人工智能平台PAI

如果你是一名算法工程师或正在学习和转型，欢迎参加PAI-DSW交互式建模有奖评测，和我们一起建设AI模型构建最佳平台，期待听到你的悄悄话哦～

欢迎走进走进阿里云机器学习PAI AICompiler编译器系列。近期，阿里云机器学习PAI团队全新上线一套Dynamic Shape Compiler框架，不仅作为AICompiler技术栈中原有的Static Shape Compiler框架的重要补充，更是增加了Compiler在企业级数据处理应用的无限可能，在提升数据处理效率的同时，大幅提升AI工程化效率。

欢迎走进阿里云机器学习PAI AICompiler编译器系列。随着AI模型结构的快速演化，底层计算硬件的层出不穷，用户使用习惯的推陈出新，单纯基于手工优化来解决AI模型的性能和效率问题越来越容易出现瓶颈。为了应对这些问题，AI编译优化技术已经成为一个获得广泛关注的技术方向。这两年来，这个领域也异常地活跃，包括老牌一些的TensorFlow XLA、TVM、Tensor Comprehension、Glow，以及最近呼声很高的MLIR，能够看到不同的公司、社区在这个领域进行着大量的探索和推进。

在国内外的各大社交平台上，卡通头像已经成为了一种风潮。但如何才能自己打造一款快速生成卡通化照片的神器呢？前不久，来自尼日利亚的学生开发者Abdul-Hadi Hashim就基于阿里云的多款产品开发出了这样一款名叫3D Animate Hub的小工具，并在首届阿里云全球AI创新挑战赛中获得了二等奖。

2020年10月，阿里云正式开源了深度迁移学习框架EasyTransfer，这是业界首个面向NLP场景的深度迁移学习框架。 目前集合该能力的AI体验馆已正式上线，免费体验：https://workbench.data.aliyun.com/experience.htm#/paiAbilityVenue/

“AI行业接下来可能有哪些发展？” “一线从业者如何看待其中的机会？”知乎合伙人、CTO李大海与阿里巴巴副总裁、阿里云智能高级研究员贾扬清亮相知乎直播，与网友分享了他们对AI时代下行业趋势、技术应用、个人成长等多个层面的洞察和思考。

随着移动端应用的兴起，模型压缩作为深度学习模型实现轻量化部署的有效手段，备受关注。机器学习也从理论研究阶段，有了明显的工程化、应用落地的趋势，那么模型压缩在淘宝直播游戏场景下，是如何发挥重要作用的呢，让我们一起揭开神秘的实践面纱。

本次主题的内容主要分三点介绍，第一是伊对的简介，第二是推荐平台的架构简介，第三是PAI在推荐平台的应用。

随着大数据、云计算的普及，AI在各个领域的热度不断攀升，AI技术已经成为人们日常生活、工作中必不可少的要素。 于是，全民用AI带动着全民学AI的热潮的到来~

本节教大家如何自己训练一个热狗识别模型，之后大家也可以拿这个模型测试一下自己身边长的像是热狗但是又不是热狗的东西，看看到底能得多少分～

本节介绍四步训练出自己的CNN手写识别模型。

本文将实战讲解贾扬清在回答内部同学提出的业务问题时，给自己设的一个挑战：半小时内架构一个有体感的demo，达到语音降噪的效果。

害，想知道你的相亲战斗力是多少吗？动手体验数据科学，成为PAI-DSW探索者~你想要知道的都在这里！

“AI行业接下来可能有哪些发展？” “一线从业者如何看待其中的机会？”近日，知乎合伙人、CTO李大海与阿里巴巴副总裁、阿里云智能高级研究员贾扬清亮相知乎直播，与网友分享了他们对AI时代下行业趋势、技术应用、个人成长等多个层面的洞察和思考。

本节将带着大家掀开阿里云机器学习技术大图的一角，看看阿里云机器学习，特别是机器学习工程上的发展、沉淀和创新。

新手攻略指南：教你四步创建你的PAI-DSW实验室！

本文是《飞天大数据产品价值解读系列》之《一站式云原生AI平台》的视频分享精华总结，主要由阿里云机器学习PAI团队的产品经理高慧玲(花名：玲汐)向大家介绍了阿里巴巴整体的AI情况以及一站式云原生的AI平台PAI，并且做了简单的DEMO演示。

动手体验数据科学，成为PAI-DSW探索者！快来体验机器学习PAI-DSW动手实验室，测一测你的相亲战斗力指数，还能赢取价值20000大礼包及定制T恤衫！

PAI-DSW云端IDE揭秘，动手实验室畅快玩！更有四大实践场景助你快速上手， 动手体验数据科学，成为PAI-DSW探索者！

阿里巴巴技术专家傲海从推荐算法开始，到系统工程问题讲解，手把手教你搭建简单智能推荐系统。更有超全文档助力零基础学开发~

阿里巴巴技术专家傲海为大家带来基于PAI10分钟搭建一个简单推荐系统的介绍。内容包括个性化推荐业务流程，协同过滤算法，推荐方案的架构，以及实际操作四个部分。

阿里巴巴技术专家傲海为大家带来推荐系统线上服务编排及架构说明的介绍。内容包括在线推理服务的架构说明和线上多目标问题两部分。

阿里巴巴技术专家傲海为大家带来推荐系统排序算法及架构说明的介绍。内容包括排序模块在推荐系统中的位置，排序算法的介绍，离线排序模型的训练架构，以及在线排序模型的训练架构。

