0
| 本文作者： 亞萌 | 2017-02-22 23:32 |
（Facebook AML實驗室負責人 Joaquin Candela）
雷鋒網(wǎng)按：在Facebook，有兩個實驗室領導著AI發(fā)展方向，一個是Yann LeCun領導的FAIR實驗室，偏向AI的基礎研究；另一個，就是AML實驗室，偏向機器學習應用，負責將AI技術落地在Facebook各種產(chǎn)品。本月初，AML實驗室負責人Joaquin Candela在@Scale大會上發(fā)表了一次演講，他講述了Facebook在規(guī)模化應用AI技術的方方面面，包括Facebook人工智能母體FB Learner Flow平臺、圖像處理引擎Lumos、文本理解、語音識別、視頻風格變換等各領域的應用。
下面是演講文字版，由雷鋒網(wǎng)亞萌和夏睿共同編輯整理。
我在Facebook已經(jīng)工作了五年，這是令人愉悅的經(jīng)歷。今天，我想要跟大家分享一下Facebook是如何設計AI來改善人們每天的生活。
每次你使用Facebook、Instagram和Messanger的時候，可能你沒有意識到，你的使用體驗已經(jīng)是由AI技術做支撐了。
而實際上，我想強調(diào)的一點是，Facebook如果沒有AI，那就會失去存在根基。
我們在AI上面加入了雙倍的投資，幫助用戶彼此之間聯(lián)系更加緊密，及時得知最關心的消息和內(nèi)容。我們AML團隊，與FAIR團隊及公司內(nèi)其它產(chǎn)品團隊緊密合作。
我們面臨的一個挑戰(zhàn)就是，我們的工作是在Facebook這么大的一個規(guī)模上進行的。這周三，F(xiàn)acebook發(fā)布了統(tǒng)計數(shù)據(jù)：我們每天支持了12億用戶。也就是說，每一天就有12億人使用Facebook 。而其中的11億用戶，都是在手機上使用Facebook 的。所以手機的使用，占據(jù)主導地位。
首先，我們需要回過頭去，思考“工程”這件事情，好好思考“工程”對于Facebook的價值所在。其中有2個關鍵的價值：關注影響力（foucus on impact）和快速行動（move fast）。前者是指，要時刻清楚了解我目前所能解決的最重要的問題是什么。關于第二點，快速行動，F(xiàn)acebook對于“犯錯”的容忍度極大，我們反復提醒自己，有時最危險的做法就是不去冒險，不去行動其實是非常冒險的一件事情。我們需要在Facebook這么大的體量上去快速行動。
這些價值觀，啟發(fā)了AML的戰(zhàn)略，這個戰(zhàn)略包括 3 大基本支柱：
推進最新技術，最大程度實現(xiàn)產(chǎn)品影響力。我們一直與FAIR實驗室及產(chǎn)品團隊合作，推進最新的技術。我們進入非常具體的問題領域，雖然我們可能起初并不知道如何去解決，但是我們知道，一旦我們攻克這個問題，其價值將異常巨大。
通過AI打造全新產(chǎn)品體驗。當你在現(xiàn)今最前沿領域工作時，你往往會遇到別人從未想過的產(chǎn)品體驗。待會后面，我會就此舉一個具體的例子來說明。
使AI大眾化。“規(guī)?；笔莻€大事情。對于Facebook來說，你需要不斷地在平臺、實驗室和服務項目上進行創(chuàng)新，讓整個公司都能用你的新技術。
很久之前，我還是一名Phd學生，當時致力于貝葉斯非參數(shù)法（bayesian nonparametric method），我在其中感受了一種類似于“巫師”的力量，當被給予一個任務時，比如在不同的域里做分類和遞歸任務，這種解決具體問題的感覺非常好。
之后，我去了工業(yè)界。我為此感到興奮，因為工業(yè)界充滿了亟待解決的諸多問題。但很快，我變得有點“被淹沒”了，因為預測任務的類型、域的數(shù)量、訓練數(shù)據(jù)的數(shù)量，這些比你所能想象的要龐大的多。
我意識到，巫師不知道如何“規(guī)?；薄．斘以趯W術界的時候，關注點在于“準確度”，我能建造一個模型，以期比其它已經(jīng)發(fā)表的研究成果，多出那么0.1%的AUC值。但是在工業(yè)界我發(fā)現(xiàn)，最重要的事情是“迭代速度”，是你每天可以運行多少次實驗。因為，你無法忽視一個事實，那就是你所做的事情是融合各方利益的，如果你每周都可以將一個新的模型投入生產(chǎn)中（當然在我剛加入Facebook的時候這是很困難的一件事情），最終的成果是建立在一次又一次的嘗試之上的。
如果你仔細想一想，你需要探索的參數(shù)、模型架構(gòu)、輸入值特征等如此龐大，實驗的加速會產(chǎn)生非常非常大的影響。
