80はジャヤンタ・に密着した後、実際に明確な私は、全体的なスキルもののが、より穏やかで親しみやすい近所「学校のいじめっ子」のように、「AIアーキテクチャ偉大な神、」若手研究者と呼ばれている人々の多くは、ローリングしていないことがわかりました棚。アリに入社して以来、グループのジャヤント明確な知識が製品やサービスの非常に広い範囲をカバーする忙しかった、ほぼ2ヶ月は重要な活動の数の新しいアイデンティティをデビューし始めました。彼はアリがわずか数ヶ月、まだ完全には完全に理解されていない、非常に多方向、非常に大きい、インタビューで認めています。メディアの数が自宅で基本的にチームの後、シリコンバレーのアリ研究所にジャヤントクリアベースを報告したが、期限にしているが、嘉ヤン清は去るときよりであることを杭州のアリに参加します 新しいアイデンティティは、一日の大半は米を食べていなかった活動に参加するために、月3回の時間差ダウン、理容室に忙しく、彼の課題の多くをもたらしました。しかし、副大統領アリ・グループと同時に、嘉ヤン清は理由興奮の、まだ一般的な技術者であり、彼の最も身近なAI技術やプラットフォームに話したときに音声の速度を上げます。
このインタビューでは、私たちに明確なジャヤントは、理由は彼がアリに参加したこと、そして彼は現在、アリが詳細に行われた作業を担当している、彼は過去6年間の変化はAIの枠組みの中で発生したリコールだけではなく、また共有彼将来の発展のためのAIフィールドの現状の観察。多くがあるために彼の経験と組み合わせることで、嘉ヤン清はまた、AI、AIの実践の方向について提言のいくつかのオプションやキャリア開発を与えるから学ぶことができます。
Facebookのからアリババへ
嘉ヤン清は現在、アリインテリジェントなクラウドコンピューティングプラットフォーム部門の直接のリーダーシップで、コンピューティング・プラットフォーム部門はまた、2つのビッグデータと人工知能プラットフォームを担当し、「アリは、プラットフォームのマスターコンピューティング」として内部知られ、ビッグデータの側面はFLINK、スパークしてからが含まれますアップアリ自分自身をMaxComputeビッグデータプラットフォームは、人工知能のプラットフォームは、基礎となるリソース管理、一連の作業を開発するために、中間層AIフレームワークが含まれています。
オリジナルのFacebookに比べジャヤンタ・明確な責任の今ではアリより広い範囲、AI AIフレームワークとプラットフォーム関連の仕事に責任があります。ジャヤント明確な自分の言葉で、彼はより多くのFacebookに持っていたが、大規模なユーザーデータですが、大規模なデータプラットフォームをサポートするために必要なAIの訓練;アリのとコンピューティングプラットフォーム部門は、彼は人工知能とビッグデータの両方をサポートする必要がありますブロック。ジャヤントクリアな視界では、アリインテリジェントなクラウドコンピューティングプラットフォームビジネスユニットは、一緒に部門を置くビッグデータと人工知能の世界の一握りですが、彼はビッグデータと人工知能自体が密接に統合されたと考えているので、これら2つのプット部門は多くの意味を作りました。
過去数年間、主にデータのおかげで急速な発展の深さを学ぶために、ある程度、今日の人工知能は、実際には、AIが私たちのいわゆるモデルのうち、多くのデータを抽出することができる必要があることを「スマートデータ」であると言うことができます。このように、大規模な人工知能コンピューティングモデルを2つに要約することができ、最初は、他には、「データ・コンピューティング」AIエンジニアのトレーニングとして知られている「スマートコンピューティング」、および他の反復的なモデルであるが、大量のデータを配置する方法です内部人工知能や推論のトレーニングリンクに灌漑。「データコンピューティング」ビッグデータは常に高いパフォーマンスデータリンクで大量のデータを処理するときに、今、これらの2つの計算の組み合わせに、物事の良いされ、このような高性能コンピューティングなどの人工知能アルゴリズムと結合していますそれを作るためのソリューション全体にシリーズの技術。このような観点から、嘉ヤン清は、ビッグデータと人工知能を考える一緒に自然にフィットです。
