Isaac Sacolick Charles

推特和臉書可以教會我們很多關(guān)于高效人工智能的知識。

據(jù)Gartner最近的一項調(diào)查，很多企業(yè)剛剛開始機器學(xué)習(xí)之旅，37%的企業(yè)已經(jīng)實施了人工智能。如果你已經(jīng)打開了機器學(xué)習(xí)的大門，在開始機器學(xué)習(xí)概念驗證或者學(xué)習(xí)人工智能、機器學(xué)習(xí)和深度學(xué)習(xí)的完整指南之前，建議先想一想10個問題。

機器學(xué)習(xí)正在發(fā)展，頻繁報道出現(xiàn)了新的商業(yè)突破、科學(xué)進步、框架改進和最佳實踐。

對于那些擁有大規(guī)模機器學(xué)習(xí)項目并將人工智能視為業(yè)務(wù)核心的企業(yè)，有很多東西值得我們學(xué)習(xí)。前不久在紐約的O'Reilly人工智能會議上，我發(fā)現(xiàn)了臉書和推特機器學(xué)習(xí)項目之間的幾個共同趨勢。

了解業(yè)務(wù)需求和競爭因素

在臉書，機器學(xué)習(xí)被應(yīng)用于很多領(lǐng)域。在臉書主頁上，它搜索、翻譯語言、掃描新聞提要、識別上傳照片中的人臉，并查看顯示了哪些廣告。在后臺，機器學(xué)習(xí)用于進行內(nèi)容理解、語音識別、內(nèi)容完整性、情緒分析、不良內(nèi)容檢測和欺詐賬戶檢測。

同樣，還可以在推特的推文排名、廣告選擇、搜索功能和用戶推薦中看到推特的機器學(xué)習(xí)在發(fā)揮作用。機器學(xué)習(xí)還用于標(biāo)記罵人的推文、垃圾郵件和不適合工作的圖像。

你可能看不出來每種機器學(xué)習(xí)工作的規(guī)模，以及這兩家公司在差異化上的投入情況。

臉書每天為其26億用戶進行超過200萬億次的預(yù)測。其很多用戶都是全球性的，帶寬有限，大量的交互都是通過移動電話完成的。

這帶來了一些難題，因為61%的全球移動用戶的手機都使用了6年甚至更長時間;只有不到10%的用戶使用最先進的智能手機。臉書的一種策略是把更多的神經(jīng)網(wǎng)絡(luò)計算轉(zhuǎn)移到邊緣設(shè)備上，以提高規(guī)模、降低延遲，并提供更個性化的機器學(xué)習(xí)模型。臉書的機器學(xué)習(xí)技術(shù)棧反映了它的目標(biāo)，即大規(guī)模地進行推理，并將一些計算卸載到邊緣設(shè)備上，使得更容易研究新模型。

推特根據(jù)規(guī)模和延遲需求優(yōu)化其模型。它每秒執(zhí)行數(shù)千萬次預(yù)測，每天以數(shù)十TB的數(shù)據(jù)訓(xùn)練一些模型。該公司專注于優(yōu)化延遲，即模型響應(yīng)所需的時間，并定義了數(shù)十毫秒的預(yù)測延遲預(yù)算。

標(biāo)準(zhǔn)化平臺以擴大規(guī)模

臉書和推特都很早就開始了他們的機器學(xué)習(xí)項目。他們從非結(jié)構(gòu)化方法開始，而現(xiàn)在正在采取措施使其平臺、框架和流水線標(biāo)準(zhǔn)化。推特的目標(biāo)是讓分享模型變得更容易，并希望減少重復(fù)性的工作。臉書正在解決可靠性、可擴展性、運行模型的效率以及其科學(xué)家和工程師在開發(fā)體驗等方面遇到的難題。

兩家公司的平臺都圍繞類似的數(shù)據(jù)流水線處理原則進行了優(yōu)化。他們都有處理數(shù)據(jù)、提取特性、訓(xùn)練模型和把模型部署到生產(chǎn)環(huán)境中的步驟。

這兩家社交媒體巨頭正在采取措施，對某些機器學(xué)習(xí)框架進行標(biāo)準(zhǔn)化處理。臉書使用PyTorch進行簡單研究，而Caffe2則大規(guī)模運行生產(chǎn)推理模型。它將這些整合到了Pytorch 1.0中，Pytorch 1.0結(jié)合了這兩種功能，并使用Caffe2Go運行其移動神經(jīng)網(wǎng)絡(luò)。推特混合使用了Lua Torch、TensorFlow、Scikit、PyTorch和其他平臺。它現(xiàn)在正在標(biāo)準(zhǔn)化Scalding、PySpark、TensorFlow，以及Apache Airflow。

