好好、学习
TA的个人档案
好好、学习个人页面-阿里云开发者社区
文章
55
问答
0
个人介绍
好好学习，天天向上。
擅长的技术
- 高分内容
- 最新动态
- 文章
- 问答
-
发表了文章 2020-11-12
阿里巴巴集团 CTO 程立：今年天猫双 11，阿里练了什么？
2020阿里巴巴双11技术专题精彩内容持续更新中戳我前往 今年天猫双 11「光棍节」变成了「双节棍」（2020 年双 11 代号，11 月 1 日至 3 日第一波，11 月 11 日第二波）。战线、周期比往年拉得更长，但令人意外的是，交易峰值不降反升，今年订单创建峰值高达 58.3 万笔/秒。 从 2009 年第一届双 11 算起，双 11 已经走过十一个年头。对普通消费者而言，对双 11 的体感可能仍是大幅优惠，当然还有打开界面、浏览挑选商品、直播互动、付款、收货的全链路体验一年一年更好。 但对阿里巴巴来说，双 11 越来越不像是个「市场活动」，给社会造了一个「节」之后，阿里巴巴搞双 11 自己的目标是什么？ 其实，每一年的双 11 就像阿里巴巴内部组织的大型「科技运动会」，过去很多新型业务、新技术为了迎战双 11 被迫生长、锻炼出来，并被迅速催熟，成为阿里巴巴未来的业务支柱。同时，每一次技术层面的迭代、升级，都将阿里巴巴推向全新的商业空间，这可能是双 11 的另外一面。 双 11 期间，极客公园创始人张鹏与程立进行了一场访谈，双 11 背后不为人知的阿里巴巴视角，以及阿里巴巴对未来技术及商业走向的判断与设计，在访谈里逐渐浮出水面。 以下为编辑、整理后的对话内容： 程立（左）与极客公园创始人张鹏（右）对话 张鹏：为什么今年要搞成「双节棍」？ 程立：主要是站在消费者体验的角度考虑。以前总要在那一天夜里去抢购，虽然很有过节的「仪式感」，但对大家来说时间太紧张，购物体验其实不够好。 今年手淘界面进行了大幅度改版，我们强化了首页信息流推荐，这背后是阿里认知算法体系的大升级，除了能帮用户把兴趣点缩小至具体商品，还能帮用户发现更多有趣的信息。「双节棍」和 AI 技术的结合，主要是希望用户能有更多逛的感觉。另外，这次在很多淘宝天猫的直播中，AI 支撑了许多主播与消费者互动聊天的场景，让用户有非常好的沉浸式体验。我们甚至复刻出一个虚拟主播，为消费者提供 24 小时服务。 张鹏：每一年双 11 阿里都会有些自己看中的变化和突破，今年双 11 最令阿里巴巴兴奋的核心变化是什么？ 程立：尽管今年我们准备了更高的峰值能力，但交易峰值不再是主要看点了。我觉得今年的看点主要在技术创新上。去年我们叫双 11 核心系统「全面上云」，今年双 11 是「云上」的第一年，今年的云和去年的云有很大不同，有些技术是第一次使用。 可以理解为，去年商业侧的创新刚刚起步，规模不大，今年成为主流了。比如，在数字化供应链方面，我们开始支持线上线下新零售的真正融合，比如今年特别看重多层次履约的效果，也就是前端根据消费者需求，选择仓储物流发货的最优链路，将商品最快捷地送达消费者手中。 张鹏：去年是上云，今年是云上，怎么理解这件事？ 程立：「云上」是指将阿里巴巴过去十一年，将双 11 场景中锻炼出来的技术，通过云这样的开放平台汇聚起来，不仅能够服务自己，还可以服务我们的合作伙伴、商家。云作为一个公共性的底座，使我们与商家之间协同不存在技术障碍。 比如，今年菜鸟的核心系统全部在云上，云上的网络平台使之具备了日均 10 亿次包裹的处理能力，突破了物流行业的技术极限。菜鸟的 IoT 物联网设备从仓库到配置也全部部署在云上，让无人配送成为可能。 再比如，数据中台成为云上开放的能力，阿里云数据中台提供的「全域数据中台解决方案」，可以帮助商家在线上及线下完成从数据到业务的充分融合，提升全域运营、新品创新、智能组货、供应链升级的整体效率。九阳就通过阿里云数据中台将一款新品的 ROI（投资回报率）提升了 322%。 云的定义也在变化，它成为了商业领域数字化的底座和基础，不再单指传统云计算了。新的云让商业效率提升和技术创新变得更加简单。 程立在 2020 年天猫双 11 全球狂欢季 张鹏：阿里「云上」的双 11，最终要通往哪里？要解决什么问题？ 程立：在阿里，我们以十一年为一个轮回思考双 11，今年是双 11 新轮回的起点。 上一个轮回我们解决的是技术上的沟沟坎坎，下一个轮回留给我们最大的问题是商业创新接下来怎么继续突破。 各种技术迭代发展到今年，世界数字化的基础技术其实都已准备到位了，我们想把过去十一年技术和商业的创新有效组合起来，形成一个「数字原生商业操作系统」。 就像前面说的，现在不是局部解决问题的时代了，要运用新的技术，创造新的效率提升，需要整个商业链条一起前进。这个时候以一个「操作系统」作为基础，对所有环节的商业创新都特别有意义。这是阿里很想干的事情。 张鹏：是不是可以这样理解，之前是通过技术工具一个一个地解决问题，大家都是各自为战，见招拆招。现在是要以「云」的形态，构建一个系统，重新搭建一个更好的数字化商业的地基，然后再大家一起起更高的楼。 程立：没错。现在大家都已经发现数字化商业的「新大陆」了，但是不知道怎么开发，独立摸索既不现实，效率也低。 就像电刚刚被发明时，人类一开始只知道照明场景，却不知道电真正广泛应用后，带来的颠覆将远远超出人们的想象力。数字技术也是类似的，商业世界仅停留在原先见招拆招的思考层面是不够的，现在我们需要重新理解一个新技术带来的数字原生世界。 阿里巴巴的使命一直都是让天下没有难做的生意，数字原生商业操作系统将是阿里巴巴接下来的新起点。这样的「商业操作系统」，叠加更优秀的技术、更多的创新，将更高效、更全面地解决问题。一方面，我们让商业要素的资源调度更高效，另一方面，我们让应用场景变得更简单，两者结合将产生巨大潜力。 张鹏：今年是你上任阿里巴巴 CTO 后第一个双 11，作为技术「老大」，面对这样一个全国人民都关注的节点，是什么心情？ 程立：作为当事人不可能不紧张，毕竟每年双 11 不容有失。但其实我们也挺兴奋的，每年双 11 也是一个非常难得的技术创新舞台。 往年的压力在于峰值能不能顶住，用户体验是否「丝般顺滑」。今年面对的更大挑战在于「双节棍」新玩法。过去双 11 的模式是提早把业务需求固定下来，严阵以待，调试到位，来迎接那一个晚上的峰值节点，这就像打固定靶。但今年改成了移动靶，我们甚至需要在双 11 进程中变更系统，承接新的业务创新需求。从固定靶到移动靶，挑战更大，这是以前不敢做的事情，某种程度上，恰恰是变成「云上」之后，我们才能从过去的束缚中解放出来。不迈出这一步，把业务的创新空间打开，我们的综合能力得不到提升。 程立：双 11 的技术挑战进入新的历史阶段 张鹏：回顾过去十一年的双 11 有什么阶段划分吗？中间闯过了哪些关？ 程立：2009 年第一次双 11，就是淘宝商城临时决定搞个活动，技术侧还不太有感觉。 2010 年我们掉以轻心了，结果双 11 流量一下子涨了好几倍，突然发现服务器根本不够用，我当时在支付宝，被逼着把系统一再瘦身，只留下核心的支付链路，总算扛过了那次交易洪峰。 那一年以后，双 11 不再只是市场部门的活动，它对阿里底层技术提升也开始具有重大意义。 比如，2010 年，为了技术底盘和架构能支撑互联网海量流量，阿里巴巴启动「去 IOE」；2013 年阿里巴巴最后一台小型机下线，意味着我们支撑高并发交易的能力再也没有天花板。 2013 年，为提升数据算力能力，阿里巴巴提出「飞天 5K」项目；2014 年，「登月」工程将阿里内部数据汇聚在一个平台上。这两个瓶颈打开后，阿里巴巴在基础算力方面的限制基本消除了。 2015 年，双 11 又上了一个新台阶。移动互联网极大加快了商业创新，此时阿里提出了「中台」战略，打通底层人货场、实现数据驱动的中台，让商业创新变得更加简单明了，能更快地开枝散叶。 2017 年，成立达摩院也是很关键的节点。围绕未来数字时代的智能化能力，阿里巴巴形成了包括算力、算法、数据、IOT、区块链等领域的全新布局。此后，阿里双 11 进入全面智能化驱动的时代。 到了 2019 年，作为前面十一年所有节点的收官、总结，阿里巴巴提出全面上云，云正式成为包括中台在内的所有阿里巴巴核心系统的承载平台。我担任阿里巴巴 CTO 后，开始了对「云上」的思考。让我从技术角度总结过去十一年双 11，我觉得大概是这样一个历程。 