人工智能的发展，需要依靠算法+数据+算力的相互协作。任何人工智能应用开发的过程中，针对数据永远会遇到，算法指标好，真的可以上线么，多次评测指标波动怎么解释？那么指标波动涉及哪些影响因素，我们怎么降低负面影响。

例如：一、如何看待指标波动，测试集多大规模合适——测试集是不是要和庞大的训练集一样，1~3天才能看到运行结果？二、需要区别的标签太多，如何获得高质量的评测集——低质量的训练/评测集，可能会因为数据滥用导致模型偏见永久化。三、上线前需要设计哪些环节，才能保障线上体验。

演讲提纲：

1. 常见问题：评测算法指标过高的问题；多次评测指标波动怎么办；
2. 影响指标波动的因素及小爱的处理方法：
   • 影响因素简介：
     • 评测集的代表性；
     • 分类标签是否边界清晰好标注；
     • 标注同学的素质；
     • 评测环境稳定性；
     • 图谱数据的准确性和更新频率
   • 保障评测集代表性的方案，数据集规模量级和指标波动阈值的关系，并给出公式推导
   • 小爱语义有2K多个语义标签，如何保障这些分类标签正交化，有边界冲突后怎么处理
   • 小爱有2W多个槽位标签，如何保障知识图谱结果和用户认知一致
   • 基于DNN NER 模型的槽位辅助工具的创新应用
3. 小爱模型上线经历的质量验证流程和使用的数据集简介

你将获得：

1. 了解指标波动的深层次原因，获得宏观解决方案的科学性证明过程（公式推导）和业务经验值
2. 小爱上线前的质量保障流程的交流借鉴
3. NLP 标注标签正交化（多个标签语义不冲突）的相关经验

预测系统是供应链系统的源头核心系统，使用了大量最新的 AI 技术，包括时序模型，机器学习模型，LSTM，DeepAR，GANN 等深度学习模型。但是供应链系统覆盖大量的传统行业，不同企业的数据特征和业务非常复杂。AI 技术模型落地遇到实施时间长，见效慢的问题。

京慧易卜采用组件化的方式设计预测系统，将大量成熟的算法和必需的业务封装为组件，并提供了灵活、可视化的配置工具，帮助算法工程师、产品经理和企业资深业务人员，快速对接企业的数据，测试、实施和部署最新的 AI 模型，使得 AI 模型在很短的时间内就提升了企业供应链的效率。

演讲提纲：

1. 组件化预测系统如何解决预测算法落地遇到的问题
2. 京慧易卜组件化预测算法平台架构
   • 京慧易卜的组件规约和组件库
   • 京慧易卜的配置模板和配置工具
   • 京慧易卜的执行器
3. 多种 AI 模型在预测系统中落地的案例
   • AI 预测系统落地快消品行业
   • AI 预测系统落地汽后备件行业

你将获得：

1. 如何设计组件化的算法应用系统
2. 如何在传统行业快速落地最新的 AI 算法

深度学习在多个领域，图像、语音、NLP、推荐等都带来了巨大的效果提升。但是如何快速的运用深度学习解决业务问题，还存在比较的问题。大家都面临的问题是成本高，风险大，落地困难，其原因在于: 难以标准化, 没有一个通用的模型能够解决所有的问题；可迁移性差，不同场景的建模方法存在比较大的差异；调参困难，参数的设置对于最终的效果影响很大，但是参数非常多，调参需要对模型有比较深入的理解；训练和部署困难，需要的资源多，成本高；数据缺乏，尤其缺乏标注好的数据，标注成本比较高。

阿里云 PAI 在解决以上问题做出了一些努力，帮助集团内的算法人员和云上的算法人员来降本增效。

演讲提纲：

1. 标准化模板建立：
   • OCR识别，语音识别ASR，推荐算法，多模态算法
   • EasyVision / EasyTransfer / EasyRec
2. 超参搜索/网络搜索：特征组合方式(Fives)
3. 针对训练和部署困难的解决办法：
   • Tensor 稀疏通信
   • 混合精度训练和 int8 推理
   • 模型剪枝
   • 大规模 Embedding
   • 离线在线特征一致性(特别是实时特征)
   • 自动图优化
4. 新建模方式探索：
   • 迁移学习
   • 半监督学习/active learning
   • 小样本学习

你将获得：

1. 利用 PAI 平台快速解决业务问题，包括视觉、推荐等;
2. 跟进最新的深度学习算法进展。

近年来，随着 AI 算法、计算能力、大数据技术的发展，智能语音技术取得了突飞猛进的发展，从实验室走向工业界。作业帮独特的场景和海量的数据为语音技术提供了舞台：通过智能语音外呼代替部分场景的人工外呼，能够大大降低人力成本，让大家把精力投入到更有意义的事情上。通过语音评测技术，能够随时向同学反馈发音的好坏，练习口语。通过语音合成技术，能够完成自有 IP 跟用户的触达，为用户提供更好的体验。

本次分享将带来智能语音技术在作业帮的落地经验，通过语音合成、语音评测、发音纠错、语音识别每个方向一到两个实际案例， 让大家了解作业帮落地语音技术的具体实践。最后通过总结，为大家带来作业帮语音能力全景，以及对算法工程师这一岗位的理解， 希望能够给大家带来启发。

演讲提纲：

1. 语音合成：小数据量语音合成落地实践
2. 语音评测：流式 conformer 、端云一体语音评测
3. 发音纠错： 端到端发音纠错系统
4. 语音识别： 高效利用数据的端到端语音识别、基于前缀自动机的热词技术
5. 总结： 作业帮语音技术全景

你将获得：了解语音技术在作业帮的落地经验， 通过实际案例近距离了解算法工程师的工作。