異なる技術の範囲に加えて、アリババへのFacebookからも、明確なジャヤンタ・はつまり、別の新たな挑戦をもたらす仕事の役割の変化を与えました。ジャヤント明確なアーキテクチャのFacebookのディレクターに昇進した後の技術に焦点を当てるだけ必要とし、早期または研究者は、彼の形質転換技術管理をAI、今コンピューティング・プラットフォーム部門の社長、技術、製品、サービスを管理するジャヤント明らかに必要、と彼のために後者の二つがあります大きな課題だけでなく、非常に興味深い課題。嘉ヤン清、記者団に語った： " 技術として、商業床にオープンソースのように、最終的に製品や気性の事業を通過する必要があり、私はアリに来た理由をある程度であるほかに、クラウドネイティブは、全体のIT業界のトレンドの方向を追いました。雲の中に、確かに私のために、この時間は非常に良い時間の新しい挑戦を受け入れることで、技術進化の新ラウンドがあるでしょう。」
私たちは、アリとの最後のオープンソースになります
上記のタイトルに加えて、ジャヤントが明らかになりましたまた、オープンソースの作業アリババの数をサポートしていますので、彼は、オープンソースを中心に展開する演説を行った開発者会議での主なトピックです。開発者コミュニティの仕事のために、嘉ヤン清は非常に大きな熱意を持って、彼はより良いアリに参加するために自分の後の国内売上高の開発を促進したいと考えています。
インタビューの中で、次のいくつかのオープンソースレベルでの詳細アリババ戦略的優先事項では、私たちに明らかジャヤント。アリババは、次の3つの面でより完全で櫛にするために、コミュニティの協力を促進したいと考えています：
- 基礎となるオペレーティング・システムは、飛行アリのベース・オペレーティング・システム、だけでなく、Linuxのそれ自体がオープンソースシステムであるなどのアプリケーションがたくさんある、ちょうど彼のアリババクラウドのLinux 2 OS上でいくつかの時間前にアリをリリースしました、アリは次の本ではどのように自分自身を検討します最適な方法で容量が社会に貢献しています。もう一つは、ネイティブの雲は、この層の上に下るで広く、彼らは大規模な雲のあるとしてある程度、クラウドの場合、このようなAIプラットフォーム、ビッグデータプラットフォームとして、関連するアプリケーションとの比較は、考えることができ、オペレーティングシステムと呼ばれることができますネイティブのオペレーティングシステムベース。その後、アリはまた、K8Sネイティブシステム上の雲のようなオープンソース団体と協力出力FLINK、スパークやその他のオープンソースビッグデータ製品を強化するために探して。
- 基盤となるシステムに比べてフロントエンドの開発モデルは、フロントエンドはデザインとの相互作用で、より興味を持っている、前方領域で非常に人気が非常に良いプロジェクトに代わって行われているアリの金のドレスAntDesign。
- アリババは、常に、このような順番でテスト展開ツール、ソースコード管理ツール、プロジェクトの通信を含む、オープンソースの開発者はより効率的に物事を行う支援するオープンソースプロジェクトおよびソリューションを使用する方法として、に非常に興味を持ってきたツールレイヤの方向プラットフォーム、およびように。これは、外国人コミュニティが比較的優れているので、将来はどのようにより良い懸念のAlibabaの収入レベルに焦点を当て、国内のエンジニアや文化交流のプラットフォームの確立を促進します。
ジャヤントクリアな視界では、コミュニティの近さで、オープンソース・プロジェクトのアプリケーションは、多くの場合、アプリケーション全体の成否を決めます。状況は、過去に多くの場合、業界を発生し、すべての企業は、オープンソースコミュニティのバージョンには、いわゆる変化があり、最終的には、同社のコミュニティ開発の能力と容量が融合バックに困難です。しかし、我々は過去の経験から学んだ、今日はより良い社会とのドッキングのための方法を学びました。プラットフォームグループの例として、リアルタイム計算エンジンApacheのFLINKプロジェクトの現在の動作状態に多くの労力を計算するために、一方では、同社はそれらのいくつかの開発と最適化に深く関与することになる一方、システムアーキテクチャとソフトウェア上で皆を置く能力アイデアは、このように優れたオープンソースプロジェクトの開発を推進し、変更によってこの練習を自分自身を取得するために、企業内のすべての人を避けるために、オープンソースコミュニティ、オープンソースに貢献しています。企業にとって、彼らは順番に、オープンソースの最新の成果をより効果的に利用することができます。
