13518219792
人工智能，一个老生常谈的课题，回顾昨天的兴衰史迹，60多年的发展之路，如今终于进入黄金时期，其应用已深入到企业的各种领域。发展到现在，人工智能已步入到第三阶段，这一阶段的人工智能离不开与应用场景的结合，我们都说必须拥抱AI，但如何拥抱呢？
10月17日，第十届中国系统架构师大会以“十年架构，成长之路”为主题，云集了国内CTO、研发总监、高级系统架构师、开发工程师和IT经理等技术人群，与会规模超千人。其次日主线4人工智能（下）专场，来自爱奇艺、一点资讯、知乎和小米的高级技术专家为大家分享了AI在各自企业场景中的应用和探索，这样的送门福利，您怎能错过！
爱奇艺广告算法负责人刘国辉：AI在爱奇艺商业广告中的应用和探索
广告是互联网流量变现的重要手段，也是AI技术在工业界最成功的应用场景之一。本次演讲，刘国辉老师向大家介绍了爱奇艺视频广告的业务特点和核心挑战，并分享了如何运用AI技术打造爱奇艺智能广告算法引擎。介绍内容包括工业级算法引擎的构建方法，广告售卖阶段如何通过库存预估、智能询量、建议出价提升广告主运营效率，广告执行阶段如何通过全局优化分配、个性化推荐提升广告投放效果，以及爱奇艺在平衡商业目标和用户体验方面进行的智能化探索尝试。
为了更好的支持业务诉求，爱奇艺搭建了一套智能广告算法的系统框架，该系统框架主要分为两大块，在广告售卖环节，会向广告主提供丰富的智能投放工具；在广告投放环节，爱奇艺广告算法团队搭建了一个实时的投放引擎。
在算法层面，该框架分为三大部分。中间是一些基础算法的研究，前一部分为爱奇艺品牌的库存分配系统，该系统核心是保量的，后一部分为一套效果的个性化推荐系统，主要做一些预先广告的召回。
刘老师表示，整个机器学习应用涉及到的环节非常多，在最终开始算法的调节之前，要解决很多问题，这些问题会影响算法最终的效果。其主要体现在三方面：在业务层面，业务复杂，业务目标无法直接优化；在数据层面，海量数据的高效运用及高效分析成为问题；在工程层面，工程质量，如何确保离线，在线的一致性成为难题。
一点资讯高级技术总监田明军：个性化推荐系统中的自适应召回
召回是个性化推荐系统非常重要一个环节，直接影响最终输出推荐结果的质量。现代推荐系统通常包括多种召回方式，基于内容的召回，基于用户行为的召回，基于用户属性和使用场景的召回，利用深度学习模型驱动的召回，等等。受限于上游排序阶段计算能力的约束，通常从召回进入到排序阶段的数量是受限的。针对不同产品线，不同的用户，不同召回产生价值的重要程度也不同，需要动态决定召回的组合和quota的配比方式。本次演讲田明军老师向大家分享了一点资讯针对这一挑战在系统和算法方面的一些工作，以及相关工作对最终推荐质量的影响。
田明军老师将自适应召回分为意图分析统一进行意图扩展，召回选择动态选择召回服务，query builder自动拼装召回请求，配置中心灵活控制召回使用范围，用户状态、使用场景辅助调控召回quota分配五大主要组成部分。
其后期的工作主要为两大方面，一方面提升model2news的召回能力，减少召回路径，优化迭代基于机器学习的召回方式，提升unique docs覆盖率，把影响召回决策的特征体现到召回模型，通过学习方式泛化。另一方面提升召回自适应决策的智能程度，将较多的策略控制转化为模型驱动，提升可扩展性与优化效率。
知乎AI团队技术负责人黄波：AI在知乎生产、消费、连接和治理四大领域的应用实践
作为国内知名知识分享平台，知乎已拥有 1.6 亿注册用户，回答数超过 1 亿，目前 AI 已经全面参与知乎的各个环节，大大提升了效率。在生产、消费、连接和治理四大领域，AI 各自发挥着不可或缺的作用，本次专场黄波老师将具体阐述这些领域，AI 是怎么应用的。
知乎预在知识图谱、内容分析、用户分析和业务应用领域应用AI打造智能社区。
黄波老师表示，在知识图谱的应用层面，主要分为三大块，分别为语音搜索、推荐系统里的兴趣图谱，知识图谱的构建。知乎主要围绕知识图谱的实体、内容、类型、领域、关系要素来构建的，各种要素之间可以构建各种关系。
内容分析是指对各种内容打上各种各样的标签。为什么要做这种多种粒度语义标签呢？黄老师表示，一二级领域，我们希望它粒度较粗，尽量完备正交的分类体系，保证任一问题/文章能分到某个类别。话题领域，我们希望模型有高精准度，同一个问题/文章可打上多个话题。实体/关键词中，我们要求模型有高准确度，优先保证热门实体/关键词被召回。
在用户分析层面，包括用户基础画像、用户兴趣画像以及用户社交表示与挖掘。其服务架构中实时计算包括实时兴趣计算、实时行为计算、最后登录行为地点；离线计算包括用户基本画像预测、用户表示与用户聚类，另外服务架构还包括HBase多集群同步和在线服务。
知识图谱，内容分析和用户分析都将基于最终的应用目标，最重要的目标是首页的信息流推荐，整个内容分析和用户分析会作为整个推荐系统底层的一个很重要的特征，用于召回和排序，召回除了基于标签的这种召回外，也会有基于协同算法和神经网络等召回方式。
小米软件工程师李寅——MACE：小米移动端深度学习框架设计实践
随着移动互联网的深入发展和 IoT 智能设备的普及，用户对智能性，低延迟和隐私保护的诉求变得越来越高，移动设备上的离线深度学习应用变得越来越普遍。MACE 是专门为移动设备优化的深度学习模型预测框架。 MACE 可以方便的部署到异构设备上，使模型运行在 CPU、GPU 和 Hexagon DSP 上，并支持主流的视觉 DNN（分类、物体检测、语义分割、风格转换等）及 NLP（机器翻译等）等深度学习网络，在小米落地了应用场景人像模式，场景识别，离线翻译等多个项目。本次演讲李寅老师将着重介绍 MACE 的框架设计、异构设备上的算子优化、以及使用和部署方案。
李寅老师介绍到，MACE主打的是深度学习，如何在移动端进行预测。训练模型部署到业务场景中需要两步，首先，我们拿到数据，标签，样本之后需要GPU服务器的资源去训练一个模型，模型训练之后会得到一个结果，这个结果包括两部分，一部分是模型跟本身的结构，另一部分是模型训练后的参数。拿到这两部分形成最后的云端训练模型，然后我们需要把这个模型部署到移动端。下一步，我们需要移动端的执行引擎，把这些模型结构中含有的所有算子在移动端一一执行，而这一步就是MACE需要做的。
“十年磨一剑，砺得梅花香”，第十届中国系统架构师大会准备了三天传统技术大会演讲，两天深度主题培训，更多精彩议题欢迎访问大会专题页面(http://zt.it168.com/topic/sacc2018/)。
