地址标准化服务AI深度学习模型推理优化实践
深度学习已在面向自然语言处理等领域的实际业务场景中广泛落地，对它的推理性能优化成为了部署环节中重要的一环。推理性能的提升：一方面，可以充分发挥部署硬件的能力，降低用户响应时间，同时节省成本；另一方面，可以在保持响应时间不变的前提下，使用结构更为复杂的深度学习模型，进而提升业务精度指标。
达摩院自研向量检索引擎Proxima在行业搜索中的应用
淘宝搜索推荐、视频搜索背后使用了什么样的检索技术？非结构化数据检索，向量检索，以及多模态检索，它们到底解决了什么问题？今天由阿里达摩院的科学家从业务问题出发，抽丝剥茧，深度揭秘达摩院内部技术，向量检索引擎 Proxima，以及在阿里云开放搜索产品行业模板能力的实践应用~
用户地址数据不规范、管理难？阿里云帮您0.1秒解决
近年来，人工智能、大数据、小程序等技术广泛应用，直播电商、社交电商、跨境电商海外仓等模式深化创新。面对新冠肺炎疫情带来的冲击，消费者的消费习惯正在发生改变，以抖音、快手为主的直播平台带来的直播红利快速爆发。在订单的狂欢之后，用户地址杂乱、不规范等问题也让企业花费较大人力、时间成本去解决。基于此，阿里云AI人工智能团队在充分调研市场后，通过超强的NLP算法致力于企业用户地址数据的抽取、结构化、纠错等，实现以人工智能降本增效。
赋能阿里多业务场景，达摩院自研向量检索引擎 Proxima 公开
随着 AI 技术的广泛应用以及数据规模的不断增长，向量检索作为深度学习中的主流方法，其具备的泛检索和多模态搜索的能力也将进一步得到发挥。物理世界的实体和特征，通过向量化技术进行表征和组合，映射到数字世界，借助计算机进行计算和检索，挖掘潜在逻辑和隐式关系，更智能的服务于人类社会。
未来，向量检索除了要面对数据规模的不断增长，算法上仍需要解决混合空间检索、稀疏空间检索、超高维、泛一致性等问题。工程上，面对的场景将越来越广泛，也越来越复杂，如何形成强有力的系统化体系，贯穿场景和应用，将是向量检索下一步发展的重点。