张鹏：听起来，双 11 就是阿里巴巴的「运动会」，每年都琢磨着更高、更快、更强，压力之下，你们反而被往前推着上了一个一个新的台阶？ 程立：客观地说，在阿里巴巴双 11 的历程中，有几次管理层提出了不同的意见。为了双 11 这一天的大卖和流量峰值，我们对技术的投入那么大，这笔账到底划算不划算？到后来没有人再怀疑这个问题。 比如，不做全链路压力测试的话，根本不具备迎接新时代日常流量的能力。双 11 的「变态」变成未来的「常态」，倒逼我们做各种创新，倒逼我们的云成为最强大的云。不处于当时的极限压力之下，你不可能突破常规去思考，一个典型例子是，为了支撑双 11 的流量，支付宝一个不到 100 人的团队，研发出可代替甲骨文数据库的 OceanBase 数据库。 没有双 11 的巨大「压强」，很多重大创新不可能发生。 张鹏：是否可以打个比方？过去双 11 就像人类在地上百米冲刺，人体肌肉能力有极限，再提升也就是百分之一秒级别了。但如果用数字化的发动机，通过天上飞来解决，就有秒级的提升空间，这就是要用商业创新问题，最终要用系统重构来解决的意义吧。 程立：是的，这个总结特别形象。阿里巴巴特别强调在一个新的维度内做商业和技术的联合设计创新，这是一种根本性的重构。如果商业只是把技术当作工具，或者技术只是把自己当作资源，是不可能形成任何「大设计」的，必须要进入更深层次的思考、突破。 程立（左）与极客公园创始人张鹏（右）对话 张鹏：阿里创始人是文科生，但技术体系反而做得特别厚重，敢于突破高难度、高风险的问题，为什么？ 程立：跟阿里巴巴背后的基因有关。我们一直说要天马行空、脚踏实地。一方面，要非常有理想，另一方面，有理想后必须要落实、执行好。我认为阿里巴巴一直有这样的两拨人存在，且高度互信，阿里巴巴很好地将这两股力量融合在一起。过去很长一段时间内，阿里巴巴并不是技术最好的公司，但一步步脚踏实地地往前走，我们慢慢成为技术最好的公司。 张鹏：从战略眼光到落地执行，要形成闭环往往都挺难的。既要有宏大颗粒度的梦想，又要有中等颗粒度的世界观，还要在每个小颗粒度上落地实现，一个组织怎么才能同时做到这一点呢？ 程立：这个确实不容易，有时候确实要靠积累。从我个人角度来说，其实我当年就是从「小颗粒度」的一线工程师做起的。当时阿里巴巴的评分体系，3.5 是中，3.25 是差，我刚转为架构师评分就是 3.25，差点就放弃了。后来慢慢地才熬过去，开始带小团队、大团队，培养自己的领导力，拓宽自己的专业面。 两年多前，公司让我负责国际业务，这个领域对我来说完全陌生。我又开始思考客户价值，思考公司与世界的关系，思考如何建设面向未来的全球化的支付体系，这些思考是完全从不同层面打开的。 正当我打算在这个方向完成转型时，公司突然说你回来做技术吧。再回来，看待技术的视角已经和过去不一样了。 张鹏：这个过程给你的世界观或者说对技术的理解，带来了什么核心的不一样？ 程立：我能够看通技术与商业如何联合设计，能理解背后的全链条逻辑了。过去在前线做过这些事情很重要，不然只是纸上谈兵，切身做过后就知道技术和商业是一体的。现在我会在商业一侧看待技术的实际价值，且会从它的未来形态、好的商业模式角度去思考。但有时候也不能是纯商业角度，毕竟有些技术短期内看不到商业价值。这是两者结合对人和组织最大的考验。 张鹏：很好奇，阿里一方面是一家工程师聚集的科技公司，另一方面一直有自己很强也很独特的文化，比如「新六脉神剑」这种高度概括的东西。很多技术人喜欢实、甚过虚，这两种文化在阿里能兼容吗？ 程立：可以很兼容，不冲突。我原来就是一个典型的码农，六脉神剑、六大价值观，对我来说，都是非常简单的道理，比如要敬业、要团队合作、要客户第一。当你慢慢做到更高层次，变成架构师的时候，会慢慢琢磨到这些价值观的深度，比如要权衡利弊、平衡团队关系、处理边界问题时，联想到「因为信任，所以简单」。越到高层面，价值观越起到关键作用。 当然我们为了让技术同学更容易理解，我们把公司的「新六脉」做了针对技术人的「适配解读」。比如有一条「此时此刻，非我莫属」，我们翻译成「Yes we can」，任何挑战、不可能，我们都能把它变成可能。再比如「唯一不变的是变化」，我们技术人员翻译成「Think Big，Go Deep」。翻译成技术人的语言后，价值观就有了技术人的特质。 程立在阿里巴巴工作园区 张鹏：我很好奇阿里巴巴技术和业务创新的机制到底是什么？会是赛马机制吗？ 程立：阿里巴巴内部创新非常多，每个成功创新的背后还有很多不成功的创新，大家看到的可能都是成功的创新。我认为成功的创新背后不在于技术是否最先进，而是能否解决客户和行业真正的痛点。 创新机制上竞、合两种机制都有。阿里巴巴内部有两种力量，一种是从顶层统一愿景驱动的创新，可以看到是一条非常清晰的创新线，我们有很强的组织能力，可以将大目标逐层分解到每个团队，去合力完成创新。第二种是阿里巴巴内生的创新，由每个人能动性地触发，最后生长出来，比如聚划算、Oceanbase 数据库。至于如何选择竞或合，阿里巴巴内部会针对不同业务和业务的不同阶段，来匹配不同机制。 张鹏：世界级的科技公司都会有自己的技术阵地和技术高地。那么阿里巴巴是如何定义自己的技术阵地和技术高地的？ 程立：阿里巴巴在早些年就把技术价值观与技术愿景非常清晰、明确地定义成：技术创造新商业。我们不想复刻任何一家公司，「技术创造新商业」是我们非常核心的一点。这些年围绕这一核心技术价值观，我们确定了前台、中台、底层技术架构，同时，商业倒逼技术与技术驱动商业创新的两条动线都转动起来了。阿里体系的完整性，以及它的动态性、多元性，让商业创新变得更丰富、更高效，这是阿里技术阵地独特的地方。 阿里巴巴未来的技术布局有两个方向，一个是数字原生时代的商业创新，其中有大量技术与商业联合创新的场景。我不认为它完全是商业，而是技术与商业的结合。 第二是围绕整个数字时代最核心的基础算力、算法，数据技术展开布局，这也是我们要重点投入的。 张鹏：作为阿里的 CTO，你怎样理解技术的终极目标？ 程立：在阿里，技术就是商业的一部分，或者商业就是技术的一部分，两者是一体的。所以，于我而言，技术的终极目标就是实现阿里巴巴数字经济体的愿景，构建一个由数字技术支撑的经济体。这个庞大的系统工程，未来将成为全社会数字商业的一部分，这件事让我很兴奋。 在这个过程中，技术人肯定也有自己的好奇心，我也会关注下一代计算架构是怎样的，比如量子计算能不能突破？通用 AI 能不能实现？这些问题，可能在下一个十年会有答案，我对此充满好奇。或许，满足人类好奇心，去探索和突破，也是技术的意义吧。 更多精彩戳我前往2020阿里巴巴双11技术专题
-
发表了文章 2020-11-11
58.3万笔/秒！看阿里的黑科技
11月11日0点刚过26秒，天猫双11的订单创建峰值就达到58.3万笔/秒，阿里云又一次扛住全球最大规模流量洪峰！58.3万笔/秒，这一数字是2009年第一次天猫双11的1457倍。 数字的背后，隐藏着阿里巴巴很多不为人知的技术创新和突破，乃至世界顶尖技术。今天，阿里妹就来和大家分享阿里巴巴天猫双11背后的黑科技！ 天猫双11十二年，阿里商业操作系统迈向数字原生时代 全社会参与的2020双11，已成为全球超大规模数字创新工程，支撑2020双11的，是全新的阿里巴巴数字原生商业操作系统。 数字原生，包含云原生、AI原生、区块链原生、IoT原生、5G原生等新技术。数字原生商业操作系统，夯实了以云计算为代表的基础设施层，打通了业务、数据、智能、协同在内的数字创新中台层，进而实现上层全链路商业要素的全面在线化与数字化。数字原生商业操作系统，以工具化和产品化的能力加速商业要素流通，实现了标准化、模块化组装的技术搭建方式，不仅能极大提升效率，还将为社会打开更多创新空间，让更多商业新物种涌现。 2020天猫双11业务的核心系统完成了从“上云”到“云上”的架构升级 全面实现云原生上云，并通过大规模使用包括容器服务ACK、数据库PolarDB、Redis、消息RocketMQ、微服务 EDAS、监控ARMS等在内的云原生产品，获得成本、稳定性和研发运维效率提升的红利。与此同时，双11大促的业务场景也成为阿里云云原生技术与产品优势的锤炼场，为阿里云客户创造更大价值。数据库核心全面云原生化，资源利用率提高60%。 阿里巴巴发布2020天猫双11十大前沿技术 2020双11是史上最具科技含量的一届双11。