【51CTO.com原創稿件】2018年，人工智能作為人類開創未來最耀眼的技術之一，正在深刻影響著全球產業結構、商業模式、城市形態以及人類生活工作方式。如何讓人工智能技術為行業賦能，讓眾多行業共享科技生產力，是數字化轉型浪潮下的重要課題。作為推動人工智能務實創新的年度重要活動，11月30日-12月1日，WOT2018全球人工智能技術峰會在北京•粵財JW萬豪酒店盛大召開。60+國內外人工智能一線精英大咖與千余名業界專業人士齊聚現場，分享人工智能的平臺工具、算法模型、語音視覺等技術內容，探討人工智能如何賦予行業新的活力。

　　11月30下午，A會場機器學習分論壇召開，三位資深專家受邀出席發表精彩演講，會后51CTO將專家發言整理成文，希望他們的演講內容精華對大家有所幫助。

　　楊雪峰 深圳追一科技有限公司高級研究員

　　閱讀理解技術探索與在企業服務中的應用

　　楊雪峰的分享主要有兩部分重點，首先他介紹了機器閱讀理解的現狀、市場上前沿技術，以及機器閱讀理解的背景、意義、方法論。其次他分享了AI技術落地的難點與閱讀理解技術的產品化實踐。

　　在楊雪峰看來，機器閱讀理解通俗來說就是針對給定的問題找到用戶需要的答案，答案可能是文字，也可能是圖片、數字、符號、片段，不同的答案形式，難度也有很大區別，通常通過不同的數據集來處理。他在現場介紹了目前主流的四個英文數據集，即谷歌發明的CNN & Daily Mail數據集、微軟MCTest數據集、斯坦福創建的SQuAD1&2數據集，以及微軟的MS MARCO萬量級數據集。此外中文數據集做的比較好的有百度的DuReader和科大訊飛的CMRC數據集。

　　楊雪峰還在現場舉了幾個機器閱讀理解的應用場景：

　　一是客服和新員工培訓場景。由于客服流動性較大，企業需要盡量減少培訓環節，讓客服人員盡快上崗，熟悉操作手冊和業務常用文檔，而通過機器閱讀理解產品，可以第一時間解答員工疑問，幫助員工熟悉業務;

　　二是在金融領域里提供專業咨詢服務。由于人手有限，基金經理無法回答所有人的提問，但是通過機器閱讀理解，可以讓用戶自主查詢到詳盡的文檔和數據，提升用戶體驗;

　　三是兒童興趣早教，可以給兒童提供用于教育應用的通用知識問答系統，例如兒童早教機、嬰幼兒輔導等環節，孩子們可以在娛樂中豐富自己的知識。

　　楊雪峰在現場還以他們為南方航空提供的解決方案現身說法，他表示南方航空每周都會推出各種活動，每當這時客服人員都需要解答大量多的問題，追一科技會從上千篇文檔集中篩選出最容易被咨詢的文檔，建立模型通過自動抽取功能，推薦很多問答字段，簡化企業標注流程，并做出細致的標注，盡可能讓用戶簡單使用，滿足高并發訪問場景。“未來這個領域還有很多挑戰，尤其是金融客戶大多都是私有化部署，數據是一個閉環系統，他們希望能夠疊加自己的數據訓練新的模型，而讓服務商只提供產品邏輯即可。”

　　俞圓圓 杭州威佩網絡科技有限公司CTO

　　深度學習在電子競技行業中的應用

　　俞圓圓在一開場就表示，傳統體育行業的數據分析方式并不適用于電子競技領域。同樣是數據搜集，傳統體育行業是以人工搜集和技術搜集同步進行，例如某個球員又進了進個球，需要人工根據現場情況進行登記，而且更多的是依賴現場專業人員進行解讀。而這些數據分析的手段在電子競技領域則行不通，例如電子競技選手往往一天可以打幾十場游戲比賽，游戲迭代快，游戲規則和邏輯多變，傳統數據分析很難跟得上變化節奏。除此之外，游戲里角色復雜，每個角色的裝備、團隊貢獻值、傷害力等多重指標都需要做一個數據分析和展示。更特殊的是，電競行業參與者的主觀意識都很強，認知差別大，很難套用傳統體育專家分析的模式。“在過去的電競數據分析中，很多的團隊使用的傳統數學模型，往往會被玩家和用戶指責不夠客觀或是不夠全面。使用深度學習的話，就可以很有效的規避這些問題。”

