人工智能应用

会议室:待定
出品人:杨军

人工智能如今在各个领域全面开花,例如在电商、金融、交通等领域。本专题重点讨论大型... 展开 >

专题出品人:杨军

阿里巴巴资深算法专家

杨军在阿里巴巴计算平台PAI团队担任资深算法专家,目前主要负责模型系统联合优化相关工作,他的优化关注点涉及到集群层面的硬件资源效率以及作业本身的执行性能。他对于结合AI模型作业特点分析,从模型系统联合视角进行co-design优化的技术方向有着比较浓厚的兴趣。

专题:人工智能应用

人工智能如今在各个领域全面开花,例如在电商、金融、交通等领域。本专题重点讨论大型企业之人工智能平台背后的核心系统架构和核心技术,例如模型、算法和数据训练等,以及实践人工智能应用需要哪些新思维。

by 陈崇沛

vivo AI研究院
AI计算平台负责人

vivo AI 研究院从2018年初开始从机器学习向深度学习转型,需要一套通用的深度学习平台统一支持广告、推荐、视觉、语音、NLP 等领域高效落地深度学习。在这个过程中,探索出了一套基于容器技术的深度学习平台,统一支持 Tensorflow、PyTorch、Caffe、Kaldi 等深度学习框架,支持大规模深度学习,高效落地基于大规模 GPU 深度学习的模型训练。经过1年多的研究和实践,vivo 建设了一套领先的完善的深度学习计算平台,并且落地在 vivo AI 研究院 广告、推荐、视觉、语音、NLP 业务中,大大提升了业务的训练效率。

演讲提纲:

  1. vivo 深度学习面临的问题和挑战
  2. 深度学习计算平台的技术选型与架构设计
  3. 大规模计算集群调度
  4. 海量小样本分布式存储
  5. 打造完整的深度学习闭环,数据-训练-推理
  6. 广告和推荐、视觉、语音场景面临的问题和解决方法

听众受益点:

  1. 了解深度学习项目的最佳实践
  2. 如何避免大规模深度学习项目中的各种坑
  3. 如何驾驭大规划机器调度和海量小样本存储

by 唐睿明

华为诺亚方舟实验室
资深研究员

如何建模特征之间的交互关系,在推荐系统中至关重要。传统的 Logistic Regression 模型,简单有效,依赖专家经验进行特征交互设计。Factorization Machine 模型有效建模了二阶特征交互。而深度学习模型以其优秀的特征表达能力,在推荐系统占据一席之地。在深度学习模型中,特征交互的设计也是尤为重要。我们对现有的几种设计方式进行总结,并且提出了创新性的方案。AutoML,在计算视觉中的图像分类问题中,自动设计出各种新颖的神经网络,不断刷新各类竞赛的精度上限。演讲中也会介绍 AutoML 技术在特征交互的设计上如何发挥优势。

演讲提纲:

  1. 推荐系统的技术演进路线
  2. 浅层模型中的特征交互
    • Logistic Regression 模型
    • Factorization Machine 模型及其变种
  3. 深度模型中的特征交互:
    • 整体框架结构
    • 特征交互层的业界设计方案
    • DeepFM 模型与 PIN 模型(自研模型与落地)
  4. AutoML 技术特征交互中的应用:
    • 业界应用情况,与具体的方向
    • 浅层模型中的 AutoML:AutoCross 与 AutoFIS 模型(自研模型与落地)
    • 深度模型中的 AutoML:AutoGroup 与 AutoPIN 模型(自研模型与落地)

听众收益

  1. 了解推荐系统中的特征交互
  2. 了解如何设计基于深度学习的推荐系统模型
  3. 了解 AutoML 技术在推荐系统中的应用
  4. 了解以上技术在工业界的落地情况

InfoQ助你疫后复工,提升战力!全年会议门票最低5折起,立即查看>>

想要批量报名或更多优惠?
立即联系票务小姐姐 Ring
或致电:+86-15600537884