大规模运用于2020双11的十大前沿技术中，包括正式上岗的物流机器人小蛮驴、支持214种语言的直播实时翻译、一年省电7000万度的液冷数据中心、全面云原生化的阿里核心系统…既有基于数字技术的原生商业创新，也有引领时代的基础技术突破。 十大前沿技术中，商业AI深入生产制造、购物消费、物流配送各个环节，让今年双11走向智能化。在生产制造环节，“工业视觉AI”已经在多家纺织服装工厂上线，可自动完成原料、坯布、成品布、成衣全生产环节的质检工作，小到头发丝直径10分之一大小的瑕疵都能精准识别，识别准确率90%以上，远超人类水平，效率大幅提升5倍，推动双11生产制造提速。 直播间里的每一秒都是技术人的骄傲 平台必须在1秒内将主播声音、画面和商品信息同步给分布范围极广的百万级消费者，确保后者获得一致的、实时的、高水平的音视频体验，以及商品交易（尤其是秒杀）的可信度。与此同时，同样的问题也在进入直播间、完成购买交易、抢红包/点赞为代表的大规模实时高并行度的内容电商互动中存在。 为了进一步优化消费者体验，降低延时，阿里巴巴非常重视在音视频技术领域的投入，涉及领域包括音视频通话、低延迟直播、S265编解码器、实时智能调度、自学习参与体系等多个方面，特别是在2020双11 将GRTN 新一代多媒体传输网络“首次大规模应用于直播电商带货”。将直播延时由过去的3-5秒降低到1秒以内，极低的互动延时带来了直播内容和互动体验上质的提升，在消费者和主播之间形成了更好的互动效果。 AI虚拟主播现身淘宝直播间，上岗天猫双11 双11前夕，阿里AI虚拟主播现身淘宝直播间，替代真人主播“上岗”双11。该虚拟主播形神兼备，声音、情绪、动作逼近真人，不仅能听会说，与千万观众对答如流，还会跳舞、Rap，完成各种复杂动作。 认知智能引擎助力消费者更好地选选选，新货好货成爆款！ 今年双11前夕，淘宝首页大幅改版。在信息流、搜索、聚划算、会场和直播等用户场景，智能计算调用量日均已高达数千亿次，消费者兴趣宽度显著拓展，各类商家机会趋于多样，新商品孵化周期正在缩短。 此外，各类基础智能科技已在淘宝大规模应用，日调用量也在数千亿次。在视觉AI领域，拍立淘目前支持数亿商品对应的图片和视频检索；自然语言学习（NLP）、实时机器翻译、语义识别等技术，也在店小蜜、实时翻译、商品评价分析等关键链路使用。 在信息搜索、推荐和营销领域，传统机器学习机制会不断拟合用户行为。认知智能则能提供更好的发现性、丰富性。智能技术像水一样在阿里经济体流淌，认知智能引擎助力消费者更好地选选选，新货好货成爆款！ 手机淘宝无障碍再升级，听障用户体验直播实时字幕 直播已成为热搜的新宠儿，为了让听障用户平等地使用这种购物社交方式，手淘信息无障碍团队联合淘系技术直播团队和达摩院语音实验室，基于ASR技术，实时将主播语音转换成实时字幕显示在手机上。让听障朋友第一次“听”到了李佳琦的“OMG！买它！买它！”。 业务平台：史上最多业务通过中台参与天猫双11，助力大促如丝般顺滑 为保障双峰之下的交易链路平稳顺滑，高效稳定，阿里巴巴业务平台通过全链路系统优化和保障预案，持续提升任务异步调度性能，降低资源成本。在助力淘宝天猫主站实现红包合并、直播秒杀、淘宝零钱等大促新玩法的基础上，还顺利支持第一次通过中台参与双11的本地生活、银泰、考拉等业务实现经济体大促业务共振，提升消费者整体购物体验。 同时，基于产品化的思路，今年业务平台还将大促能力数字化、自动化、和智能化的开放给更多业务部门，使得各前台业务团队可以精准核算大促容量需求，许多部门只需一个人，就能够张罗起大促数据预热等关键大促工作，大幅降低了人员和时间的投入。 全新动能：新一代数据计算处理框架——“流批一体” 今年双11，阿里数据中台将通过最新的数据技术和更深刻的数据理解为业务创新提供动能。其中，新一代数据计算处理框架——“流批一体”将在内部小二端大规模应用。 过去双11期间，阿里小二们想要进行诸如“跟往年相比哪些商品和渠道的表现更好？”等多维度、大批量的深度分析，这些看似简单的运营分析，背后涉及到的是大量数据计算和多维交叉分析，这些都需要大量的时间成本来实现。新一代的数据技术处理框架——“流批一体”，实现了“全链路、全维度、全实时”的数据处理分析，可以帮助阿里小二们及时发现问题、分析问题，实现实时运营决策。 “流批一体”在技术上，实现了哪怕是多个计算处理模式，也只需要撰写一套代码就能兼容。在计算速度上比其他框架快1倍、查询快4倍，给小二们搭建数据报表提升了4-10倍的速度。同时，由于“一体化”的特性，能实现实时与离线数据的完全一致。 在今年史上数据量最大的情况下，新一代数据计算处理框架——“流批一体”直接节省了一半的资源成本，真正实现了“快、准、省”。 MaxCompute以国内最大规模的计算能力，为阿里经济体天猫双11保驾护航 MaxCompute支持双11场景下的海量数据高并发计算，预计2020计算同比增长超50%。其中，单日数据计算量将在2017年300PB、2018年600PB、2019年900PB的持续增长之后，在今年双11突破EB级。单日计算任务将在2017年300万、2018年500万、2019年900万之后，超过千万。 云原生实时数仓首次在天猫双11核心数据场景落地 实时计算Flink+ MaxCompute交互式分析（Hologres）实时数仓实现商业全链路实时化，毫秒级海量数据处理能力，为商家和消费者带来了更加智能的消费体验。为应对双11大促流量洪峰提供了强有力的保障，支持的业务包括双11实时直播间、智能推荐、阿里妈妈数据平台、国际站数据平台、菜鸟数据平台、友盟+全域数据分析、CCO智能客服、新零售数据平台、考拉、饿了么等业务。 前端智能化设计稿生成代码，助力十余BU智能研发， 自动生成90.4%双十一会场新模块 前端智能化助力前端研发模式升级，设计稿生成代码技术体系升级（如对UI多态、直播视频组件、循环的智能识别增强等），多个部门共建前端设计稿识别算法模型和数据集，双11会场大规模应用，营销模块研发链路产品化升级，双11会场有90.4% （高于去年）新模块的代码是自动生成的；尽可能去除设计稿约束，增加约束智能检查等升级，无人工辅助的情况智能生成的代码被保留发布上线的代码占比79.26%；相比传统模块开发模式，固定人力单位时间模块需求吞吐量增加约1.5倍，使用设计稿生成代码技术后编码效率（模块代码复杂度和研发耗时的比值）提升68%。 AlibabaWood助力天猫双11 AlibabaWood是一款高效智能制作商品短视频的工具，它具备便捷、灵活、智能3个核心特点。AlibabaWood可帮助用户1分钟即可生成1个商品短视频，将极大缩短用户的处理时间，提供用户的工作效率。 该工具由阿里巴巴达摩院人机自然交互实验室、机器智能技术人工智能中心DesignAI、阿里云智能业务联手打造，融合电商视频设计与人工智能，能够对商品内容进行智能理解，然后自动为商品编写剧本，添加镜头，书写文案，并搭配风格匹配的音乐，自动剪辑出具备故事性的电商短视频。 智能客服会打“视频电话”了，提供多模态交互服务 热线小蜜2020双11的外呼目标是当天外呼规模1000w+，期间日均300w+。呼入目标是全月满意度平均60%，日均转人工量5.4w。 热线小蜜今年双11上线了多模态交互服务能力，能够接听用户的视频电话了。针对大促满意度低的活动介绍、购买指南等场景，热线小蜜试点音画同步多模态交互服务。这项功能将对部分用户开放，用户在手淘等应用上选择多模态呼叫，就能跟机器人建立视频聊天，视频界面主要用来展示与聊天话题相关的内容，比如当用户问询大促活动规则、红包使用方法等等，小蜜可以对照画面，手把手教用户找到对应的接口，告知使用规则，大大缓解过去语音电话效率低的问题。 小蜜的多模态升级是基于达摩院的语音主动对话平台SPD（spoken positive dialogue）平台打造，借助达摩院的多模态对话交互能力实现。能够拨打视频电话的智能客服，未来应用空间广泛，包括在线电商导购、私人生活助理等等。 “有电的地方就有阿里巴巴内网” 今年双11，企业智能事业部的网络工程师们自研了一个5G盒子。在没有网络的情况下，只需要插上盒子，员工就能连接到无线网络，而且是内网环境，不需要部署宽带，也不用员工在进行连接内网的操作。一场活动可节省数万成本。此外，通过该盒子，还可以直接进行无线投屏等操作，进一步提升办公体验与效率。目前这一设备已运用在天猫直播盛典等双11大型活动现场。 