幾種軟件架構(gòu)

一．阿里云大數(shù)據(jù)架構(gòu)

二．今日頭條推薦算法架構(gòu)

推薦系統(tǒng)，如果用形式化的方式去描述實(shí)際上是擬合一個(gè)用戶對(duì)內(nèi)容滿意度的函數(shù)，這個(gè)函數(shù)需要輸入三個(gè)維度的變量。第一個(gè)維度是內(nèi)容。頭條現(xiàn)在已經(jīng)是一個(gè)綜合內(nèi)容平臺(tái)，圖文、視頻、UGC小視頻、問答、微頭條，每種內(nèi)容有很多自己的特征，需要考慮怎樣提取不同內(nèi)容類型的特征做好推薦。第二個(gè)維度是用戶特征。包括各種興趣標(biāo)簽，職業(yè)、年齡、性別等，還有很多模型刻劃出的隱式用戶興趣等。第三個(gè)維度是環(huán)境特征。這是移動(dòng)互聯(lián)網(wǎng)時(shí)代推薦的特點(diǎn)，用戶隨時(shí)隨地移動(dòng)，在工作場合、通勤、旅游等不同的場景，信息偏好有所偏移。結(jié)合三方面的維度，模型會(huì)給出一個(gè)預(yù)估，即推測推薦內(nèi)容在這一場景下對(duì)這一用戶是否合適。

三．AI 的架構(gòu)

人工智能的架構(gòu)分為三層：應(yīng)用層、技術(shù)層和基礎(chǔ)層。

應(yīng)用層聚焦在人工智能和各行業(yè)各領(lǐng)域的結(jié)合。技術(shù)層是算法、模型和技術(shù)開發(fā)。基礎(chǔ)層則是計(jì)算能力和數(shù)據(jù)資源。

各層架構(gòu)再進(jìn)行細(xì)分如下：

數(shù)據(jù)收集：獲取什么類型的數(shù)據(jù)，數(shù)據(jù)可以通過那些途徑獲取。常見的數(shù)據(jù)來源是采集、購買或其他方式獲取現(xiàn)有數(shù)據(jù)。

比如中山大學(xué)的資深機(jī)器學(xué)習(xí)研究專家梁浩林就分享到，城市地理學(xué)領(lǐng)域的數(shù)據(jù)采集渠道，可以同步獲取一些社交APP，比如Yahoo Flickr、Sina Webo的checkin數(shù)據(jù)，手機(jī)的信號(hào)數(shù)據(jù)，用戶GPS的軌跡數(shù)據(jù)等等。

數(shù)據(jù)理解：獲取到原始數(shù)據(jù)之后，分析數(shù)據(jù)里面有什么內(nèi)容、數(shù)據(jù)準(zhǔn)確性如何，為下一步的預(yù)處理做準(zhǔn)備。

比如我們拍攝的各種照片，需要從中識(shí)別出包含人臉的照片。

數(shù)據(jù)預(yù)處理：原始數(shù)據(jù)可能會(huì)有環(huán)境影響或者干擾因素，格式化也不好，所以為了保證預(yù)測的準(zhǔn)確性和有效性，需要進(jìn)行數(shù)據(jù)的預(yù)處理。

常見的比如調(diào)整照片亮度、對(duì)比度、銳化等等。

特征提取：將數(shù)據(jù)里有用的，有典型特征的抽取出來。

比如，對(duì)幾千張有效照片進(jìn)行分類，特征包括性別、頭發(fā)眼睛皮膚顏色、輪廓、臉型等等。

模型構(gòu)建：使用適當(dāng)?shù)乃惴?#xff0c;獲取預(yù)期準(zhǔn)確的值。

常用的分類算法包括：決策樹分類法(Decision Tree)，樸素貝葉斯分類算法(Native Bayesian Classifier)、基于支持向量機(jī)(SVM)的分類器、神經(jīng)網(wǎng)絡(luò)法(Neural Network)、k-最近鄰法(k-nearest
neighbor，kNN) 語義樹、知識(shí)庫、各種視覺算法等等等。至于各種算法的區(qū)別，我還在學(xué)習(xí)中。

模型評(píng)估：通常對(duì)一個(gè)模型進(jìn)行評(píng)估的標(biāo)準(zhǔn)有準(zhǔn)確率、查全率。

查準(zhǔn)率 ＝檢索出的相關(guān)信息量/檢索出的信息總量

查全率＝檢索出的相關(guān)信息量/系統(tǒng)中的相關(guān)信息總量

狹義上的理解拿人臉識(shí)別來講，假設(shè)數(shù)據(jù)庫中存在的10個(gè)用戶的照片，我對(duì)這10個(gè)用戶進(jìn)行拍照，識(shí)別出來庫中包含的人臉有7個(gè)，這7個(gè)中識(shí)別正確的有5個(gè)，那么查準(zhǔn)率=5/10=50%；查全率就是7/10=70%。另外就是，假設(shè)我對(duì)1個(gè)用戶，操作十次，出來的結(jié)果是否十次均和實(shí)際匹配。我認(rèn)為也是模型評(píng)估的一個(gè)標(biāo)準(zhǔn)。

模型訓(xùn)練：根據(jù)模型評(píng)估的結(jié)果，對(duì)模型進(jìn)行不斷的訓(xùn)練甚至是調(diào)整，以達(dá)到更好的效果。

模型應(yīng)用：將模型部署、應(yīng)用到實(shí)際場景中。

可以回到AI 基本概念和應(yīng)用中的人臉識(shí)別開門場景，來看看如何跟我們的 AI 架構(gòu)對(duì)應(yīng)的。

從AI 的結(jié)構(gòu)很容易可以看出來。

人工智能的核心是基礎(chǔ)層，即計(jì)算能力和refreshing data
flow （持續(xù)的數(shù)據(jù)流）。

所以大公司愿意投入人工智能和發(fā)展人工智能，因?yàn)榇蠊居袛?shù)據(jù)，尤其是Google、Facebook、亞馬遜、蘋果，還有國內(nèi)的BAT。數(shù)據(jù)是大公司的一個(gè)優(yōu)勢(shì)。

于是現(xiàn)在有一個(gè)聲音會(huì)認(rèn)為：大公司不具備的醫(yī)療、基金、金融等數(shù)據(jù)，可能會(huì)是小公司、人工智能初創(chuàng)企業(yè)突破的機(jī)會(huì)。

技術(shù)層的核心主要在于：特征提取， 模型與算法選擇。

總結(jié)

以上是生活随笔為你收集整理的几种软件架构的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。