また、ApacheのFLINKオープンソースコミュニティのためのオープンソース戦略グループレベルを、に、嘉ヤン清はまた、次のいくつかの計画を明らかにしました。
現在、ストリーム・コンピューティングの利用シナリオのためのFLINKは非常によくサポートされている、次のアリはまだ最適化し、FLINKが行う改善し続け、ユーザーのニーズからとなります。一方、アリは;この方法とドッキングコミュニティを通じて、FLINK上でより多くの地面を得るためにということもあり期待しているなど、次のロードマップFLINKに伝えるために、これらの活動とインタラクティブな開発を通じて、そのような活動FLINKフォワード総会を実施していきますどのようにロードマップ上のいくつかの入力を含む、システム設計をダウンします。嘉ヤン清は、と言った比較的健全なオープンソースプロジェクトのために、必要不可欠であるどちらも入力ユーザニーズに、独自のシステムを設計します。だから、多くのオープンソースプロジェクトは、インタラクティブ・メディアの開発者と同様に、対応する開発者会議があるだろう、FLINKも例外なくなります。
現状とAI技術の将来
カフェは「傑作になる前に」です
彼はAIフレームワークカフェを書いたので、偉大な神としてAIアーキテクチャ、多くの人がジャヤンタ・が明確知っているが、それは、6年前にすでにものです。カフェに、この傑作を話したとき、嘉ヤン清は、意図的にその「傑作の前に。」と強調停止しました 六年前、何のフレームワークは、独自のカフェの開発で直面する問題を解決するために、需要、そのジャヤント明確な論文を満たしていないことです。嘉ヤン清はまだその時のスラッシュの比較的時代で、考え、実行する方法のため、我々はいくつかのより多くの研究論文、ソフトウェアエンジニアリングフレームワーク、火傷、どのようにフィットは、比較的早いです。しかし、上昇と深い学習の開発に、より多くの業界に入り、現在は解決した画像でTensorFlow、PyTorch他の主流のAIフレームワーク、自然言語処理、音声の問題とモデリングのシリーズとして過去に比べ行われてきました自分のR＆D Caffeのフレームワークを解決しようとするときにも多くの問題がより6年前のこの段階ジャヤント明確な問題で主流の枠組みの中で解決しようとするも大きいです。
嘉清ヤンは、前世代のAIフレームワーク、強力な学術マークとこれらの初期のフレームワークとして定義カフェ、Theano、トーチは、方向のためにしようとするいくつかのより多くの研究を行います。さて、このようなTensorFlow、PyTorchとしてAIフレームワークの第二世代は、より広い拡張の概念的枠組みを持っていますが、コンパイラを探索しながら、単に、より多くの一般的な科学技術計算エンジンを設計する方法で、ニューラルネットワークモデルの深さを学習していません、上部フレームとハードウェアとソフトウェアの協調設計より複雑なモデリングおよび他の方向。「私は6年前に枠組みを述べ、それはそう、今日は、ただの非常に狭い部分の内部ソフトウェアスタック全体かもしれません。」
カフェが最初に立ち上げ、ジャヤントは明確なそれが設定された目標を見てすぐに戻って、「Hadoopの分野で機械学習と深い学習」になることを願って、そのうちのいくつかの特に興味深い偶然ジャヤント明らか。この目標は、Hadoopのように広まってカフェのことができるようにすることで設定していた、私は両方が本当にロードマップで似たような状況を経験したと思ったことはありません。ビッグデータの観点から、今日は、FLINKこのより複雑なエンジンをスパークするためのHadoopビッグデータから進化してきました。Hadoopの年の主要なコンピューティング・モデルでは、MapReduceのある、そして今スパーク、FLINKは、より洗練されたアプローチを使用します。有向非巡回グラフ（DAG）RDD関係モデルを用いた例をスパーク、計算モデルのMapReduceよりも柔軟であるRDD依存性を、記載。