天猫双11网络保障：首次运用空中“光缆” 在阿里西溪园区首次使用目前业界最先进的无线电超高频传输技术进行网络灾备，在各作战室的上空拉起了一条条“无线光缆”，再也不怕路面线路被挖断或者老鼠咬断，确保小二们的网络稳定传输。 数字供应链多层级跨境仓发网络构建 双十一前，数字供应链事业部为Lazada搭建了多层次跨境仓发供应链解决方案，商家可以按品类特性灵活选择（国内中心仓、区域自贸仓eWTP、本地仓FBL）备货，覆盖东南亚六国消费群体，系统自动根据消费者地址及库存水位选择合适的仓库自动履约发货，集成菜鸟和Lazada头程、海关、干线、落地配能力，帮助商家解决跨境仓储物流挑战，提升消费者服务时效水平。 国内首家企业联合海关完成全链路压测，重点保障进口保税高峰值通关稳定性 本次双11，菜鸟做为国内首家企业联合海关实现全链路压测方案的落地，通过模拟峰值，海关内部系统完成10+升级优化。11月1日上午6时33分，海关全链路整体稳定，消费者当天购买的双11进口订单，已经有1000W单顺利清关，这一速度比2019年双11当天大幅提前了2小时14分，提速25%，这些包裹已经陆续进入配送环节，最快可以当日送达。 从中国数字化到全球数字化，菜鸟为东南亚11国装上“物流大脑”迎战天猫双11 今年双11，菜鸟的数字化物流技术首次走向全球。除中国外，菜鸟还在印尼、马来西亚、新加坡、越南、泰国、菲律宾、巴基斯坦、尼泊尔、缅甸、孟加拉国、斯里兰卡等11个国家，建设统一的物流技术中台，为东南亚物流装上了“眼睛”和“大脑”。 全国150城装配了菜鸟创新IoT装备，为行业赋予了降本增效的新生产力 本次双11，菜鸟IoT迎来了第一次大规模助力行业数字化的升级。在仓储、快递、国际、零售通等物流场景，配置了数万台LEMO系列产品，预计期间将支持亿级包裹的生产操作。在驿站场景，无人取件机、小盒、自提柜等产品覆盖150城，为消费者取件节省15万小时。同时，上万台的裹裹寄件机，将为消费者提供全新的自助寄件体验。 小蛮驴上岗了！阿里物流机器人将承包浙大菜鸟驿站天猫双11包裹配送 出生不到两个月，阿里巴巴的物流机器人小蛮驴就上岗营业了。10月30日，由小蛮驴领衔的22个物流机器人进入浙江大学紫金港校区。今年双11，阿里将在浙大打造全球首个纯机器人送货点位，由机器人承担浙大菜鸟驿站3万多件包裹的送货上门服务。
-
发表了文章 2020-04-30
机器学习领域技术大图：硬件算力
AI 集群旨在获得更高的 AI 集成算力，扮演着“承上启下“的角色，“承上”是指向 AI 应用提供的有效集成算力，高集成算力是支撑 AI 大模型和海量数据量的使能能力。而“启下”是指通过集群的计算、网络、存储平衡设计来充分发挥 AI 计算芯片能力，例如访存或网络瓶颈都会导致较低的 AI 芯片效率。AI 集群设计的关键在于：1）单机：计算优化，软硬件协同优化发挥 AI 加速器有效算力。2）多机：通信优化，最小化多机数据交换引入的计算效率损耗。我们将从单机加速和集群加速（多机）两个方面介绍相关技术和系统。 首先，我们将从计算和互联两个技术点对阿里现有的技术栈进行全面的阐述。 计算技术 神龙服务器和神龙虚拟化技术 在阿里云神龙硬件平台下，虚拟化架构也做了相应的升级，使计算虚拟化部分的架构更加清晰简洁，让虚拟机能提供接近物理机的性能。如图所示，神龙服务器架构的主要特点是：I/O 链路从传统的软件实现转变为硬件和直通设备来实现，存储虚拟化、网络虚拟化都在 MOC 卡上来实现；同时将管控系统、监控程序等都下沉到 MOC 卡上。在提供计算服务的物理机上，只运行阿里云自己裁剪的 Linux 操作系统和轻量化的虚拟机监控器。总的来说，神龙硬件平台的底座，加上轻量化的宿主机 OS，再加上轻量化的虚拟机监控器，就组成了神龙架构下的轻薄且高效的新一代虚拟化平台。 GPU CPU 执行 AI 计算往往并不能达到最优的性价比，因此，具有海量并行计算能力、能够加速 AI 计算的 AI 芯片应运而生。当前最具代表的是 GPU、FPGA 和 AI ASIC 芯片。GPU 仍然是当前最成熟也是最广泛使用的加速器，阿里巴巴上层框架针对 GPU 做了大量的编译优化工作。GPU 在阿里巴巴得到了广泛的部署，也是云上 AI 算力售卖的主力，我们已经能做到基于 GPU 的云产品与最新一代 GPU 同步发布。在云上 GPU 的安全性，可运维性，用户体验上我们都走在业界的前列。在于通用计算可运维性在 GPU 虚拟化场景下的热升级能力，居于业界第一；是业界首个发布基于 SRIOV 的 GPU 热迁移技术预研的云厂商。在业界首个实现基于 GRID 的 vGPU 技术在云上输出，引导了 vGPU 云化的技术趋势，并且为 5G 时代的云游戏铺垫了 GPU 计算基础设施。 GPU 的训练芯片一直引领着 GPU 技术发展的趋势，除了基础 FP32 算力的高速增长之外，通过精度的变化大幅度提高算力，比如 Tensorcore 是另外一个算力提升趋势；另外，由于多卡，多机的通信的需求，GPU 的通信经历了 PCIE P2P 技术，基于 NVLink 的高速通信技术，以及通过 RDMA 网络的 GPUDirect RDMA 技术。而在阿里云上，由于多租户之间需要进行算力共享，在不同的通信模式下，如何进行算力分割和通信的隔离，是一个阿里云一直研究的技术，包括最新的基于 NVSwitch 的 NVLink 全连接场景下的可编程拓扑分割技术等。 FPGA FPGA 器件自诞生之初，就以高度灵活的可编程性提供类 ASIC 的性能和能效比而广泛应用于有线和无线通信、航空航天、医疗电子和汽车电子等领域。但是，相比 CPU 和 GPU，FPGA 的开发周期较长（尽管只有 ASIC 开发周期的一半乃至三分之一）、开发和使用门槛较高，使得 FPGA 的开发人员远远少于 CPU 和 GPU 的开发人员，同时应用范围和知名度也受到了很大的限制。在 FPGA 上，我们具备了有更高的定制和自研能力，阿里云与 AIS 联合研发的业界第一款单卡双芯片的 Xilinx FPGA 板卡，在板卡和 HDK 层面实现了技术自主创新的能力。 舜天平台：FPGA 即服务 (FaaS) 云上的 FPGA 实例做了丰富的功能输出，阿里云 FaaS（FPGA as a Service）舜天平台在云端提供统一硬件平台与中间件，可大大降低加速器的开发与部署成本。第三方 ISV 加速器 IP 可以迅速形成服务提供给用户，消除加速技术与最终用户的硬件壁垒。用户则能够在无需了解底层硬件的情况下，直接按需使用加速服务。为了给加速器提供方和使用方提供更加高效、统一的开发及部署平台，FaaS 舜天平台提供两大开发套件：HDK 和 SDK。FaaS 的逻辑架构图如下图所示： FaaS FPGA 逻辑架构图 阿里云 FaaS 舜天平台支持最全面的 DMA 技术，包括：DMA、XDMA 和 QDMA；同一架构支持 RTL 和 HLS 开发、验证与测试；全球唯一的同一软件架构同时支持两大 FPGA 厂商 Xilinx 和 Intel 的云厂商。全面、过硬、兼容性好，并且能够利用 PR 技术进行动态热升级的Shell技术使得 FaaS 舜天平台成为阿里集团 FPGA 异构加速业务的基础设施，完全适配了集团的所有已经引入的 FPGA 器件，已经成功服务手淘、优酷、蚂蚁和云安全几大业务板块。 阿里云 FaaS 平台架构图 AliDNN 与 GPU 环境下，单向的软件适配硬件不同，FPGA 和阿里自研 NPU 给了我们定义硬件的机会，可以根据业务特征进行深度的软硬件优化。AliDNN 是一款基于 FPGA 的指令集、加速器、SDK 和编译器全栈自研的深度学习加速引擎。指令集加编译器设计为 AliDNN 提供了充分的灵活性。深度学习框架 (TensorFlow，Caffe 等)可以直接调用 AliDNN 引擎，编译器(震旦)将深度学习模型编译成加速器指令进行计算。算法， runtime，编译器和加速器的全栈软硬件协调优化，使得 AliDNN 拥有极致的效率和性能。AliDNN 提供了高吞吐、低延迟的深度学习推理服务。 NPU AliNPU（含光 800）更是分析阿里集团内部的人工智能应用场景需求，确定了以 CNN 模型为主做了深度的优化，同时支持一些通用模型，比如 RNN 类模型等。