果的個性化推薦系統，主要做一些預先廣告的召回。

劉老師表示，整個機器學習應用涉及到的環節非常多，在最終開始演算法的調節之前，要解決很多問題，這些問題會影響演算法最終的效果。其主要體現在三方面：在業務層面，業務複雜，業務目標無法直接最佳化；在資料層面，海量資料的高效運用及高效分析成為問題；在工程層面，工程質量，如何確保離線，線上的一致性成為難題。

一點資訊高階技術總監田明軍：個性化推薦系統中的自適應召回

召回是個性化推薦系統非常重要一個環節，直接影響最終輸出推薦結果的質量。現代推薦系統通常包括多種召回方式，基於內容的召回，基於使用者行為的召回，基於使用者屬性和使用場景的召回，利用深度學習模型驅動的召回，等等。受限於上游排序階段計算能力的約束，通常從召回進入到排序階段的數量是受限的。針對不同產品線，不同的使用者，不同召回產生價值的重要程度也不同，需要動態決定召回的組合和quota的配比方式。本次演講田明軍老師向大家分享了一點資訊針對這一挑戰在系統和演算法方面的一些工作，以及相關工作對最終推薦質量的影響。

田明軍老師將自適應召回分為意圖分析統一進行意圖擴充套件，召回選擇動態選擇召回服務，query builder自動拼裝召回請求，配置中心靈活控制召回使用範圍，使用者狀態、使用場景輔助調控召回quota分配五大主要組成部分。

其後期的工作主要為兩大方面，一方面提升model2news的召回能力，減少召回路徑，最佳化迭代基於機器學習的召回方式，提升unique docs覆蓋率，把影響召回決策的特徵體現到召回模型，透過學習方式泛化。另一方面提升召回自適應決策的智慧程度，將較多的策略控制轉化為模型驅動，提升可擴充套件性與最佳化效率。

知乎AI團隊技術負責人黃波：AI在知乎生產、消費、連線和治理四大領域的應用實踐

作為國內知名知識分享平臺，知乎已擁有 1.6 億註冊使用者，回答數超過 1 億，目前 AI 已經全面參與知乎的各個環節，大大提升了效率。在生產、消費、連線和治理四大領域，AI 各自發揮著不可或缺的作用，本次專場黃波老師將具體闡述這些領域，AI 是怎麼應用的。

知乎預在知識圖譜、內容分析、使用者分析和業務應用領域應用AI打造智慧社群。

黃波老師表示，在知識圖譜的應用層面，主要分為三大塊，分別為語音搜尋、推薦系統裡的興趣圖譜，知識圖譜的構建。知乎主要圍繞知識圖譜的實體、內容、型別、領域、關係要素來構建的，各種要素之間可以構建各種關係。

內容分析是指對各種內容打上各種各樣的標籤。為什麼要做這種多種粒度語義標籤呢？黃老師表示，一二級領域，我們希望它粒度較粗，儘量完備正交的分類體系，保證任一問題/文章能分到某個類別。話題領域，我們希望模型有高精準度，同一個問題/文章可打上多個話題。實體/關鍵詞中，我們要求模型有高準確度，優先保證熱門實體/關鍵詞被召回。

在使用者分析層面，包括使用者基礎畫像、使用者興趣畫像以及使用者社交表示與挖掘。其服務架構中實時計算包括實時興趣計算、實時行為計算、最後登入行為地點；離線計算包括使用者基本畫像預測、使用者表示與使用者聚類，另外服務架構還包括HBase多叢集同步和線上服務。

知識圖譜，內容分析和使用者分析都將基於最終的應用目標，最重要的目標是首頁的資訊流推薦，整個內容分析和使用者分析會作為整個推薦系統底層的一個很重要的特徵，用於召回和排序，召回除了基於標籤的這種召回外，也會有基於協同演算法和神經網路等召回方式。

小米軟體工程師李寅——MACE：小米移動端深度學習框架設計實踐

隨著移動網際網路的深入發展和 IoT 智慧裝置的普及，使用者對智慧性，低延遲和隱私保護的訴求變得越來越高，移動裝置上的離線深度學習應用變得越來越普遍。MACE 是專門為移動裝置最佳化的深度學習模型預測框架。 MACE 可以方便的部署到異構裝置上，使模型執行在 CPU、GPU 和 Hexagon DSP 上，並支援主流的視覺 DNN（分類、物體檢測、語義分割、風格轉換等）及 NLP（機器翻譯等）等深度學習網路，在小米落地了應用場景人像模式，場景識別，離線翻譯等多個專案。本次演講李寅老師將著重介紹 MACE 的框架設計、異構裝置上的運算元最佳化、以及使用和部署方案。

李寅老師介紹到，MACE主打的是深度學習，如何在移動端進行預測。訓練模型部署到業務場景中需要兩步，首先，我們拿到資料，標籤，樣本之後需要GPU伺服器的資源去訓練一個模型，模型訓練之後會得到一個結果，這個結果包括兩部分，一部分是模型跟本身的結構，另一部分是模型訓練後的引數。拿到這兩部分形成最後的雲端訓練模型，然後我們需要把這個模型部署到移動端。下一步，我們需要移動端的執行引擎，把這些模型結構中含有的所有運算元在移動端一一執行，而這一步就是MACE需要做的。

“十年磨一劍，礪得梅花香”，第十屆中國系統架構師大會準備了三天傳統技術大會演講，兩天深度主題培訓，更多精彩議題歡迎訪問大會專題頁面(http://zt.it168.com/topic/sacc2018/)。