ニューラルネットワークおよび他のためのカフェ・デザイン・フレームワークは非常に、そのシステムの設計は、ネットワークと呼ばれる概念があり、その後、内側の層の概念があります、行うためのフロント前に、新しい世代の現在のフレームワークとカフェは、同様の状況と比較しています計算、比較硬化後、MapReduceのようなのようなビット。より汎用的なコンピューティング・グラフ・モデルを使用して等TensorFlow、PyTorch、Caffe2、など今日の主流のフレームワーク。第二世代の順方向進化第一世代からの場合があり、AIフレームワークとビッグデータフレームワークは、同様の開発を経験したと言うことができます。
AIフレームワークは、ホイールを作成し、繰り返し外の課題に焦点を当てるべきです
以前のアリを内部演説の中で、嘉清ヤンは、このような見解を表明し、彼は考えている「他のより広範な方向に技術的な課題のAIフレームワークの説明の均質化。」このような判断をするため、嘉ヤンチンは、InfoQの記者のより詳細な説明をしました。
嘉清ヤンは、最も重要な二つの点、フレームワークをモデルに1つのシンプルで柔軟なサポート、柔軟性のためのAIフレームワークの現在の使用はまた、開発に呼び出すことができ起因する、もう一つのポイントは、理由はAIアルゴリズムと、より効率的なコンピューティングを実現することですパフォーマンスがしなければならないoptimization'll、数万に実行するか、数百数千台のマシンであり、このような推奨システムとして、インフラの効率が非常に重要になるだろう、エンジニアリングに適用されます。現在のほとんどのフレームワークは、イーガー・モード、古いカフェPyTorchのPyTorch 1.0バージョンを追加し、マージTensorFlow 2.0を含め、これらの二つの努力の方向に移動され、徐々に前述したこの2つの問題を解決している、独自のパディングショートボード。実際には、フレームワークがあるすべての人のデザインも同じ方向に移動して、お互いから学び、私たちは徐々にはっきりと明確になることを始めている問題を解決することを学ぶされています。「この時間は、ある程度、最終的には、車輪を再作成するために、それはこれがAIのエンジニアは、さらに検討が必要な問題である？どのくらいの重要性を持っています。」
より深く、我々は数年前に、言うAIはこのような状況AIフレームワークと同等であるとき、それはAIに来るとき、誰もが少しになりますが、今日、全体AIのエンジニアリングソリューションは、それを行うには、実際には、薄い内部フレームの一部です。嘉ヤン清は、C ++のようなコンピュータプログラム言語、などのAIフレームワークは、より便利な言語ですが、それは十分ではなかった光の理由から、フレームは本当に、それは非常に良い生態を持っていることを価値を反映し、科学がたくさんあると思いますコンピューティングおよび外部サービス。だから、フレームの先頭から、アップダウンがあり、私たちの注意を必要とする分野の新しい戦場以上の多いです。
ダウンシステム上のハードウェアとソフトウェアの協調設計を行う方法、などを行う方法として、革新的な、高性能コンピューティングを含むことができ、そうするまで、フレームワーク自体はそうであまり大規模な訓練モデルの反復を動作するように、完全なツールチェーンを行い、ないかもしれません。だから、アリは今最初の懸念は、フレームワークを採用することで、第二は、それは、このようなオープンないくつかの時間前にソースアリMNNエンジンとして全体のリンク、それは私たちがより良い携帯電話側では、埋め込まれたエンドモデルを実行することができないAIです。また、アリXDLと呼ばれるオープンソースプロジェクトがあり、XDLが大規模な間引き推薦システムを構築する方法を考えで、スパースモデリングは1つの非常に共通のフレームワークを逃すたくさんある：上記の基本的な枠組み、必要がありますこの問題を解決するためのビジネスツールと抽象化のレベル、またはそれ以上の関連するプラットフォーム。なぜそれが大規模スパースシステムに有用ですか？関係があると言っているので、例えば、アリババが行う方法をお勧めします、とスパースデータに関連する関心の異なるトップニュースサイトでどのようなニュースの消費者なので、この1つは光の汎用コンピューティングを持っているすべてのシステムを推奨していますフレームワークは、スタック全体にわたって必要AI-エンド技術開発の努力を解決することはできません。
