近日，全球最頂級(jí)大數(shù)據(jù)會(huì)議Strata Data Conference在京召開(kāi)。Strata大會(huì)被《福布斯》雜志譽(yù)為“大數(shù)據(jù)運(yùn)動(dòng)的里程碑”，吸引了大數(shù)據(jù)、人工智能領(lǐng)域最具影響力的數(shù)據(jù)科學(xué)家與架構(gòu)師參會(huì)。第四范式聯(lián)合創(chuàng)始人、首席研究科學(xué)家陳雨強(qiáng)受邀出席，并以“人工智能工業(yè)應(yīng)用痛點(diǎn)及解決思路”為題，頒發(fā)主題演講。

陳雨強(qiáng)是世界級(jí)深度學(xué)習(xí)、遷移學(xué)習(xí)專(zhuān)家，曾在NIPS、AAAI、ACL、SIGKDD等頂會(huì)頒發(fā)論文，并獲APWeb2010 Best Paper Award，KDD Cup 2011名列第三，其學(xué)術(shù)工作被全球著名科技雜志MIT Technology Review報(bào)道。同時(shí)，陳雨強(qiáng)也是AI工業(yè)應(yīng)用領(lǐng)軍人物，在百度鳳巢任職期間主持了世界首個(gè)商用的深度學(xué)習(xí)系統(tǒng)、在今日頭條期間主持了全新的信息流保舉與廣告系統(tǒng)的設(shè)計(jì)實(shí)現(xiàn)，目前擔(dān)任第四范式首席研究科學(xué)家，帶領(lǐng)團(tuán)隊(duì)研究、轉(zhuǎn)化最領(lǐng)先的機(jī)器學(xué)習(xí)技術(shù)，著力打造人工智能平臺(tái)級(jí)產(chǎn)品”先知“。

以下內(nèi)容按照陳雨強(qiáng)主題演講編寫(xiě)，略有刪減。

大家好，我是來(lái)自于第四范式的陳雨強(qiáng)，目前主要負(fù)責(zé)人工智能算法研發(fā)及應(yīng)用的相關(guān)工作。非常高興與大家分享人工智能在工業(yè)界應(yīng)用的一些痛點(diǎn)、以及相應(yīng)的解決思路。

工業(yè)大數(shù)據(jù)需要高VC維

人工智能是一個(gè)非常炙手可熱的名詞，且已經(jīng)成功應(yīng)用在語(yǔ)音、圖像等諸多領(lǐng)域。但是，現(xiàn)在人工智能有沒(méi)有達(dá)到可以簡(jiǎn)單落地的狀態(tài)呢？工業(yè)界的人工智能需要什么技術(shù)呢？帶著這些問(wèn)題開(kāi)始我們的思考。

首先，我們先探討一下工業(yè)界人工智能需要一個(gè)什么樣的系統(tǒng)？人工智能的興起是由于數(shù)據(jù)量變大、性能提升以及并行計(jì)算技術(shù)發(fā)展共同產(chǎn)生的結(jié)果。所以，工業(yè)界的問(wèn)題都是非常復(fù)雜的。因此，我們需要一個(gè)可擴(kuò)展系統(tǒng)，不但在吞吐與計(jì)算能力上可擴(kuò)展，還需要隨著數(shù)據(jù)量與用戶(hù)的增多在智能水平上可擴(kuò)展。怎么實(shí)現(xiàn)一個(gè)可擴(kuò)展系統(tǒng)呢？其實(shí)很重要的一點(diǎn)是工業(yè)界需要高VC維的模型，去解決智能可擴(kuò)展性的問(wèn)題。怎么獲得一個(gè)高VC維的模型呢？大家都知道，機(jī)器學(xué)習(xí)=數(shù)據(jù)+特征+模型。如果數(shù)據(jù)在給定的情況下，我們就需要在特征和模型兩個(gè)方面進(jìn)行優(yōu)化。