阿里巴巴技术专家傲海为大家带来推荐系统召回算法及架构说明的介绍。内容包括召回模块在推荐系统中的位置，召回算法的介绍，什么是协同过滤，以及向量召回架构的说明。

阿里巴巴技术专家傲海为大家带来推荐系统基本概念和架构的介绍。内容包括什么是推荐系统和企业级推荐系统架构两部分。

本次分享主要围绕以下五个方面： • PAI产品简介 • 自定义算法上传 • 数加智能生态市场 • AutoML2.0自动调参 • AutoLearning自动学习

Graph-Learn(GL) 是阿里巴巴开源的高性能工业级大规模图学习系统，本文将对GL的用户接口做一个概览，并介绍GL丰富的图采样算法，以及GL灵活统一的GNNs模型框架，帮助用户快速上手GL。 项目地址：https://github.com/alibaba/graph-learn 。

项目地址：https://github.com/alibaba/graph-learn 阿里巴巴近期开源了面向图神经网络（GNN）的框架Graph-Learn（GL，原AliGraph）。框架由阿里内部团队研发，研发同学分别来自计算平台事业部-PAI团队，新零售智能引擎事业群-智能计算实验室，以及安全部-数据与算法团队。

阿里巴巴安全部数据与算法团队一直致力于与黑灰产进行对抗，保障用户在淘宝、天猫、闲鱼等平台上的使用体验和切身利益。面对狡猾的黑灰产，我们研究出了一系列算法武器，图神经网络（GNN）是其中重要的防控技术。本文结合阿里开源GNN框架Graph-Learn（https://github.com/alibaba/graph-learn）进行介绍。

互联网下的图数据纷繁复杂且规模庞大，如何将GNN应用于如此复杂的数据上呢？答案是图采样。结合阿里巴巴开源的GNN框架Graph-Learn（https://github.com/alibaba/graph-learn），本文重点介绍GNN训练过程中的各种图采样和负采样技术。

GraphLearn（GL）是阿里巴巴开源的一个大规模图神经网络平台，本文将对GL的接口做基本介绍，帮助用户快速上手。项目地址：https://github.com/alibaba/graph-learn 。

智能推荐分为排序和召回两大模块，在召回模块中通常会采用将 用户User和待推荐的 内容Item 分别以向量表示，然后通过User和Item的向量乘积大小作为User对Item的感兴趣程度的判断。本案例介绍如何基于真实的推荐场景数据，通过使用PAI平台提供的FM算法和Embedding提取算法产生User和Item的描述向量。

用户系统中如果出现任何的异常数据，比如一个运维系统的CPU消耗突然增高，比如平台突然有大量不良信息产生，比如有用户大量薅羊毛，这些行为都是平台的异常指标。如果能通过机器学习的方式帮助用户针对各种异常指标做预防和实时预警，将大大建设平台方的风险。

在业务发展过程中有两个重要的环节，一个是拉新，另一个是留存。如何做到用户的留存需要很多技术手段保证，一个比较重要的方式是建立用户流失模型，通过学习历史上流失用户的特点，通过机器学习的手段训练处风控模型，队可能会流式的用户进行预测，然后可以提前通过运营手段做一些用户流失的防范。

信用评估是被当前社会广泛关注的领域，特别是在金融行业，如果可以通过每个用户的历史交易数据以及用户画像数据确定用户的个人信用，将有助于银行设置个人借贷额度，确定潜在风险。本文将介绍在金融风控领域如何进行用户画像，使用什么样的算法可以计算出每个用户的信用指标。

目前许多商家都有线上留言或者评论反馈平台，消费者可以在这些平台上通过留言表达自己对于消费商品的反馈。消费者的反馈包括表扬性的正向反馈，也有一些批评性质的负向反馈。商家需要掌握消费者对于产品的整体舆论取向来判断自己的产品质量是否符合消费者需求，同时了解评论内容可以方便商家分析舆论导向，指导下一步产品研发工作。

在大数据的背景下，利用高速计算机去发现数据中的规律似乎是最有效的手段。为了让机器计算的有目的性，需要将人的知识作为输入。我们先后经历了专家系统、经典机器学习、深度学习三个阶段，输入的知识由具体到抽象，由具体规则到特征再到模式，越来越宏观。相对来说，抽象的层次变高了，覆盖面变广了，但我们对底层的感知变弱了，模型的可解释程度变差了。事物发展往往遵循这样的规律，先有客观事实，再有原理支撑，之后是普遍推广。深度学习的应用已经让我们看到了非常可观的价值，但其背后的可解释性工作进展缓慢，也因为如此，当我们用深度学习去解决一些风控、安全等业务场景，那数字效果不足以支撑这项技术的应用，我们更需要知道结果后面的