　　對比傳統數學模型，深度學習具有可塑性、普適性、高效性三大優勢。俞圓圓指出，深度學習的模型可以是很多很多的building block，可以把很多問題全部變成工程化的問題，經過訓練后很快就可以搭建模型，而且模型很容易被移動到另外一個項目上。當然，俞圓圓也坦言，電競行業的深度學習也有缺點，需要非常多的訓練數據，而且也不能直接學習和理解。“當深度學習和電子競技游戲結合以后，處理大量的數據也不需要人工因素的干擾，客觀性更好，而且可以快速完整處理大批量數據。”

　　演講最后，俞圓圓詳細介紹了一個勝率分析項目AlphaMao，來展示他們如何運用深度學習的技術和模型解決電競問題的。在半年的時間中，模型每天都在通過學習新的比賽樣本來更新自己的模型，訓練數據來自六千萬場電競比賽。由于游戲規則更迭很快，所以他們既要學習過去的數據，又要更新最新的數據，而且要隨時調整提高更新數據的權重比例，最終模型擁有60%的總體準確率以及高達97.6%的相對準確率。

　　“未來我們關注的方向主要有三個。” 俞圓圓透露，他們將在模型中添加上時間數據，爭取可以做到實時勝率分析，而且還將對對勝率進行分析，為玩家提供更直觀有效的建議。除此之外，他們希望深度學習模型可以輕易的移植到其他游戲中。

　　賈榮飛 淘寶高級算法專家

　　重新定義人貨場——端上智能，情景計算

　　賈榮飛在演講中談到，消費者在購買東西的時候，不同場景下有不同的需求，例如在公司里由于時間緊迫，人們希望更快下單，但是如果是在家里，人們則更愿意舒舒服服躺在床上慢慢瀏覽購物頁面。鑒于此，淘寶希望能夠重新定義人貨場，加大對用戶手機上信息的理解，改變電商與消費者多的交互模式，從而推動電商智能化發展。

　　當越來越多的貨品通過電商銷售，如何準確理解消費者的需求變得更加重要。賈榮飛認為，智能手機時代給這一切提供了可能，它可以定位用戶的實時狀態，然后淘寶通過情景計算技術對用戶實時狀態進行分析和理解，更聚焦地了解客戶此次此刻需要什么。“這比原來的推薦搜索更進一步理解用戶。”他坦言，這里也存在很多難點，一來用戶信息量很大，如何在復雜信息中抽取有效信息?二來隨著處理的數據量越來越大，電商的計算能力如何支撐更大的信息量和更復雜的模型?這是非常有挑戰性的課題。

　　據賈榮飛介紹，淘寶對于情景計算的訴求主要是希望能夠實時處理用戶的訂單，對于單一用戶希望有更大的算力進行服務，在這樣的需求下，淘寶毫不猶豫地選擇將計算力在客戶端部署為主，在云上更多的是構建全局模型，用戶之間實現信息共享，整體情景計算的架構設計“以端為主，以云為輔。”而深度學習的模型就被應用在對用戶信息的甄別和理解上，對于判斷用戶所處環境非常有幫助。

　　由于這些模型都是復雜模型，而復雜模型在端上不可避免的會遇到計算能力的問題，所以淘寶就開始研究如何通過端上框架的改進來支持可計算性。賈榮飛介紹到，首先在端上會有原始數據的采集，定期獲取用戶實時狀態，發送到基礎模型生產出中間數據，為應用產品進行服務。同時在云端，淘寶會完成模型的訓練，再定期同步到用戶手機端，用實驗和各種參數確保用戶擁有良好的使用體驗。

　　“下一步我們希望在三個方向上做更多的嘗試，”賈榮飛透露，第一個是做用戶需求發現引擎，能夠分析出用戶在不同場景的喜好，第二個是實現從千人千面到千人千模，充分發揮用戶手機端的計算能力和對用戶的深入理解，在每個手機上訓練出一個針對單一用戶更個性化的東西。最后一個是云+端的聯合學習，淘寶希望把云+端的信息聯合在一起進行訓練，取得更好的效果。

　　以上內容是51CTO記者根據WOT2018全球人工智能技術峰會的《機器學習》分論壇演講內容整理，更多關于WOT的內容請關注51cto.com。

【51CTO原創稿件，合作站點轉載請注明原文作者和出處為51CTO.com】