所以，你必須建造一個“工廠”（就是后面要講到的FB Learner Flow平臺），成為一個巫師很酷，但是建造一個強大的“工廠”，讓公司的每個人能夠并行探索這個廣闊的領域，將會讓你以很穩(wěn)定的節(jié)奏取得進步，不斷地輸出對產(chǎn)品的影響力。
當我們在設計一個“工廠”時，我們主要考慮五個方面的事情。
性能（performance）。我們必須加快速度，之前需要花幾天時間進行的實驗，現(xiàn)在要在一個小時內(nèi)完成。這種速度的提升，對人們的心理狀態(tài)會產(chǎn)生很大影響，當你工作到晚上回到家的時候，在這一天里你實際上已經(jīng)完成了實驗的一部分。而在之前，可能你一天里只能弄出一個模型，回家后可能就有點忘了，再過幾天，這個模型可能會崩潰掉。
自動化（automation）。這非常重要，拖慢速度的永遠都是人自己。比如，我曾經(jīng)有一些系統(tǒng)，要進行轉(zhuǎn)移到新的服務器等操作，但是運行不好，最后崩潰了，這浪費了我?guī)滋斓臅r間。所以你必須將事情自動化。
重復使用（reusability）。這點非常重要，你必須得確保其中的工作內(nèi)容，是可以一遍又一遍地使用。
成套系統(tǒng)（turnkey）。讓整個系統(tǒng)變得容易使用，大部分工程師都是局限于一個小的領域，沒有那么全面的知識和技術。
應用研究社群（applied research community）。對于建造研究社群這一點，我充滿熱情，我將會對此多談一點，關于在整個公司內(nèi)部打造“應用研究社群”的力量。
而我們建造的這個“工廠”確實是有效果的，而且效果很不錯。
我們這個平臺的建造工作，目前只進行了1%，也就是說，一切還是開始。整個Facebook公司使用這個平臺的人數(shù)中，超過25%的人是該平臺的活躍用戶。而其中令人驚訝的是，如果你仔細觀察這些工程師的背景，大部分人并不是AI或ML方面的專家。
另一件事就是，我們構(gòu)建了一個非常強大的應用研究社群（applied research community）。我們?yōu)檫@個平臺的“重復使用”性能感到興奮，當一個工程師寫了一個AI 工作流（workflow），可以被其它工程師拿過來接著使用。這有一個關于Instagram的例子。去年6月，Instagram開始對它的feed進行排序，幾個工程師共同完成了這個功能，而這其中花費的時間之少令人驚訝。作為對比，F(xiàn)acebook的feed功能在前幾年進行的，這在當時就是一個大工程，因為它是從無到有建立起來的?，F(xiàn)在，Instagram的工程師，就可以進入一個公共的實驗平臺，找到其它產(chǎn)品類似功能實現(xiàn)時的工作流和模型。也就是說，工程師們可以借用前人的工作成果，“站在巨人的肩膀上”建立Instagram的feed功能，而且他們也能很快找到相關同事去請教。
其中有一個數(shù)據(jù)，我很驕傲。在過去的6個月時間里，這個平臺的ML工作流的數(shù)量增長了6倍。
FB Learner Flow平臺是一個非常有彈性的環(huán)境，用于書寫和執(zhí)行AI工作流。生產(chǎn)力是最重要的事。其中有一件很酷的事情，那就是如果你要運行某個任務，F(xiàn)B Learner Flow將會把一整個流程都規(guī)劃好，比如硬件用什么、如何規(guī)?；鹊?。
FB Learner Flow平臺設計之初，就把“重復使用”的理念植入其中。如果你是一個Instagram工程師，想要訓練和部署你的排序模型，F(xiàn)B Learner Flow就像是一個放滿了工作流的圖書館庫（library），你可以在當中搜索、索引、發(fā)現(xiàn)各種工作流，然后對此重復利用。你還可以進入到算法里，你可以看到不同參數(shù)下的各種學習曲線，最重要的是，你可以看到某個特定工作流的作者是誰，這是最重要的，因為這時你就知道找誰去請教問題了。
FB Learner Flow非常綜合，這里有一個有趣的故事。有一次，我對團隊成員說：“伙計們，你們在這個平臺上運行PyTorch、Caffe和Caffe 2，我們試試Tensorflow怎么樣？”。三天后，他們跟我說，我們試了一下Tensorflow，可以運行。所以它是兼容各種語言的，這很重要。
接下來我會講解一些關于基于FB Learner Flow平臺的一些系統(tǒng)，包括計算機視覺引擎、文本和語言理解系統(tǒng)、語音等方面的內(nèi)容。
更多雷鋒網(wǎng)文章：
對話百度IDL負責人林元慶：人臉識別獲評十大突破性科技背后百度的布局和野心
百度引入Ring Allreduce算法，大規(guī)模提升模型訓練速度
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
