【51CTO.com原创稿件】2018年，人工智能作为人类开创未来最耀眼的技术之一，正在深刻影响着全球产业结构、商业模式、城市形态以及人类生活工作方式。如何让人工智能技术为行业赋能，让众多行业共享科技生产力，是数字化转型浪潮下的重要课题。作为推动人工智能务实创新的年度重要活动，11月30日-12月1日，WOT2018全球人工智能技术峰会在北京•粤财JW万豪酒店盛大召开。60+国内外人工智能一线精英大咖与千余名业界专业人士齐聚现场，分享人工智能的平台工具、算法模型、语音视觉等技术内容，探讨人工智能如何赋予行业新的活力。
11月30下午，A会场机器学习分论坛召开，三位资深专家受邀出席发表精彩演讲，会后51CTO将专家发言整理成文，希望他们的演讲内容精华对大家有所帮助。
杨雪峰 深圳追一科技有限公司高级研究员
阅读理解技术探索与在企业服务中的应用
杨雪峰的分享主要有两部分重点，首先他介绍了机器阅读理解的现状、市场上前沿技术，以及机器阅读理解的背景、意义、方法论。其次他分享了AI技术落地的难点与阅读理解技术的产品化实践。
在杨雪峰看来，机器阅读理解通俗来说就是针对给定的问题找到用户需要的答案，答案可能是文字，也可能是图片、数字、符号、片段，不同的答案形式，难度也有很大区别，通常通过不同的数据集来处理。他在现场介绍了目前主流的四个英文数据集，即谷歌发明的CNN & Daily Mail数据集、微软MCTest数据集、斯坦福创建的SQuAD1&2数据集，以及微软的MS MARCO万量级数据集。此外中文数据集做的比较好的有百度的DuReader和科大讯飞的CMRC数据集。
杨雪峰还在现场举了几个机器阅读理解的应用场景：
一是客服和新员工培训场景。由于客服流动性较大，企业需要尽量减少培训环节，让客服人员尽快上岗，熟悉操作手册和业务常用文档，而通过机器阅读理解产品，可以第一时间解答员工疑问，帮助员工熟悉业务;
二是在金融领域里提供专业咨询服务。由于人手有限，基金经理无法回答所有人的提问，但是通过机器阅读理解，可以让用户自主查询到详尽的文档和数据，提升用户体验;
三是儿童兴趣早教，可以给儿童提供用于教育应用的通用知识问答系统，例如儿童早教机、婴幼儿辅导等环节，孩子们可以在娱乐中丰富自己的知识。
杨雪峰在现场还以他们为南方航空提供的解决方案现身说法，他表示南方航空每周都会推出各种活动，每当这时客服人员都需要解答大量多的问题，追一科技会从上千篇文档集中筛选出最容易被咨询的文档，建立模型通过自动抽取功能，推荐很多问答字段，简化企业标注流程，并做出细致的标注，尽可能让用户简单使用，满足高并发访问场景。“未来这个领域还有很多挑战，尤其是金融客户大多都是私有化部署，数据是一个闭环系统，他们希望能够叠加自己的数据训练新的模型，而让服务商只提供产品逻辑即可。”
俞圆圆 杭州威佩网络科技有限公司CTO
深度学习在电子竞技行业中的应用
俞圆圆在一开场就表示，传统体育行业的数据分析方式并不适用于电子竞技领域。同样是数据搜集，传统体育行业是以人工搜集和技术搜集同步进行，例如某个球员又进了进个球，需要人工根据现场情况进行登记，而且更多的是依赖现场专业人员进行解读。而这些数据分析的手段在电子竞技领域则行不通，例如电子竞技选手往往一天可以打几十场游戏比赛，游戏迭代快，游戏规则和逻辑多变，传统数据分析很难跟得上变化节奏。除此之外，游戏里角色复杂，每个角色的装备、团队贡献值、伤害力等多重指标都需要做一个数据分析和展示。更特殊的是，电竞行业参与者的主观意识都很强，认知差别大，很难套用传统体育专家分析的模式。“在过去的电竞数据分析中，很多的团队使用的传统数学模型，往往会被玩家和用户指责不够客观或是不够全面。使用深度学习的话，就可以很有效的规避这些问题。”
