（Facebook AML实验室负责人 Joaquin Candela）
雷锋网(公众号：雷锋网)按：在Facebook，有两个实验室领导着AI发展方向，一个是Yann LeCun领导的FAIR实验室，偏向AI的基础研究；另一个，就是AML实验室，偏向机器学习应用，负责将AI技术落地在Facebook各种产品。本月初，AML实验室负责人Joaquin Candela在@Scale大会上发表了一次演讲，他讲述了Facebook在规模化应用AI技术的方方面面，包括Facebook人工智能母体FB Learner Flow平台、图像处理引擎Lumos、文本理解、语音识别、视频风格变换等各领域的应用。
下面是演讲文字版，由雷锋网亚萌和夏睿共同编辑整理。
我在Facebook已经工作了五年，这是令人愉悦的经历。今天，我想要跟大家分享一下Facebook是如何设计AI来改善人们每天的生活。
每次你使用Facebook、Instagram和Messanger的时候，可能你没有意识到，你的使用体验已经是由AI技术做支撑了。
而实际上，我想强调的一点是，Facebook如果没有AI，那就会失去存在根基。
我们在AI上面加入了双倍的投资，帮助用户彼此之间联系更加紧密，及时得知最关心的消息和内容。我们AML团队，与FAIR团队及公司内其它产品团队紧密合作。
我们面临的一个挑战就是，我们的工作是在Facebook这么大的一个规模上进行的。这周三，Facebook发布了统计数据：我们每天支持了12亿用户。也就是说，每一天就有12亿人使用Facebook 。而其中的11亿用户，都是在手机上使用Facebook 的。所以手机的使用，占据主导地位。
如何规模化设计AI（design AI at scale）?
首先，我们需要回过头去，思考“工程”这件事情，好好思考“工程”对于Facebook的价值所在。其中有2个关键的价值：关注影响力（foucus on impact）和快速行动（move fast）。前者是指，要时刻清楚了解我目前所能解决的最重要的问题是什么。关于第二点，快速行动，Facebook对于“犯错”的容忍度极大，我们反复提醒自己，有时最危险的做法就是不去冒险，不去行动其实是非常冒险的一件事情。我们需要在Facebook这么大的体量上去快速行动。
这些价值观，启发了AML的战略，这个战略包括 3 大基本支柱：
推进最新技术，最大程度实现产品影响力。我们一直与FAIR实验室及产品团队合作，推进最新的技术。我们进入非常具体的问题领域，虽然我们可能起初并不知道如何去解决，但是我们知道，一旦我们攻克这个问题，其价值将异常巨大。
通过AI打造全新产品体验。当你在现今最前沿领域工作时，你往往会遇到别人从未想过的产品体验。待会后面，我会就此举一个具体的例子来说明。
使AI大众化。“规模化”是个大事情。对于Facebook来说，你需要不断地在平台、实验室和服务项目上进行创新，让整个公司都能用你的新技术。
设计FB Learner Flow平台五要素
很久之前，我还是一名Phd学生，当时致力于贝叶斯非参数法（bayesian nonparametric method），我在其中感受了一种类似于“巫师”的力量，当被给予一个任务时，比如在不同的域里做分类和递归任务，这种解决具体问题的感觉非常好。
之后，我去了工业界。我为此感到兴奋，因为工业界充满了亟待解决的诸多问题。但很快，我变得有点“被淹没”了，因为预测任务的类型、域的数量、训练数据的数量，这些比你所能想象的要庞大的多。
我意识到，巫师不知道如何“规模化”。当我在学术界的时候，关注点在于“准确度”，我能建造一个模型，以期比其它已经发表的研究成果，多出那么0.1%的AUC值。但是在工业界我发现，最重要的事情是“迭代速度”，是你每天可以运行多少次实验。因为，你无法忽视一个事实，那就是你所做的事情是融合各方利益的，如果你每周都可以将一个新的模型投入生产中（当然在我刚加入Facebook的时候这是很困难的一件事情），最终的成果是建立在一次又一次的尝试之上的。
如果你仔细想一想，你需要探索的参数、模型架构、输入值特征等如此庞大，实验的加速会产生非常非常大的影响。