ハードウェアとソフトウェアの協調設計
ジャヤントクリアな視界では、AIコンパイラは次興味深く、非常に重要な研究方向です。まず第一に、新しいハードウェアのバージョンがある場合には、深い学習フレームワークは、多くの場合、さまざまな演算子を実装するために書面で要求される前に出てくる、これらの機能は、多くの場合、再最適化を必要とし、第二に、最適化を行い、最後にこれらの手書き機能でも、最適ではありませんあなたが最適なソリューションのパフォーマンスを見つけるためにすべての可能な方法を排出することができれば専門家は、必ずしもではありません。そしてXLA、これらの問題を解決するために、あるTVMなAIコンパイラのように。
AIコンパイラは、チップの容量を最大化するために設計されたハードウェアとソフトウェアの協調設計の範疇に属します。現在の新チップ製品別の後、我々は徐々に追いつくために始めている手書きの上にハードウェア設計ソフトウェアにこのモデルを持っていました。今、より多くの複雑な、より複雑な構造、我々はデザインの手書きが最適でないかわからない、この時間は、AIガイド付き編集またはパフォーマンスガイド付きコンパイルを行う方法を検討するために、ソフトウェアとハードウェアの機能を開始しました柔軟性良く一緒に。一例として、このプロジェクトへのTVMは、実行時にするハードウェア機能で計算モードによって設計や最適なコードが実行されて生成するために時間がかかるかもしれません。これらは、同様に、研究やアプリケーションの観点から、フレームの方向よりもより有意義になってきている、検討されたハードウェアとソフトウェアの協調設計の方向です。
ハードウェアとソフトウェアの協調設計を行うことは非常に困難である。しかし、エンジニアが少ないと文化は非常に困難であるので、人間のラインのアーキテクチャで豊富な経験を持っている必要があります。私たちは、アーキテクチャの最適化問題としてモデル化することができた場合は、機械学習は便利になることができます。
AIコンピュータ・システム・アーキテクチャ
2018年3月発売のSysML会議の冒頭から、機械学習/深研究関連のハードウェアインフラストラクチャとコンピュータシステムに焦点を当てたジェフ・ディーン、。だから、最後にAIは、コンピュータ・システム・アーキテクチャに新たな機会をもたらすことができますか？ジャヤント明確には2つの観点から考えました。
実際には、そのような概念は、機械学習のためのシステムおよびシステムのための機械学習で言及したとき、ジェフ・ディーンは、SysMLのを述べました。今日は、機械学習のためのシステムの複数の操作を行い、そのような機械学習ニーズがある場合には、時間を意味し、どのように我々はそのニーズを満たすためにシステムを構築することです。一方、コンピュータシステムを構築する過程で、我々はまた、データ駆動型と、元のシステム設計は、人間の経験に依存しているの問題を解決するためにシステムを最適化するために設計された、システムのための機械学習されるとどのように機械学習法によって方法を検討することができます物事を解決するため、現時点では、それは探査の比較的早い段階にとどまっていることができ、人工知能は、ボトルネックの一つは次分割する必要もあります。
AIの商業床
業界では、この段階の焦点では明らかで別の方向ジャヤンタ・に上陸しました。AIのフィールドを入力するときに比べて、嘉ヤン清は、最大の変化は、業界の入力のためのAIアプリケーションであると思うし、AIアルゴリズムは、より多くなります。マシンは80％の80％の正解率の問題を解決するために、時間の80％を学ぶ：業界は、我々は感情を持っている2000年の初めに早いです。実際には、これは実際の商用のしきい値を越えることができないことを意味します。深い学習は非常に成功した結果のさまざまな分野で達成しかし、今、アルゴリズムの精度の多くは、しきい値以上に上昇しているアプリケーションを落ちることが、産業界が多数のアルゴリズムを使用し始めているこの方法は、順番に、アルゴリズムの更なる発展を促進、シーンはより多くの業界が戻って研究にフィードバックされる必要があり、同様にAIの研究開発の数が非常に多い人口増加を持っています。
