原文出处：https://developer.aliyun.com/article/1084327?
作者讲的太好了，一看就是在业务上摸爬滚打很多年的资深算法。
内容介绍
一、爆发的三要素
二、深度学习
一、爆发的三要素
本课程将介绍如何从 AI 架构师的角度构建应用及 AI 架构师需要的技能，即将从深度学习和机器学习2个维度进行介绍。AI 的工程是处于动态的状态中，有多变性，有许多行业人员在其中做探索。 AI 的爆发由 AI 的以下三要素来决定：
（1） 数据基础算法能力
（2） 大数据能力
（3） 工程能力
有海量的数据，大规模的计算能力，推动各种各样算法的创新。从 AI 工程架构师的角度来说，如何能够快速进行算法的迭代，希望算法工程师能够聚焦于算法本身，而由工程或者AI的架构师，或者工程的平台，解决AI的制动化，能够达到较好的高可用、高性能、低成本的 AI 平台，在架构师首先需要具备以下能力：
（1）需要算法的基础，因为工程是加速 AI 算法的，有许多情况下，机器学习或深度学习的算法，并不像数据处理，是确定性的计算，是概率性的计算，因为最终希望收敛到精度好的模型，没有人定义什么样的模型才是最好的。如果有算法的理解，可以做到模型和系统联合优化，不拘泥于对算法进行加速。如果在模型上面有方法，能够在概率上收敛在同样的趋势上，如果在数学上面有方法，使得在概率上是等价的，得到的优化效果会远远大于在底层在计算上面挖掘的效果，所以要理解算法以及理解算法的原理，才能够更加以巧拨千金的优化点；
（2）大数据能力，因为 AI 的爆发是因为大数据的积累，许多算法工程师，在运行训练模型之前，先要进行数据的清理或者整理，为了能够支持算法，需要构建平台，平台上面不可或缺的就是要有大数据的能力。如何做大数据的计算，大数据清理，如何把许多的数据整合在一起，做数据预处理或清洗等是很重要的能力；
（3）工程能力，随着模型越来越大，越来越深，对于异构机器对于分布式的需求会越来越多，往往会将模型的执行计算，不论是前向还是前向和后向一起，都会描述成 DAG 图，如何较好的映射到下面的资源、硬件、存储 IO 和计算，需要很强的工程能力。
二、 深度学习
深度学习分两个场景，第一个场景是搜索推荐广告，另一场景一般称为感知类，例如图像语音和自然区语言处理。这两类，对于 AI 的架构师有相同的需求，但也有不一样的特点。
搜广推，一般称为搜索广告和推荐，首先是大数据，一般称为大数据的模型，因为数据很多情况下是半结构和结构化的数据，例如点击、日志，许多的稀疏的 feature 特征，这些情况下往往有很大的稀疏化的特征，在搜索中并不是每个特征都是有值的。例如对某个电影感兴趣，就会在这些电影上面有特征。其他人对这个类别的电影没有兴趣，就没有特征。稀疏性的特征对于搜广推是常见的；
有复杂的数据处理流程，因为搜广推是做点击的预估、推荐的数据称为在信息流数据流的服务中埋点，把数据做复杂的加工，把相关的数据排列在一起，工程流程上也会较为复杂，因为搜广推往往是动态性的，对实时性要求高，因为人的兴趣不是感知类的，感知类也就是当人看到一张图片之后，这个图片是一只猫，那么它就是一只猫，是一条狗，那么他就是一条狗，并不会快速的变化，但是人的兴趣是会变化的，在搜广推中，实时化、千人千面、实时学习、增量学习。是常见需要的工程，正是因为有实时学习，千人千面、增量学习，工程体系也会较为复杂，因为模型会时时刻刻在学习的状态中，也要时时刻刻的把新的模型推到线上，在该场景中，ground choose 很难确定。
如果是一段语音识别出来的结果，很容易知道结果和正确的值之间有多少的偏差，在推荐中只能代表自己。真正的模型在整个业务上面得到的效果，需要在线上的系统做许多 verification，但是要在线上的系统验证，就需要在工程体系中有许多的很复杂的流程，包括如何做实验筒、灰度、如何收集结果来评价模型的更新，对于工程体系要求会较高，同时因为是超大规模的稀疏特征的训练，首先数据很大，需要较好的分布式训练的框架，同时因为模型很大，有很大的稀疏特征，会用称为 parameter server 的训练框架的模式，模型本身不能够在一个节点全部放下，特别是个巨大的embedding，所以需要把模型在这个 embedding 层，用分布式的 ParameterServer 的存储来管理，walker server 获取要训练的模型或者参数来做训练，所以一般是 ParameterServer 的架构，同时因为很稀疏，为了提高训练加速比，会用分布式的异步的训练方式，而不是用同步的训练方式。