这是针对特定深度学习算法领域做特别的优化，把相关应用的性价比提高到极致，正式如此，含光 800 性价比远超竞品，成为全球最强 AI 推理芯片。 互联技术 RDMA RDMA 是目前业界最受欢迎的高性能网络技术，能大大节约数据传输时间及 CPU 开销，被公认为是提升人工智能、科学计算、分布式存储性能的关键技术。阿里巴巴基于全新的 HAIL 网络架构并结合自研交换机，打造了从主机网络、消息中间件、盘古分布式存储、网络运营到产品运营的完整技术体系，实现了数十个数据中心的全球最大规模 RDMA 网络部署，远超亚马逊、微软等主要云厂商。这张全球最大规模的数据中心“高速网”使得集群极大地突破了传输速度瓶颈，有效地支撑了云盘 ESSD、云超算 SCC、机器学习 PAI、 云原生数据库 POLARDB 这些广受欢迎的创新产品，并助力电商数据库从容应对双十一峰值流量考验。同时，可以跨 POD 的 lossy RDMA 技术已经在阿里巴巴进入实验测试阶段，届时将进一步扩大 RDMA 的适应范围。 EXSPARCL通信库 自研的EXSPARCL（Extremely Scalable and high Performance Alibaba gRoup Communication Library）集合通信库提供通用的集合通信功能，同时兼容 NVIDIA 的 NCCL。ExSparcl 专门优化支持大规模 AI 集群的高速互联架构和多网卡特性, 充分利用设备之间的互联带宽，保证通信和业务性能的线性扩展。通过对集群/主机物理互联的拓扑感知，和网络路由的最优选择，实现创新的无拥塞算法，确保节点内和节点间的高速通信。例如针对 SCC 训练集群架构，实现的Rank重映射 Havling-Doubling 算法，可以保障集合通信过程中没有因为路径冲突而产生的拥塞排队，在大规模环境中对比 NVDIA 公司的 NCCL 通信库，实现集合通信性能 (AllReduce/AllGather) 的数倍提升，对业务性能的提升也非常明显。此外，拓扑感知的特性可以用于故障规避，大大增强网络的可用性，详见：https://www.qbitai.com/2020/03/11987.html。 飞天AI加速工具（AIACC） 飞天 AI 加速工具通过统一的框架同时支持了 Tensorflow，PyTorch，MXNET，Caffe 这 4 种主流的 AI 计算框架的分布式性能加速，并且针对 VPC 网络和 RDMA 网络都做了很深入的性能优化，在不同场景不同训练规模下可以提升 1～10 倍的训练性能。同时， AIACC 和各 AI 计算框架是解耦的，一方面可以轻松支持各 AI 计算框架社区版本的向前迭代，另一方面，用户使用各 AI 计算框架实现的模型、算法代码基本上不用修改，就可以很轻松的获得性能加速。 FaaS 舜天可以支持 FPGA 芯片高速互联 (最高可达 600G) 阿里云与 AIS 联合研发的业界第一款单卡双芯片的 FPGA 板卡，AliFPGAx2，两块 FPGA 之间的 Serdes 的带宽可以高达 600G，在一台服务器上的两块 AliFPGAx2 的板卡，还可以通过光缆互联与高速 Serdes 互联。于此同时 FaaS F3 提供给用户强大的互联拓扑结构，方便用户搭建 FPGA 集群，实现 FPGA 互联，并且通过 FaaS 舜天的 Shell 提供高速 DMA 的软硬件支持。可以支持单卡 2 芯片互联，双卡 4 芯片互联和 8 卡 16 芯片互联，并且互联的通道可以通过软件灵活配置硬件的隔离分割，在云用户不同的拓扑需求之间进行互联和隔离。下图是典型的 2 卡 4 芯片互联拓扑结构。 在此基础上，阿里巴巴开发了适合不同应用场景的异构超算集群。 SCC：通用和异构超算集群 高性能计算是采用低延迟高带宽的计算节点构成并行计算集群，通过并行计算（Parallel computing）实现对浮点密集型科学和工程模型包括AI深度模型的求解。作为计算节点的神龙裸金属服务器通过 RoCE 网卡实现节点间计算的高速 MPI 通信，通过神龙 MOC 卡实现和 VPC，IO 和网络，云盘的互联。从而在输出超算水平的超级算力的同时，保持所有节点的“云原生”的弹性和统一运维。我们还开发了弹性高性能计算 E-HPC PaaS 平台，作为高性能计算软件栈创建和管理 SCC 集群，同时对有能力自建 HPC 平台的客户直接输出 SCC 集群。 SCC-训练集群：大规模AI训练集群 针对 AI 大规模训练的算力需求，阿里巴巴开展了从硬件到算法的一体化设计。从性能角度，集群设计的核心之一就是通过提升加速器间数据交互的能力，降低非计算开销占比，进而实现算力的规模线性扩展。因此，异构集群系统以优化通信为突破口，对服务器和整机网络架构进行重新定义，先从硬件上解除通信瓶颈，再通过软硬件协同，将增强的通信能力发挥出来，该部分的工作内部代号 EFlops，实现了 AI 训练的线性加速，相关成果在顶级学术会议 HPCA2020 上发布（https://www.csdn.net/article/a/2020-03-03/15988517），目前建设的系统单集群 AI 算力可达 500 PFlops（FP16 性能）。 此外，液冷是推动AI集群架构演进的另一股力量。由于功耗限制，当前一个机柜仅能容纳两台或四台 8 卡服务器，计算密度难以提升，而液冷则可以打破这个限制，一个 Tank 即可容纳 100 多块 GPU 卡，省电省地省光纤，提升稳定性。相应地，集群架构根据浸没式液冷 Tank 的尺寸和出线特点进行了重新设计，这一工作已进入实验阶段。 再次，在获得极致性能的同时，我们也兼顾在计算成本方面的优化，以及通用与异构算力解耦之后的灵活性。 异构硬件层虚拟化 阿里 IaaS 的 GPU 虚拟化技术是 AI 计算力上云的基础。阿里 IaaS 在对现有开源 GPU 虚拟化技术之上进行了二次开发，使得现有 GPU 虚拟化方案可以适合公有云对安全性，高可靠性与可监控等关键功能的提升。 在公有云 GPU 服务器的安全隔离方面，阿里云异构 IaaS 层完成了从实例内部的驱动的初步安全过滤，宿主机虚拟化层对 GPU 特权指令的过滤拦截，宿主机 PCIe 协议成的容错处理等三层立体防护体系，确保客户实例不受攻击，也没有可能攻击其他客户。 当前主流异构虚拟化还是以设备直通的方式存在，并在基础之上逐渐演化出 SRIOV， vGPU 分片虚拟化等最新技术。阿里 IaaS 依托现有 GPU 虚拟化技术完成了 AI 集群 (GPU/FPGA) 的云上规模化和产品输出。GPU 虚拟化走过了漫长的发展路程；经历了直通虚拟化，SRIOV 与 vGPU 的分片虚拟化，Intel 的 GVT-G 技术等等。 在通用计算时代，虚拟化的引入主要是为了提高 CPU 利用率，但是随着热升级，热迁移技术的引入，把计算资源的安全性，可靠性推到新的高度。在 GPU 资源利用率提升，计算资源碎片整理上，GPU 虚拟化技术也扮演着重要的角色。 在公有云 GPU 服务器的监控方面，阿里云异构 IaaS 层做了 GPU 相关的云监控方案，可以实时取得当前 GPU 的运行状态与温度，显存用量等信息，并可以自定义多种监控模式。GPU 自定义监控与 GPU 云监控插件。 在公有云 GPU 服务器的高可用性方面，阿里云异构 IaaS 层开发并部署了特有的 GPU 服务器热升级与热迁移功能。使得当实例所在宿主机需要系统软件更新/硬件维修等运维操作时，可以让客户无感的完成升级更新，从而保障了客户业务的稳定性与连续性。基于 SRIOV 和 GRID vGPU 的热迁移能力上，阿里云都作为业界第一梯队领先竞对。 异构 GPU 容器支持（cGPU 容器 AI 算力隔离技术） 云原生已经成为业内云服务的一个趋势，如何能够在云原生上支持异构计算，同时在单个 GPU 上可以运行多个容器并进行隔离，对此业界也做了很多探索。Nvidia vGPU, Nvidia MPS, 友商的 vCUDA 方案，都为用户更小颗粒度的使用 GPU 提供了可能。阿里云 GPU 团队推出了昊天 cGPU 方案，相比其他方案，这是一个颠覆性的创新。业内常用方案是通过替换 CUDA 库实现拦截，需要对静态链接的程序重新编译，同时 CUDA 升级时也需要适配新版本；而昊天 cGPU 在做到算力调度与显存隔离的同时，也做到了无需替换 CUDA 静态库，动态库，无需重新编译，CUDA，cuDNN 等版本随时升级无需适配。 