收录了 先知平台 频道下的 50 篇内容
本文是11月3日大数据杂谈群分享的内容。本文讲述了第四范式的“先知”平台的整体架构和一些实现细节。 1. 为什么人工智能系统需要高维大规模机器学习模型 2. 训练高维大规模机器学习模型算法的工程优化 3. 机器学习产品的架构实践
Google、微软、亚马逊都推出了自己的云深度学习平台,本文基于第四范式先知平台的架构和实践经验,对云深度学习平台的定义以及如何打造一个低门槛、高可用的云深度学习平台进行介绍。
运营质量的好坏关系着用户的体验。苏宁易购是如何保障818 大促线上服务质量的?
基础架构(Infrastructure)相比于大数据、云计算、深度学习,并不是一个很火的概念,甚至很多程序员就业开始就在用 MySQL、Django、Spring、Hadoop 来开发业务逻辑,而没有真正参与过基础架构项目的开发。在机器学习领域也是类似的,借助开源的 Caffe、TensorFlow 或者 AWS、Google CloudML 就可以实现诸多业务应用,但框架或平台可能因行业的发展而流行或者衰退,而追求高可用、高性能、灵活易用的基础架构却几乎是永恒不变的。 因此,今天的主题就是介绍机器学习的基础架构,包括以下的几个方面: 基础架构的分层设计; 机器学习的数值计算; TensorFlow 的重新实现; 分布式机器学习平台的设计。
IPO申请“失效”10天后,第四范式再度递表港交所
在 AICon 北京 2019 大会上,涂威威讲师做了《第四范式在构建低门槛AI全栈平台的探索实践》主题演讲。
本文介绍美团MySQL数据库巡检系统的框架和巡检内容。
本次分享介绍RPC 框架——PRPC在机器学习场景下的性能优势。
机器学习想要转化价值,最关键的一步是什么? 一个业务问题,埋坑无数,该如何巧妙转化,转变为机器学习的问题? 要平衡机器学习开发人力和时间成本,怎样才能找到最优产出比?
如何使用大规模机器学习解决真实的业务问题?我们今天会以机器学习中的一个典型场景为例来讲解,即基于大规模机器学习模型的推荐系统。
本次分享题目为基于Spark的大规模推荐系统特征工程及优化,主要内容包括:大规模推荐系统;Spark SQL应用与FESQL;基于LLVM的Spark优化。
本文介绍考拉技术支持的前世今生。
本文就第四范式在智能推荐系统架构方面的探索实践,聊一聊在应用架构治理方面提升推荐服务开发维护效率,增强系统灵活性和扩展性的新探索。
该版本新增GPU资源池化(vGPU)能力,实现对硬件集群平台化管理、算力资源的按需分配和快速调度,最多节省80%的硬件成本,提高GPU综合利用率多达5-10倍。
推荐系统学院(Recommended Systems Institute)是第四范式专门为推荐系统爱好者提供的分享推荐系统研究及其应用的系列课程。
本次分享从机器学习的概念,怎样做数据清洗处理、机器学习的典型建模流程等。
本次分享介绍苏宁的拼购系统架构。
从理论与实践的双重维度,对AutoML和AutoDL的入门知识和进阶知识做了全面介绍。
本文将首先介绍关于积目app和主要风险点、其次是遇到的一些共性问题及总体对抗思路,接下来是对抗的实战经验,最后是一些浅显思考。