同時に、貿易への人工的な障壁は、まだ実際の着陸に存在します。どのように人工知能の多様性は、AI +業界が本当にそれをプッシュすることができない、これは現在、明確な人工知能ジャヤントの分野で直面する別のボトルネックであるように思われます。
科学的観点、人工知能の分野からは、そのような知性の性質として解決すべき多くの問題は、最終的にそこにある私たちが今行うことができますどのように、その後、因果関係と因果推論を行う方法を、より多くのまたは予測問題をやっていることですその上で、人工知能、および説明。
どのようにAIの研究を選択するには？
最終平和の非常に熱い問題を持つことが知られている、主な問題は、機械学習に（2019年）現在の」特別なピットを研究質問ですがありますか？どのような少し方向の実用性を行うことが貧弱または非常に困難であるか、それともなけなしの方向サークル内の人だけを作ることができるのですか？「私たちはこの質問にも答えるために彼を求める、明確なジャヤンタ・スローを置きます。しかし、国立清華ヤンはそれほど飛んでいない未来を予測するために、神を表す誰もがニューラルネットワークは確かにゲームは、「だから、一つのことにすぎない知らないこのことは、より肯定的であるされていると思ったとき、彼はただ、機械学習に従事し始めた：書き込まないでください古い枠組みではなく、新たな方向を見て。」
嘉ヤン清我々はカフェに行けばぶっきらぼうに、退屈なの枠組みを書きますが、あなたはTensorFlowとPyTorch長所と短所を見たい場合は、プログラミング言語を作成し、またはそのより良いの利点を持つシステムの視点に違いがあるかどうかフレームワークは、まだやるべきことができます。要するに、それは次のようになります。従い、およびいくつかの新しいものを注文しないでください。たとえば、Googleは最近のプロジェクトは、一緒にPythonのと結合することは非常に自然なことができ、基礎となるアプリケーションコンパイラの最適化の機能を行うために、すべての最初の、非常に人気のJAXと呼ばれていたが、これらは、新たな方向性について非常に興味深い研究です。嘉ヤンチンはJAXはすぐTensorFlowに取って代わるだろうとは思いませんが、それは必ずしもすべての問題を解決すると思うが、本当にちょうど2008 Theano、2013年のカフェと同じのように、探索するための良い方向ではありません、一見の価値があります新しい何か。
また、嘉ヤン清は最近、もう少しバイアスされたネットワークパラメータ調整の論文を見て言った、彼は手動でこの研究の値は徐々に減少している高めるために少しのパフォーマンスを得るためのパラメータを調整すると考えています。研究者は、自動ネットワークチューニングを達成するためのより良い方法があるかどうかに注意を払う必要があります。「その手動研究方向に、より大規模なシステムの使用に関する一般的な方法論研究はより興味深いかもしれ抽出することがより可能、低値の方向です。」
ビッグデータ・コンピューティング・プラットフォームについての講演
現在の学習の深さが、それは、インターネットと端末機器の急速な発展で、まだ大量のデータに非常に依存しているが、データだけでなく、大規模なだけでなく、非常に高速で変化する、最新のデータ入力が入ってくるどれだけ速く、処理され、より正確に生成し、生成しましたアルゴリズムモデル？これは、大規模なデータ・コンピューティング・プラットフォームを含む、AIのインフラストラクチャを提供し、我々は新しい要件を提案しました。
Hadoopのような以前のシステムは、計算されて一緒に保存され、その後、業界では、柔軟なスケーリング能力を実装するために簡単に複数の別々のコンピューティングとストレージを促進し始めました。AIは、ヘテロジニアス・コンピューティングを持参するように訓練され、ビッグデータ・コンピューティングと話すことに、より多くのメモリ、個別のストレージと計算時に言って、今日は新しいコンピューティングを持っています。ジャヤント新しい対応するストレージと呼ばれるシステム、データ計算をクリアし、3つの別々の科学を計算する：このシリーズの安定性の問題のスループットを解決するために主に分布し、大量のデータを格納するメモリと、データがどのようにデータ前処理を行うためのソリューションを計算し、データ清掃、この種の問題のデータ変換、どのように迅速に問題の多数のハードウェア・パフォーマンス・コンピューティングとコンピューティング・モデルの数学的な表現を解決するために科学的なコンピューティング・ソリューションを使用します。どのようにモジュール設計、どのように異なるモジュール一緒に有機的にこのようなシステムは、これはデザインを提案した大規模なデータ・システムのための新たな挑戦です。