cGPU 为自主研发的宿主机内核驱动。它的好处在于： 适配开源标准的 Kubernetes 和 NVidia Docker 方案用户侧透明。AI 应用无需重编译，执行无需 cuda 库替换针对 Nvidia 设备的底层操作更加稳定和收敛，而 CUDA 层的 API 变化多端，同时一些 Cudnn 非开放的 API 也不容易捕获。同时支持 GPU 的显存和算力隔离 现在基于阿里云 GPU 团队的 cGPU 昊天方案和容器服务的 GPU 共享调度双剑合璧, 可以打造低成本，可靠，用户友好的规模化 GPU 调度和隔离方案。 软件池化 EAIS.EI：资源调度层池化 EAIS 通过软件池化的方式将 CPU 核心数和后端异构加速设备解耦，前端的纯 CPU ECS可以动态挂载或者卸载后端异构加速设备，前端 ECS 和后端异构加速设备间通过加密的 gRPC 协议通信。后端加速设备可以包括 GPU，FPGA，NPU 等异构加速器，并且通过软件池化的方式进行统一调度和管理。 HARP：Runtime 层池化 做加速机群池化的主要目的，是想提高机群资源利用率。机群管理如 K8s 对加速资源管理手段非常有限，一般都是以直通（pass-through）的方式，以整卡的力度来分配。再者 CPU 和加速资源以整机形式，绑定资源分配，在实际应用中有很大资源浪费。而数据中心呈现去中心化发展趋势（disaggregation），从物理机到虚拟机，到虚拟网卡，到分布式存储，整机的各个部件逐渐以专用机柜的形式，以虚拟化，可配置（configurable）的方式通过网络组装。对比磁盘，加速资源跟通用计算之间联系更紧密，但是随着技术的进步，加速资源单独组机柜，通过网络或者其他互联（interconnect）的形式，对通用计算（CPU）加速，成为一个技术趋势。 Heterogenous accelerator resource pooling (HARP)，目前以 GPU 为主要加速资源，将来会扩展到 NPU 和其他加速硬件。通过在用户程序和 driver 之间，加一个中间层（目前为软件，将来可扩展为硬件），来实现加速资源的虚拟化，动态地为用户分配本地或者远程的加速资源，从而更好的管理和利用加速资源。 HARP 实现方式的优势为： 对上层应用透明，对运行环境无要求（物理机、容器、VM）均可 同时支持本地和远程的加速资源，本地模式下与直接使用 GPU 性能无差异 可以通过控制 API 来比较轻量化地在单卡复用情形下显存、计算资源控制 可以对上层应用隐藏底层硬件细节，自动化一些底层配置（本地物理 GPU／由 PCIE-switch 连接的另一台 host 上的物理机／vGPU／下一代 GPU 支持/Compute Instance) 可以实现一些额外的 profiling 功能，甚至生成一些可以 replay 的 trace HARP 资源池需要支持其他各种加速芯片，因此希望能建立统一的接口。支持该接口的芯片只需要花少量的工作，就能接入资源池调度系统。因此我们联合上海交大和清华大学，以及寒武纪等芯片厂商，建立中国异构资源池技术标准产业联盟。 硬件层池化 作为软件池化技术的升级，利用自研或者三方的硬件插卡，通过机架或小规模跨机架的高速总线互联技术，对通用计算器与多种加速器进行配比解耦，达到中等规模加速器池化和任意的加速器的灵活组合。同时在可靠性，可运维性，加速卡硬件故障处理 SLA 上提供更好的服务。 远程资源 - 本地访问 最后，基于在“核高基”领域的技术研发，奠定了今天阿里云的 IaaS 及 PaaS 服务具备了以下特点： 以产品多样性，打造性价比极致的算力供给的硬件算力基础设施为设计目标。 以软硬协同为主的技术研发和布局形成我们的差异化竞争力和技术抓手。 从单加速器分片算力共享到大规模集群算力的弹性算力能力的交付能力是一个核心需要打造的能力。 SLA 服务能力具备差异性，高可靠性。
-
发表了文章 2020-04-30
边缘端手势识别：AI 交互的正确打开方式
一、概述 “手势是人类沟通的最自然的方式。硬件限制是我们不能很好地控制我们的设备的唯一限制”，这里的硬件限制指的是传统的手势识别算法需要额外的深度传感器。感谢近十多年不断发展的可适应 AI 和边缘计算崛起，使得这一切逐渐变为可能。 我们或将在智能手机、平板电脑、台式电脑、笔记本电脑、智能手表和智能电视，IOT 设备中看到更多结合空中手势来操作的未来功能。 今年我们已经看到有这样的趋势，科技巨头都纷纷推出了自己的手势识别能力：谷歌在自己的手机和智能音箱上提供了手势交互的能力，华为在旗舰手机 Mate30 上推出了自己的手势操控等等，苹果也刚刚提交了手势在智能音箱上应用的相关专利，实际上，手势作为人机交互最自然的方式场景简直是不言自明，想像一下这些场景： 在看电视的时候想要换台，想要调整音量，找不到遥控器的时候，直接使用手势来操作，免去找不到遥控器的抓狂烦恼。 在驾驶汽车，如果你听到了一首很难听的歌，希望赶快切掉，如果需要与触摸屏显示器进行交互，驾驶员必须将视线从道路上移开，这样有潜在的危险，使用手势识别使得驾驶更安全。 在使用 iPad 看剧时，这个时候老板/老婆电话突然进来了，我们对着 iPad 使用静音手势操控设备静音，科技以人为本。 在智能家居场景，使用手势操作你的电灯，空调，甚至抽油烟机都是可以想象的场景 总结来说：“You are the only interface you need”。 二、我们现在的业务场景 我们所属天猫精灵 M 实验室，主要负责跟天猫精灵相关的视觉算法，我们的主要研究方向人机交互视觉算法，包括手势识别，肢体识别，还有多模态视觉语音交互等。 去年，我们推出了基于天猫精灵智能音箱的超轻量手势识别算法，今年我们更进一步，在技术，业务，算法上进行了更为深入的探索： 在天猫精灵大屏产品 CC, CCH, CCL 等上线了手势操控能力。 我们同优酷iPad客户端的小伙伴一起，在优酷 iPad 版也成功应用了我们的手势识别能力。 我们在教育领域，我们尝试了使用手指作为输入，实现了手指点读的相关能力，让小朋友“哪里不会点哪里”。 目前我们在跟电视厂商等 IOT 生态厂商合作，实现大屏手势交互第一步，未来丢掉遥控器将不是梦。 三、无处不在的单点（静态）手势 3.1 从天猫精灵到优酷 iPad 手势识别 去年，我们推出了基于天猫精灵智能音箱的超轻量手势识别算法，今年我们与优酷的小伙伴合作，把单点手势能力进一步移植到了优酷 iPad 场景中。 3.1.1 单点手势应用：优酷吃饭看剧神器 来自用户的声音：吃饭看剧神器 这是在优酷上线后用户自发介绍的使用视频，也非常符合我们的场景预期和用户痛点： 在看剧的时候，经常有需要跳过某一小段，快进或者快退的时刻，解决不便直接操作的时刻（例如吃饭，手里不方便等场景）。 在 iPad 场景：1）受设备体积和重量影响，很少手持设备；2）屏幕较大，用户距离设备通常有一定距离，手势识别带来了更为极致的体验提升。 3.2 走的更远：大屏远距手势交互 3.2.1 大屏交互场景 近年来，智能电视（智屏）正越来越多的进入千家万户。据工信部预测，到 2020 年，智能电视市场渗透率有望达到 90% 以上。除了数量优势，强大的交互能力是智慧家庭入口的必备特质。作为智慧家庭 IoT 的另一个重要入口，智能电视的大屏幕更易实现交互。 3.2.2 挑战 要走的更远，也常常伴随更大的挑战。和天猫精灵 CC 或 iPad 这种近身设备相比，在智能电视场景进行手势算法研发面临主要面临的挑战有： 更远的距离。智能电视有一块大屏幕，往往 3-5 米是一个对人较为舒适和健康的观看距离。在这样一个距离下，人手在画面占比非常小。 更多的人数。可能有多人同时在看电视，因此我们要能及时甄别和响应每一位观众的交互需求。 更复杂的背景。不同家庭不同电视的摆放位置千变万化，我们的算法要在变化中找不变（手势识别） 有限的算力。虽然智能电视越来越普及，但是它们配置的硬件性能依然非常有限。 3.2.3 大屏方案 针对以上挑战，经过我们算法研发探索，提出语义注意力机制导引的快速人手检测和分类方法（Contextual-attention-guided fast tiny hand detection and classification）。 