相反的，在语音自然语言处理感知类中，往往不是稀疏的模型，是稠密的，所以需要很高的算力，而这种模型往往具有许多很密集性的算子，例如 convolution 算子，它的训练加速比和推理优化要求很高，因为最后产生的模型深度很深，也有高密度的计算，如何提高落地，也就是在推理上面的性能，训练加速比用了许多 GPU 集群训练，如何提高训练的效果，这一类对于数据的标注是很重要的，现在的趋势也有利用半监督的学习或者自学习的方式，能够减少标注，但是对于标注的质量还是重要的。
自然语言处理，现在更多的不是自己训练 BASE MODEL，但如果有能力、有算力或有成本能够训练较大的base model，是更好的。
往往情况下，是通过别人的 BASE MODEL，在自己的垂直场景中，做迁移学习，以上是现在的 AI 架构师需要考虑的问题。在训练方面，有大量的 benchmark 做打榜，例如自己的模型能够比他人的模型在标准集上得到更好的精度。
竞争都是在研究如何能够让模型的精度高，所以大量的算法工程师，都会用同步的训练框架，因为精度能够更加保证，所以一般会基于 ALLreduce 框架来进行训练。这两个场景下都是通过深度学习框架来支撑，主要有以下两大类框架
（1） tinselflo
（2） petalch
在搜广推中，平台需要一体化，因为数据是纷杂的，需要较好的平台把数据进行较好的清理，有时候数据中还会有脏数据，因为搜广推平台往往较为实时化，较为动态的情况下，会不停的上载数据，更新服务，有时服务可能会造成BUG，会造成脏数据，所以必须要有较方便的大数据平台做数据的处理。第二个趋势就是模型的实时化，人的兴趣会变化。
对于业务的相关性很高，每个行业、每个人对于自己的业务理解不一样，往往在模型中，业务方需要掌握特征选择和模型调优的技巧，而工程师只是提供工具，提供平台，提供应用性，使得快速的进行模型调优。
最后就是工程的体系会较为复杂。基于该基础上，阿里基于 PAI 构建在线机器学习的平台，从千人千面到更加实时化
平台中就包括大数据的引擎，实时计算以及离线计算的引擎，在计算平台中有blink，把大数据的应用性，整合到 flink 的社区中，在离线计算中，有超大规模的离线计算的引擎，把这两类的特征融合在一起，生成样本库，支持大规模，稀疏化训练的平台，有深度优化的训练引擎，持续做 Online 训练，训练中间的会不断有 delta 的 snapshot 的产生，会进行模型的验证，最后部署，以及在线的观察、做反馈等等。
以上框架只要是做搜广推都需要。这套的工程体系具有可复制性，但是对于每个行业，业务理解都不同。
对于阿里业务是电商，但业务搜索推荐和广告目标不是新零售，可能是娱乐化或其行业需要做算法，可以分享经验，但是行业和行业之间会有 GAP，例如同样是做视频直播，但软件、受众、目标人群不一样的，因为有自己的运营的策略，所以需要自己掌握算法调优的能力，但是架构师可以在工程上辅助，以上也是做推荐方案的原因。因为在搜广推中工程很复杂，架构师会把工程的流程串联起来，中间的算法及中间的调优的方式赋能给用户，用户可以在基础上为自己的业务负责。
以上图片只是将图片展开，例如用户数据如何存放？物料数据如何存放？行为数据如何存放？如何用大数据引擎将其结合起来？如何进行训练？训练的时候如何发布到召回排序模块？如何实时做服务？分统等。因为服务于阿里的搜索和推荐，阿里受众用户群体巨大。
双11的节点有很多的用户，有许多物料、商品、商家、人群，模型很大，现在搜索推荐和广告从原来的 logistic regression 慢慢往深度学习在引进。现有的框架在大规模的体量上，遇到了许多的问题瓶颈，例如分布式训练，不能够分布到上千个节点训练，又例如能够分布到上千个节点进行训练，但是训练的效率不好。由于存在这种需求所以迫使企业不断优化。
正是因为需求的推动，所以深度的优化 Tensorflow 版本，称为 PAI-Tensorflow，分别向通讯算子融合、基于通信算子如何下推？在运行框架下，因为会有上千个 walker 同时训练，PS 端压力会很大，如何提高 PS 的 skelebility、如何利用 spas 的特性做通讯、运行的 library 如何优化，做了优化，使得规模能够 scale 到上千个节点的训练，能够比开元的版本更高的加速，得到了更高的提高，以上是在去年云栖大会的时候就已经达到了的很好的数据。
由于实时性的要求，会使得模型持续不断更新。模型的要求同时，因为时时刻刻在训练，特征不是固定不变的，要让引擎能够支持动态的特征的变化，才能够实时不断的训练，所以也会在引擎上面推出动态的 embedding 等 feature。在该领域和谷歌团队紧密合作，把大规模稀疏化的能力以及实时动态 INBED 的能力，积极推回社区，赋能给更多的用户。
直接到阿里云机器学习平台，直接使用优化好的框架，支撑超大规模稀疏换模型训练。
以上内容是搜广推中AI架构师需要考虑的问题，例如需要看业务场景和需求，在某些地方可能需要考虑的内容，下一章内容是深度学习在图像语言和自然数学等感知类，对于技能的要求是不一样的。