对比传统数学模型，深度学习具有可塑性、普适性、高效性三大优势。俞圆圆指出，深度学习的模型可以是很多很多的building block，可以把很多问题全部变成工程化的问题，经过训练后很快就可以搭建模型，而且模型很容易被移动到另外一个项目上。当然，俞圆圆也坦言，电竞行业的深度学习也有缺点，需要非常多的训练数据，而且也不能直接学习和理解。“当深度学习和电子竞技游戏结合以后，处理大量的数据也不需要人工因素的干扰，客观性更好，而且可以快速完整处理大批量数据。”
演讲最后，俞圆圆详细介绍了一个胜率分析项目AlphaMao，来展示他们如何运用深度学习的技术和模型解决电竞问题的。在半年的时间中，模型每天都在通过学习新的比赛样本来更新自己的模型，训练数据来自六千万场电竞比赛。由于游戏规则更迭很快，所以他们既要学习过去的数据，又要更新最新的数据，而且要随时调整提高更新数据的权重比例，最终模型拥有60%的总体准确率以及高达97.6%的相对准确率。
“未来我们关注的方向主要有三个。” 俞圆圆透露，他们将在模型中添加上时间数据，争取可以做到实时胜率分析，而且还将对对胜率进行分析，为玩家提供更直观有效的建议。除此之外，他们希望深度学习模型可以轻易的移植到其他游戏中。
贾荣飞 淘宝高级算法专家
重新定义人货场——端上智能，情景计算
贾荣飞在演讲中谈到，消费者在购买东西的时候，不同场景下有不同的需求，例如在公司里由于时间紧迫，人们希望更快下单，但是如果是在家里，人们则更愿意舒舒服服躺在床上慢慢浏览购物页面。鉴于此，淘宝希望能够重新定义人货场，加大对用户手机上信息的理解，改变电商与消费者多的交互模式，从而推动电商智能化发展。
当越来越多的货品通过电商销售，如何准确理解消费者的需求变得更加重要。贾荣飞认为，智能手机时代给这一切提供了可能，它可以定位用户的实时状态，然后淘宝通过情景计算技术对用户实时状态进行分析和理解，更聚焦地了解客户此次此刻需要什么。“这比原来的推荐搜索更进一步理解用户。”他坦言，这里也存在很多难点，一来用户信息量很大，如何在复杂信息中抽取有效信息?二来随着处理的数据量越来越大，电商的计算能力如何支撑更大的信息量和更复杂的模型?这是非常有挑战性的课题。
据贾荣飞介绍，淘宝对于情景计算的诉求主要是希望能够实时处理用户的订单，对于单一用户希望有更大的算力进行服务，在这样的需求下，淘宝毫不犹豫地选择将计算力在客户端部署为主，在云上更多的是构建全局模型，用户之间实现信息共享，整体情景计算的架构设计“以端为主，以云为辅。”而深度学习的模型就被应用在对用户信息的甄别和理解上，对于判断用户所处环境非常有帮助。
由于这些模型都是复杂模型，而复杂模型在端上不可避免的会遇到计算能力的问题，所以淘宝就开始研究如何通过端上框架的改进来支持可计算性。贾荣飞介绍到，首先在端上会有原始数据的采集，定期获取用户实时状态，发送到基础模型生产出中间数据，为应用产品进行服务。同时在云端，淘宝会完成模型的训练，再定期同步到用户手机端，用实验和各种参数确保用户拥有良好的使用体验。
“下一步我们希望在三个方向上做更多的尝试，”贾荣飞透露，第一个是做用户需求发现引擎，能够分析出用户在不同场景的喜好，第二个是实现从千人千面到千人千模，充分发挥用户手机端的计算能力和对用户的深入理解，在每个手机上训练出一个针对单一用户更个性化的东西。最后一个是云+端的联合学习，淘宝希望把云+端的信息联合在一起进行训练，取得更好的效果。
以上内容是51CTO记者根据WOT2018全球人工智能技术峰会的《机器学习》分论坛演讲内容整理，更多关于WOT的内容请关注51cto.com。
【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】