力の今後の方向性について、メインドックのシーンは、さらに効率を改善し、ユーザーエクスペリエンスを最適化する方法であることをジャヤントが明らかに、ビッグデータ・コンピューティング・プラットフォームに焦点を当てる必要があります。彼は最初のものは、従来のバッチ・コンピューティングであり、第二はFLINKを計算するストリームのようなもので、第三は、対話型クエリを秒でそれを行うかさえミリ秒にする方法で、まず、大規模なデータ・コンピューティングは、現在4つの主要なシーンを持っていることを言いました4は、AIとの大規模なデータリンクを介して取得大規模なインテリジェントモデルのトレーニングと展開を行う方法です。
近年では、ストリーム・コンピューティングますます注目、FLINKは嘉ヤン清はまた、独自の見解を持って、メインストリームのバッチ団結、となっています。
ビッグデータフィールドシーンの顔でバッチおよびフローが私の意見、バッチで、非常に異なっていたし、これら2つのシナリオの流れは、基本的なシステム設計は、天然に基づいており、異なるエンジンのいくつかの良いバッチ、いくつかの良い流れ、 FLINKは、上記の流れでは誰にも劣らない、より完全な経験をユーザーに提供するために、統一されたバッチの流れを行います。
今、私たちはしばしば議論され、より実用的な背景があるので、実際には、均一な流れの問題を承認しました。私たちは、より多くのシーンフロー計算がベースであり、時にはバッチ・コンピューティングの一部を適用する必要がありますが、高効率を必要としません。エンジンが完全に全体を変更した場合、この時間は、あまりにも多くの支出、エンジンが最後の経験に終了したアプリケーションを提供し、ショートボードを埋めする方法を検討する必要があります。この時間は、計算過程のすべてのデータを移動するため、さまざまなニーズに要求されていません再び。バッチ・ストリームの団結で、私はFLINKは、ユーザーがメイン、相対的に低い全体的なシーンでストリーミングすることができ、バッチ・コンピューティングのための、対話型のクエリが満たされない一方で、ストリームの一番上の位置にその主要なコンピューティングを強化していきますと思います、すぐに独自のソリューションを構築することができるようになります。
今、私たちは、ストリーム・コンピューティングのより多くを参照して、対話型のコンピューティングこれらの2つのシナリオが発生します。将来についてはまだバッチ指向、私は個人的に計算これらの2つのタイプがまだ存在しています長い時間のためのその次感じる計算するために、メインストリーム・コンピューティングであるが、実際にそれを使用することは困難で、異なるシナリオのために最適化された非常にユニークですすべての問題を解決します。
AIの実務家のためのアドバイス
AIの科学者のリーダー、嘉ヤンチンは、わずか数年で技術管理者への技術者・研究者からの転換を完了したとして、キャリア開発のさまざまな段階で、偉大な神は異なる課題に直面することになります。インタビューの中で、短い時間が続く、ヤン清嘉は私達と彼自身のキャリア開発の経験から学んだいくつかの小さな教訓は、我々は手助けをしたい共有しました。
継続的な学習、ますますピア
AI技術が急速に進歩しているエンジニアは、ほとんどの頭痛の可能性が高い新しいアルゴリズムモデル、日々新しい技術、新しい枠組みをemergeしていきます、開発者のために、不注意は時代遅れの知識を所有することができ、それはまた、（それがいかに難しいか、新しい結果かどうか、それは考慮しなければならないでしょうに行わ誰もありません）研究の選択がますます困難になっています。
