聊聊工业界做机器学习的里程碑

阅读说明，本文的机器学习领域限制于互联网搜索、推荐、广告场景，仅限于个人观点。

2017年，我和团队的几个核心去了趟北京，找了各大互联网公司一线实战的同学，交流各自在机器学习上的经验。这次交流让我的认知上了一个台阶，开始思考什么是真正优秀的机器学习团队。

感慨一句，百度，特别是凤巢，真是中国机器学习的黄埔军校，门生遍布天下。

系统——经济基础决定上层建筑

工程系统中，提升收益是优化算法的根本动机。 业界流行过这样一句话：“能加几台机器解决的问题，不要让人去优化。”乍一眼看有些反直觉，但是结合语境细想，这句话的核心思想是做事应当把控好大方向。机器便宜，人力昂贵，在业务快速发展的阶段，有很多更重要的事情要去做。能不能比竞争对手快一个周期，就是团队生与死的差别。这种情况下，过度追求算法的提升可能是在舍本逐末，反而不明智。

对比学术界，互联网中搜索推荐及广告的场景，有个明显的特点，就是数据规模大，训练数据丰富，正负反馈获取成本低。这就造成了和传统机器学习算法格格不入的方案，通常模型方案都是不那么经济。

此外，大多数工程系统，是从业务需求侧或者产品需求侧设计的，很少会把算法当做真正的业务方。 工程师对研究者常见的批评，有一条就是开发的算法往往缺少对应的需求。而业务方的要求，就算有时在实现难度上大到不合理，通常也是市场的客观反映。因此，大部分工程上针对算法的设计方案，更像是主流需求外的附加需求，常常是阉割再阉割。

采用机器学习时，有几个问题是共通的：数据质量建设——ABtest怎么做的，流量波动大不大，实验置信度有多少，埋点方案有没有第三方检验，数据口径是否统一。

为什么说大规模Logistics Regression是一个里程碑

这两年，各大公司分别实现了一波少帅的Parameter Server，动不动就号称千亿级的特征规模。这套广告业务的核心技术：点击率 （Click Through Rate, CTR） 。预估任务最开始由Google提出，而国内选择的突破口是在Logistics Regression中引入id类特征，这就造成了极大的运算量。众所周知，LR模型是线性模型，需要做特征交叉，互联网的用户、商品、内容都是一个非常夸张的量级，交叉之后往往会得到一个规模极大的特征集。

大规模首先要解决计算力问题。 很多互联网公司的机器学习团队虽然有很多数据，但是跑不动，就只能用部分数据；又因为训练数据不足，特征工程就不能做多，只好人工进行特征选择，费时费力。如果计算力足够，样本量级上去，这个问题就可以迎刃而解。

同样搞机器学习，大公司可能一天进行十几种尝试，小公司却只能做一两种。冷兵器对上火炮，只有被碾压。少帅在14年提出的SOTA，100T数据，10亿特征，半个小时迭代100轮的计算力，到了现在能实现的公司也寥寥无几。

另一方面是线上服务。 这么大规模的模型，怎么发布上线，更新模型的时候怎么保持线上数据的一致性，处处都是难题。模型大了，相应的特征也很多，那么哪里存储这些特征？离线的特征可以存缓存，实时特征怎么办，数据还要沟通，能做到实时吗？如果模型不能被单机加载到内存，难度又得上一个量级。

综合起来，大规模LR模型非常考验团队工程系统能力。从另一个角度看，这是一种工业级的哲学观，追求通用，追求效率，降低模型对个别算法的依赖，通过堆切大量特征的方式击败小作坊式特征工程，充满暴力美学。

为何要搞深度学习？因为效率

上文的大规模LR看起来是一种“笨方法”。最近这几年工业界投入甚多的深度学习，则是另一条被看好的道路。说实话，大部分的深度学习在推荐和搜索，并没有取得像图像领域那样让人印象深刻的效果。但它拥有一个致命的诱惑——不需要或需要少量的人工特征工程。

就是这个方案对比以前的模型没有提升，但它不需要特征工程，于是能带来巨大的效率提升。如果想做出较通用的解决方案，对业务来讲，原先可能要好几个同学哼哧哼哧搞好几个月的特征工程，现在深度学习方案能快速的搞出来。

写在最后

总的来说，目前的机器学习还有很大的发展空间，让我们把喧嚣留给媒体，自己安安静静地继续探索吧~