大屏解决方案: Contextual-attention-guided fast tiny hand detection and classification 1）Lightweight hourglass-like backbone 轻量级类 hourglass 模块对输入进行下采样，在获取具有高层语义信息的特征图的同时，尽量保留细节性特征，有利于对 tiny hand 的检测。 2）Contextual attention 3-5 米场景下，人手在整个输入图像中占的像素比非常小。手虽然很小，但是手一般长“人”身上，而且距离人体特定的部位（如手腕、胳膊、人脸）较近，同时与这些部位可能会有相近的颜色。这些人体或人体部位往往较手要更大，为我们 tiny hand 的检测提供了额外的 clues，利用这些 clues，可以更好的对 tiny hand 进行检测。基于此，我们利用 Similarity Context 和 Semantics Context 来作为 Contextual attention ，从而指导网络获取手区域以外的语义信息，增强检测能力。 海尔电视手势 四、落地与优化闭环 相信任何一个做过 AI 算法落地的同学，都会遇到各种各样的实际算法问题，不管是科大讯飞的语音交互，到现在无处不在的人脸识别，甚至谷歌的搜索词排名算法，基于深度学习的AI算法的非常重要的一个特点就是越用越好，并渐渐形成数据相关壁垒。 我们在手势先后在天猫精灵和优酷上线后，我们同样也经历了这样的一个过程，为了让我们的算法“越用越好”： 提出了新的检测算法，应用了前沿的 Overflow-aware 量化方案，极致算法体验。 我们接入了 AutoML 助力 AI 应用快速落地，以动态闭环的形式优化我们的算法。 4.1 更快更强的端上检测算法 + overflow-aware 量化应用 4.1.1 更强的端上检测算法 基于 anchor-free 方案，更高效的算法框架，使用 heatmap 辅助 anchor 方案 基于天猫精灵音箱，IOT 视觉模组等不同设备算力的硬件条件，对端上的手势识别提出了更加高的要求，我们进一步提升手势识别算法能力框架：基于流行的 anchor-free centernet 算法，提出了 centernet-lite 的端上检测算法，不过在实际算法的落地的过程中，我们发现目前流行的 anchor-free 方案在小网络有一些天然劣势： 由于其天然基于 heatmap，最终精度与 heatmap 有很大关系，这对小型化不利。 同时，由于 heatmap 的原因，这种方案无法很好的解决同一类物体重叠的情况。 4.1.2 应用 Overflow-aware 低比特量化算法 端上量化 加速目前业界流行的方案为谷歌 8bit 量化算法，事实上，有更优秀的低比特量化算法：通过学习的方法，学习每一层的 min/max 范围，动态的调整每一层的量化方案，目前在推理引擎端加速比为 70%。 最终我们采用使用 heatmap 方案来辅助 anchor 检测方案且融合 Overflow，这取得了比较好的精度和效果的平衡，在天猫精灵硬件上。 4.2 优化闭环：AUTOAI 的手势线上识别优化框架 （让算法越用越好） 我们利用在 deep learning 中有类似模型蒸馏的思想，通过采用预先训练好的复杂模型（Teacher model）的输出作为监督信号去训练线上网络（student model）。我们可以在不直接接触业务数据的情况下，不断进行算法的优化。 使用围栏的优化结果： 五、产品级的序列（动态）手势 5.1 为什么要做动态手势识别 我们在单点手势已经做了非常多的尝试和应用落地，但是动态手势作为一种更自然更“爽”的交互方式，是我们一直在不断钻研的实际方向。 从产品的思路上来说，动态手势提供了更多的交互感和参与感，其应用的场景可能也是不一样的，比如单点手势可能应用与 IOT 设备等操控类型的算法场景，动态手势其独特的参与感让其更适用于教育，娱乐，线下运营等实际场景，这也是我们不断突破这个场景的原因。 5.2 基于 skeleton 的动态手势识别算法 去年，我们实现了基于 skeleton-based 的动态手势识别算法(相关工作已经投稿ISMAR2019,并成功发表，链接：https://ieeexplore.ieee.org/document/8951971)： 但是在实际的产品化过程中，我们发现对于通用的动态手势识别，纯粹的 skeleton-based 方案可能并不实用，主要原因有： 算力：完成 skeleton-based 的一系列操作：手势检测+指尖回归+时序网络等需要较高算力，在天猫精灵等 IOT 设备上无法达到产品级别的能力。 motion blur：由于手势运动较快的原因，大部分动态手势都有运动模糊的情况，对检测+关键点这类算法非常不友好。 因此，我们把目光投到了以动作识别为基础、指尖回归为辅助的时序推理方案。 5.3 基于视频理解的动态手势识别算法 时序推理 原理：图像关系的时序推理（temporal reasoning）能力，要让计算机认识这两个行为，需要两张及以上的帧图像来相互辅助识别。一个行为需要被多个帧协作来解释。这种方案很好的解决了 motion blur 的问题，且算力上更可控。 Our Temporal Generation Network_ 为解决运动模糊等问题，采用基于 RGB 时序序列为主框架的视频识别方案，提取连续采样帧的特征，并使用改良的高效快速的非退化 3D 卷积网络，对时序特征进行融合。 同时针对特定手势的识别，提出一种基于手指关键点的辅助分支，使用 heatmap 分支对指尖关键点进行多任务学习并回归，检测出手指的运动轨迹，与 RGB 分支进行特征融合，辅助动态手势识别。算法整体结合了基于 RGB 和关键点方案的优势，达到了速度与精度的平衡。 六、未来展望 我们已经在单点手势识别，序列手势识别在算法、业务都进行了较多的探索和尝试，关于手势识别的未来算法探索方向和业务发力点，我们也有一些自己的展望： 6.1 3D 手势崛起 3D 人手姿势估计是指基于输入的 RGB 或 RGB-D 图片进行人手建模并找到关键部件（如，骨节点）位置的过程。我们生活在三维世界，三维手势交互必然带来更自然更舒适的交互体验。我们也在 3D 人手交互方面正进行积极探索，未来在电商产品交互式展示、VR/AR、手语识别、在线教育等方面，我们会推出更多的交互性更强的产品，提供更人性化的交互体验和服务。 Oculus Quest 在今年推出的 3D 手势操控 6.2 手势在 IOT 场景的应用 手势控制能否超越语音控制成为智能家居设备最自然不过的设备呢？在 IOT 场景，如果可以使用手势控制电视，灯泡，空调等等。目前已经有一些 startup 开始了在这方面的探索。 比如 Bixi，Bixi 是一款手势小遥控器，感应你的空中手势，可以指挥你最喜欢的智能手机应用程序、LifX 或者 Hue 灯泡、互联网扬声器、GoPro 和许多其他 IoT 设备。 再比如如下图的 Bearbot 万用遥控器,除了萌系的外观以外,还可以支持自定义手势控制全屋家电,让你从此摆脱一堆遥控器的束缚。 Bearbot 手势遥控器，图片来源：https://www.indiegogo.com/projects/bearbot#/ 6.3 手势在教育场景的更多应用 除了手指点读，手势在教育行业其实应该有更多的应用，比如现在大火的在线教育，手势可以增加虚拟课堂的互动感和，同时对于小朋友来说，手势/视觉提供的有趣新奇的操控体验也是对幼儿提高课堂注意力非常重要的一环，例如，引导举手回答问题。再比如，我们需要做一些课堂小练习，普通的模式太枯燥，使用动态手势识别“画对勾”，“画叉叉”让小朋友以互动游戏的方式完成这些练习。
-
发表了文章 2020-04-30
飞猪的“猜你喜欢”如何排序？