讓科學(xué)家、開發(fā)人員和工程師協(xié)同工作

推特和臉書描述了在數(shù)據(jù)科學(xué)家、開發(fā)人員和工程師之間提高工作效率，實現(xiàn)知識共享和代碼重用的各種工作。

很多數(shù)據(jù)部門在其數(shù)據(jù)治理項目中建立了數(shù)據(jù)目錄和字典。利用這些工具，每個人在使用數(shù)據(jù)進行分析或者機器學(xué)習(xí)實驗時更容易理解基礎(chǔ)數(shù)據(jù)模型、字段定義和質(zhì)量約束。

推特把機器學(xué)習(xí)實驗中使用的特征標(biāo)準(zhǔn)化，并將其輸入到一個特征存儲目錄中，從而更進了一步。這減少了重復(fù)工作，幫助科學(xué)家訓(xùn)練新模型，更輕松地把數(shù)據(jù)處理成特征。

臉書也在對其特征進行編目和標(biāo)準(zhǔn)化，實現(xiàn)訓(xùn)練的自動化，開發(fā)管理和部署模型的工具。FBLearner是其支持這些功能的標(biāo)準(zhǔn)平臺。

此外，臉書正在標(biāo)準(zhǔn)化所使用的機器學(xué)習(xí)類型。例如，新聞提要、廣告、搜索和異常檢測的排名使用多層感知器。它還利用卷積神經(jīng)網(wǎng)絡(luò)和支持向量機進行面部識別，并利用遞歸神經(jīng)網(wǎng)絡(luò)進行語言翻譯。

自動化機器學(xué)習(xí)模型的連續(xù)訓(xùn)練

就像軟件應(yīng)用程序一樣，機器學(xué)習(xí)模型需要不斷地進行訓(xùn)練和修改。臉書和推特都將這種訓(xùn)練自動化，這樣，模型就可以用新數(shù)據(jù)重新進行調(diào)整。

推特認(rèn)識到，將模型投入到產(chǎn)品中會產(chǎn)生新的要求，即讓模型接受最新數(shù)據(jù)的訓(xùn)練，并在數(shù)據(jù)科學(xué)家改進模型時對其進行更新。Apache Airflow自動化了訓(xùn)練和部署流水線。

臉書在其策略上非常明確。對于頻繁變化的模型，例如新聞提要，可以每小時甚至在更短的時間內(nèi)再訓(xùn)練一次，而語言翻譯和面部識別模型的訓(xùn)練周期可以是幾周到幾個月。

計算成本和計算資源的可用性也是影響模型重新訓(xùn)練頻率的因素。臉書可能有戰(zhàn)略計算優(yōu)勢，因為它開發(fā)了針對不同類型機器學(xué)習(xí)工作負(fù)載進行過優(yōu)化的硬件堆棧。推特的重點是優(yōu)化算法性能，以及在全球計算資源利用較低的非高峰時間段安排訓(xùn)練。

長遠規(guī)劃

與大多數(shù)企業(yè)相比，推特和臉書在應(yīng)用和擴展機器學(xué)習(xí)方面遠遠領(lǐng)先于成熟度曲線。我們能從他們的成功中學(xué)到什么？

從小處著手，通過訓(xùn)練模型和在產(chǎn)品中運行來驗證業(yè)務(wù)價值，然后進一步投入，以擴大規(guī)模，讓實踐成熟起來。成熟的實踐需要類似于應(yīng)用程序開發(fā)的規(guī)程，包括標(biāo)準(zhǔn)化框架、定義體系結(jié)構(gòu)、選擇維護周期、優(yōu)化性能，以及自動部署流水線。

你會看到，機器學(xué)習(xí)提供了巨大的價值，但也需要圍繞性能和投入進行持續(xù)的調(diào)查，以做出改進。模型得到訓(xùn)練、部署、優(yōu)化，然后被更好的模型所取代。機器學(xué)習(xí)是一種新的工具和技能集，對于必須改善用戶體驗或者利用數(shù)據(jù)提高競爭價值的企業(yè)來說，它將變得越來越重要。

Isaac Sacolick是公認(rèn)的社交領(lǐng)域的最佳首席信息官，也是“社交、敏捷和轉(zhuǎn)型”以及CIO.com的長期博主，還兼任StarCIO總裁。