嘉清ヤンは、AI技術の分野は、新たな情報技術の成果、継続的な知識の反復を吸収するためのイニシアチブをとることを学ばなければならないことを強調しました。HackerNewsのように、Redditにの機械学習プレートなどは、情報のすべての良い情報源です。今AI、新たな成果と良いことあるの伝播の新たな研究方向を、促進の分野における新しいアイデアのメディア最前線がたくさんあります。
研究方向の選択は、ジャヤントは明らかに十分な1が興味を持っている、2つの原則を考えて、およびその他のマルチピア交換です。
自体は汎用性の高い技術であることを許可します
ビューの前述のポイントとして、それはジャヤントに明確なようで、今AIフレームワークは、もはやAIエンジニアの束縛され、AIエンジニアの仕事の責任は対応起こるでいくつかの変更となり、私たちは未来にもっと彼らの焦点を置く必要がありますシーンの実用化と組み合わせます。次の最大のチャンスは、エンジニアのためのAI本当の地面には、彼はAI機能などは車が上がるどのように行うかのIoTドッキングデバイス、を含む、フルスタック機能を持つようにAIからだけの簡単な移行を必要とする方法です。エンジニアのAI以外の能力を強化することに加え、だけでなく、より汎用性のあることをいくつかの文化の独自の技術力を入れました。
嘉ヤン清は率直に言って、ある程度、実際には、「AIエンジニアは」このタイトルは少し虐待、または出産の役割のうちAI比較的より多くの熱からです。
「実際には、今日はただのJavaエンジニアのJavaを持っていない、Javaは単なるツールであるため、実際にはAIが、より重要なのは唯一のツールすべてのエンジニアがプログラムされなければならなかっただけのように、あなたはそれを得るか何であるか、その各エンジニア基本的なエンジニアリング能力の一部でなければなりませんでした、AIは基本的なエンジニアリング能力です。」
通常の開発者のために、どんなものをオープンエリア、未来がAIの学び応用を学ぶことができない、必ずしもこのレベルのAIの枠組みを構築する方法を知っていることを学ぶ必要はありません、あなただけどのようにExcelなどのAI、などのJavaツールを学ぶ必要がありますもっと面白い方向に自分の能力を高めるためである、使用しています。AIのエンジニアや研究者に特化するために、よりまだ彼らの分野で深い掘るする必要があります。
フロントライン管理者から開発する：バックステップを取るために学習後、他人の成果を
ジャヤントが明らかにそれはコードを書く時に、ハードはまだですが、最初の年に第一線の開発から管理職に行き、コードは出力の最初の量ではない秒であるが、グループでのサポートやトレーニング投資の面で彼のチームは、内部に伸ばしました。このラインの発展のために良好なパフォーマンスかもしれませんが、管理者のために、それは動作しません。マネージャーとして、彼は成長しているチームを与えるために十分な価値を提供していませんでしたので。人のエネルギーは、彼が午後12時まで9時から時間を働いていた、あるいは後に、書き込みコードとサポートチームの両方を行うことができない場合でも、限られています。
とき、自分自身のような男今年のものは、自分の能力を最大化するために、チームの残りの部分を助けるのではなく、言うことを、単に技術開発に従事している明確な経営者が実際に行う必要があるとして、彼は後に実現することをジャヤントのための偉大なタッチが起こりましたそれに前進。管理者は、そのフロントラインの学生はもっと運動を得ることができるので、バックステップを取る必要な指導およびエンパワーメントを提供し、他人を信頼し、彼らのためにスペースを作成することを学ぶ必要があり、心の変化は、独自の技術サポートチームのスケール技術から掘削されました。
推奨活動
明確なジャヤント、アリクラウドコンピューティング・プラットフォーム部門を助けるために、今後継続的な学習の機会とピア交換、天池プラットフォーム、インテルは共同で最初のApache FLINKオタクチャレンジ重いの着信を整理！
機械学習と2つの、最近人気のあるフィールドの計算性能上の焦点は、コンテストを入力自体は汎用性の高い技術と同様に、賞品10Wを獲得するための機会であることを可能にします。
コンテストの詳細は、クリックしてください：
https://tianchi.aliyun.com/markets/tianchi/flink2019