特征共分兩種，一種叫宏不雅觀特征，比喻說(shuō)年齡、收入，，或是買(mǎi)過(guò)多少本書(shū)，看過(guò)多少部電影。別的一種是微不雅觀特征，指的是相比細(xì)粒度的特征，你具體看過(guò)哪幾本書(shū)，或者具體看過(guò)哪幾部電影。每一部電影，每一本書(shū)，每一個(gè)人，都是差別的特征。書(shū)有幾百萬(wàn)本，電影有幾百萬(wàn)部，所以這樣的特征量非常大。

模型可分為兩類(lèi)，一個(gè)是簡(jiǎn)單模型，好比說(shuō)線性模型。還有一種是復(fù)雜模型，好比非線性模型。

這樣就把人工智能分為了四個(gè)象限。如上圖，左下角是第一象限，使用宏不雅觀特征簡(jiǎn)單模型解決問(wèn)題。這種模型在工業(yè)界應(yīng)用非常少，因?yàn)樗卣鲾?shù)少，模型又簡(jiǎn)單，VC維就是低的，不能解決非常復(fù)雜的問(wèn)題。右下角的第二象限是簡(jiǎn)單模型加上微不雅觀特征，最有名的就是大家熟知的谷歌Adwords，用線性模型加上千億特征做出了世界頂尖的廣告點(diǎn)擊率預(yù)估系統(tǒng)。左上角的第三象限是復(fù)雜模型加宏不雅觀特征，也有諸多知名公司做出了非常好的效果，例如Bing廣告和Yahoo，經(jīng)典的COEC+復(fù)雜模型在這個(gè)象限內(nèi)是一個(gè)慣用手段。最后是第四象限，利用復(fù)雜模型加上微不雅觀特征，由于模型空間太大，如何計(jì)算以及解決過(guò)擬合都是研究的熱點(diǎn)。

剛才說(shuō)沿著模型和特征兩條路走，那如何沿著模型做更高維度的機(jī)器學(xué)習(xí)呢？研究模型主要是在學(xué)術(shù)界，大部分的工作是來(lái)自于ICML、NIPS、ICLR這樣的會(huì)議，非線性有三把寶劍別離是Kernel、Boosting、Neural Network。Kernel在十年前非常火，給當(dāng)時(shí)風(fēng)靡世界的算法SVM提供了非線性能力。Boosting中應(yīng)用最廣泛的當(dāng)屬GBDT，很多問(wèn)題都能被很好地解決。Neural Network在很多領(lǐng)域也有非常成功的應(yīng)用。工業(yè)界優(yōu)化模型的方法總結(jié)起來(lái)有以下幾點(diǎn)。首先，基于過(guò)去的數(shù)據(jù)進(jìn)行思考得到一個(gè)假設(shè)，然后將假設(shè)的數(shù)學(xué)建模抽象成參數(shù)加入，用數(shù)據(jù)去擬合新加入的參數(shù)，最后用另一部分?jǐn)?shù)據(jù)驗(yàn)證模型的準(zhǔn)確性。這里舉一個(gè)開(kāi)普勒沿模型這條路發(fā)現(xiàn)開(kāi)普勒三定律的例子。在中世紀(jì)的時(shí)候，第谷把本身的頭綁在望遠(yuǎn)鏡上堅(jiān)持不雅觀察了30年夜空，將各個(gè)行星的運(yùn)動(dòng)軌跡都記錄下來(lái)。基于這些數(shù)據(jù)，開(kāi)普勒不停的進(jìn)行假設(shè)，最后假設(shè)行星的運(yùn)動(dòng)軌道是橢圓的，用橢圓的方程去擬合他的數(shù)據(jù)，發(fā)現(xiàn)擬合的非常好，便得到了一個(gè)新的模型：開(kāi)普勒第必然律。這就是一個(gè)典型的沿著模型走的思路，通過(guò)不雅觀測(cè)數(shù)據(jù)，科學(xué)家獲得一個(gè)假設(shè)，這個(gè)假設(shè)就是一個(gè)模型，然后用數(shù)據(jù)擬合這個(gè)模型的參數(shù)，最終在新的數(shù)據(jù)上驗(yàn)證模型是否正確，這是沿著模型走的一條路。