大规模机器学习在蚂蚁+阿里的应用

随着移动互联网的快速普及和数据收集的便利性，越来越多的数据被存储到分布式系统，大量的数据等待被挖掘、分析和利用，从而提供给用户更个性化的服务。

大数据给机器学习带来了巨大的机遇和挑战，一方面，因为模型规模太大（百亿甚至千亿特征），单机内存无法装载，需要考虑各种分布式策略；另外在进行模型迭代时，需要考虑稳定性、可扩展性、计算/通信效率等多个核心问题，才有可能在浮沙上盖楼成功。因此面向大数据量的机器学习，通常需要设计分布式系统跟稳健的算法来处理上千亿特征和几十T甚至到几个P的数据，这里的系统+算法的结合，统称为大规模机器学习。

如何结合现有分布式系统的优点，克服它的“特点”（同步、慢机等），通过普通CPU获得高可靠、高可扩展、高效率的大规模机器学习平台？如何结合具体的蚂蚁+阿里业务，沉淀优秀的大规模机器学习算法？我们将分享大规模机器学习的技术与过程，介绍大规模机器学习面临的问题以及在蚂蚁+阿里的应用。

本专题主要涵盖： 1）大规模机器学习的设计理念以及优化。 2）大规模机器学习在蚂蚁+阿里的应用，尤其如何更好满足金融业务场景。 3）大规模机器学习的未来发展。