所以，你必须建造一个“工厂”（就是后面要讲到的FB Learner Flow平台），成为一个巫师很酷，但是建造一个强大的“工厂”，让公司的每个人能够并行探索这个广阔的领域，将会让你以很稳定的节奏取得进步，不断地输出对产品的影响力。
当我们在设计一个“工厂”时，我们主要考虑五个方面的事情。
性能（performance）。我们必须加快速度，之前需要花几天时间进行的实验，现在要在一个小时内完成。这种速度的提升，对人们的心理状态会产生很大影响，当你工作到晚上回到家的时候，在这一天里你实际上已经完成了实验的一部分。而在之前，可能你一天里只能弄出一个模型，回家后可能就有点忘了，再过几天，这个模型可能会崩溃掉。
自动化（automation）。这非常重要，拖慢速度的永远都是人自己。比如，我曾经有一些系统，要进行转移到新的服务器等操作，但是运行不好，最后崩溃了，这浪费了我几天的时间。所以你必须将事情自动化。
重复使用（reusability）。这点非常重要，你必须得确保其中的工作内容，是可以一遍又一遍地使用。
成套系统（turnkey）。让整个系统变得容易使用，大部分工程师都是局限于一个小的领域，没有那么全面的知识和技术。
应用研究社群（applied research community）。对于建造研究社群这一点，我充满热情，我将会对此多谈一点，关于在整个公司内部打造“应用研究社群”的力量。
而我们建造的这个“工厂”确实是有效果的，而且效果很不错。
我们这个平台的建造工作，目前只进行了1%，也就是说，一切还是开始。整个Facebook公司使用这个平台的人数中，超过25%的人是该平台的活跃用户。而其中令人惊讶的是，如果你仔细观察这些工程师的背景，大部分人并不是AI或ML方面的专家。
另一件事就是，我们构建了一个非常强大的应用研究社群（applied research community）。我们为这个平台的“重复使用”性能感到兴奋，当一个工程师写了一个AI 工作流（workflow），可以被其它工程师拿过来接着使用。这有一个关于Instagram的例子。去年6月，Instagram开始对它的feed进行排序，几个工程师共同完成了这个功能，而这其中花费的时间之少令人惊讶。作为对比，Facebook的feed功能在前几年进行的，这在当时就是一个大工程，因为它是从无到有建立起来的。现在，Instagram的工程师，就可以进入一个公共的实验平台，找到其它产品类似功能实现时的工作流和模型。也就是说，工程师们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，而且他们也能很快找到相关同事去请教。
其中有一个数据，我很骄傲。在过去的6个月时间里，这个平台的ML工作流的数量增长了6倍。
FB Learner Flow平台
FB Learner Flow平台是一个非常有弹性的环境，用于书写和执行AI工作流。生产力是最重要的事。其中有一件很酷的事情，那就是如果你要运行某个任务，FB Learner Flow将会把一整个流程都规划好，比如硬件用什么、如何规模化等等。
FB Learner Flow平台设计之初，就把“重复使用”的理念植入其中。如果你是一个Instagram工程师，想要训练和部署你的排序模型，FB Learner Flow就像是一个放满了工作流的图书馆库（library），你可以在当中搜索、索引、发现各种工作流，然后对此重复利用。你还可以进入到算法里，你可以看到不同参数下的各种学习曲线，最重要的是，你可以看到某个特定工作流的作者是谁，这是最重要的，因为这时你就知道找谁去请教问题了。
FB Learner Flow非常综合，这里有一个有趣的故事。有一次，我对团队成员说：“伙计们，你们在这个平台上运行PyTorch、Caffe和Caffe 2，我们试试Tensorflow怎么样？”。三天后，他们跟我说，我们试了一下Tensorflow，可以运行。所以它是兼容各种语言的，这很重要。
接下来我会讲解一些关于基于FB Learner Flow平台的一些系统，包括计算机视觉引擎、文本和语言理解系统、语音等方面的内容。
更多雷锋网文章：
对话百度IDL负责人林元庆：人脸识别获评十大突破性科技背后百度的布局和野心
本文作者：亚萌
本文转自雷锋网禁止二次转载，原文链接