引言 俗话说有多少米，就下多大锅。在特征体系构建上，我们已经准备了很多米了，并且在线性模型 FTRL 上拿到了一些甜头。下一阶段我们换了锅，对模型进行了升级，从线性模型转为 end-to-end 的深度模型，并进行了多个版本的迭代，包括 pure deep 模型（Pure Adaptive L2 Model，PALM），引入实时点击和实时未点击行为（FeedBack-PALM，FB-PALM），引入全网序列特征（Global Local Attention-PALM，GLA），并拿到了一些收益。下面对这个阶段的技术细节进行介绍。 问题分析 固定的特征体系下精巧的模型结构也能显著发挥现有特征的潜力。end-to-end 的深度模型一方面可以隐式和显示的进行特征交叉增加特征的表达能力。另一方面可以很 flexible 的引入真实行为序列特征等复杂结构特征。但是任何事情都有两面性，end-to-end 的深度模型相较于 FTRL 虽然对特征组合要求较少，但是对特征的筛选要求精细，数值型特征以及 id 类特征的选择和处理方法都会对最后的模型效果起决定性的作用。另外模型泛化性，训练过拟合问题以及模型复杂度和线上 rt 的关系也是需要关注的问题。经过多个版本的迭代，包括对现有的多种点击率深度积木模型的复现，引入用户实时点击和未点击 set 特征，引入用户全网序列特征，引入宝贝一阶近邻和预训练向量，加入 time-aware attention 等。下面分阶段进行介绍，包括面对的问题，模型结构，模型离线/在线效果，以及一些思考。 模型迭代 PALM (Pure Adaptive L2 Model) 模型 问题 在新的特征体系下，我们在 FTRL 上拿到不错的结果，很自然的想法是把 FTRL 上的特征复用到 Wide and deep 模型上，然后增加隐式高阶交叉的 deep 侧，来在原来的基础上增加模型表达能力。但是经过几轮的调试，离线指标一直和 FTRL 相比微正向，这不符合对 deep 模型的期望。后来发现把 wide 侧上的特征慢慢迁移到 deep 侧，包括 id 特征，数值特征，命中特征等，离线评测指标涨幅较大，后面也沿用这个思路，采用 pure deep 模型，将所有的特征都迁移到 deep 侧，并拿到了一些收益。但是 pure deep 模型和 wide and deep 模型相比，非常容易过拟合，并且对数值特征以及命中特征的处理方式有一定的要求。其中对离线指标提升较明显的几个点如下： 1）宝贝 id，用户 id，trigger id 等高维 id 类特征需要谨慎加入。航旅这种低频场景，这种高维 id 特征分布一般长尾较严重，大部分 id 的训练数据非常少，噪声较多，模型容易过拟合。在尝试中，正则以及 dropout 等常用抑制过拟合的方式一直没有较好的效果。后续借鉴 DIN 中介绍的 adaptive l2 regularization 的方式，挑选了一批类似用户id这种高维稀疏 id 类特征做动态正则。对正则系数做适当调整后，模型训练正常，全量数据过 5 个 epoch 也不会出现过拟合现象。 2）命中特征（lookup 特征）在目前的 rtp fg 过程中如果没有命中的话，是不存在这个特征结果的，也没有默认值。反映到模型中，如果没有命中，那么 dense 类型输出为 0，id 类型经过 embedding 操作之后输出全零的向量。在神经网络这种对数据分布敏感的模型中，我们考虑了两种使用方式。第一种是采用 dense 类型，命中之后有大于零的值，没有命中的话为零，符合正常数据分布。第二种是 id 类型，命中之后输出一个 id，经过 embedding 操作之后输出均值为零的向量，没有命中的话输出全零向量，也是符合正常数据分布的。经过试验第二种优于第一种，但是第二种方式 embedding 的维度不适合选择太大，因为命中特征本身较稀疏，输出全零向量的可能性较多，会影响模型训练过程。 3）Warm-up+Adam+learning rate decay 的方式相较于其他优化方法对离线指标的提升较大，非常值得一试。 4）batch normalization 在模型训练中起了非常大的作用。由于 deep 侧包括大量的高阶 look up 特征和归一化之后的数值型特征，离散化之后的数值型 id 特征以及普通 id 类特征的 embedding 结果，输入到网络中的数值非常不规范。后面发现 batch normalization 能有效规范这种多种来源的特征组合输入，保证网络的正常收敛。经过尝试在 embedding 层之后加前置 BN，后续接 fully_connected + BN + relu 的这种形式在离线指标上表现最好。 模型结构 最终的网络结构如图： 图中的模型细节就不累述了。该模型的 loss function 和后续的迭代版本都是采用 pointwise 的形式。离线评测都采用同样时间区间的训练数据的 T + 1 评测 AUC。 模型效果分析 同样的时间窗口，采用 30 天数据训练，T + 1 评测，离线指标如下，提升还是很明显的。 效果 上线实验观察 4 天，相较于新特征的 FTRL，uctr 平均提升 3.2%，pctr 平均提升 3.2%。 FB-PALM (FeedBack-PALM) 模型 问题 前一个版本在 pure deep 模型上拿到不错的收益。很自然的想法是尝试各种点击率深度积木模型，比如 DCN，DeepFM，XDeepFM，PNN，Autoint，FGCNN 等，但是经过几版实现以及调优，发现这些 model 结构和上一个版本相比提升微弱，如下图。本来以为是模型复杂度高了，于是对于 FGCNN 多训练了 20k 步，发现模型处于收敛状态。猜想原因为目前 pure deep 模型中已经包含了大量高阶特征，特征不变的情况下，特征的隐式高阶组合已经足够了，显示的高阶组合带来的收益较少。 但是模型还是要继续迭代的，于是切换了思路，通过引入原始特征体系中没有的更多复杂结构特征来实现模型的性能提升。这一版主要添加了用户短期全网实时宝贝点击序列以及用户短期场景内宝贝曝光未点击序列特征，序列中的宝贝考虑 Id，目的地，类目， Poi，Tag 以及行为类型和行为次数等属性。模型结构上没有太多的创新，对于两组序列特征，以待推荐宝贝的 Id，目的地，类目，Poi，Tag 综合起来作为 query，对两组序列进行 attention pooling。然后将 pooling 的结果加入 Pure deep 的输入层，其他结构不变。其中对离线指标提升较明显的几个点如下： 1）对于序列特征中的宝贝并不是考虑越多的属性效果会更好，选择的属性需要覆盖度高，不然序列中太多的属性默认值会导致模型训练不佳。 2）这里对于两组序列，因为同样采用宝贝 id 特征，所以为了防止过拟合，也加入了动态正则的技巧。但是这里需要注意的是虽然待推荐宝贝 id，点击宝贝 id 以及曝光未点击宝贝 id 都是宝贝 id，但是由于来源不同，id 出现的频次也会不同，因此这三类 id 都采用自己各自出现的频次分布进行动态正则。另外这三类宝贝 id 也都采用不同的 embedding matrix，避免正则之间的影响。 模型结构 最终的网络结构如图： 下面对模型的核心部分进行详细描述： 1）对于宝贝维度，模型存在三类信息，包括点击宝贝行为，曝光未点击的宝贝行为以及待推荐宝贝。除了宝贝id以外，我们将行为类型，目的地，类目，tag，poi 等 side information 加入模型中。这里融合采用 concat 的方式。令待推荐宝贝的多个特征经过 embedding 之后得到的向量分别为：，其中 L 为特征的类型数，则可以得到待推荐宝贝的表达为： 类似的可以得到点击宝贝行为以及曝光未点击宝贝行为的表达为 和 ，其中 M 和 N 分别为点击宝贝行为和曝光未点击宝贝行为的个数。 2）通过待推荐宝贝作为 query，对点击宝贝行为以及曝光未点击宝贝行为进行 attention pooling。这里由于维度不一致的原因，采用复杂度较高的加性 attention。attention 的过程如下，其中函数 H 为多层前馈神经网络。这里以点击宝贝行为为例，曝光未点击宝贝行为类似。需要注意的是由于这两类序列信息意义相差较大，所以两个 attention pooling 操作参数是不 sharing 的。 3）最后将点击宝贝行为以及曝光未点击宝贝行为的 pooling 结果 和 与 pure deep 模型的输入层特征进行 concat 一起送入到多层前馈神经网络，输出最后的打分 logit，并进行相应 loss 计算。 模型效果分析 同样的时间窗口，采用 30 天数据训练，T + 1 评测，离线指标如下，提升还是很明显的。 效果 上线实验观察7天，包括三天正向桶以及四天反向桶，相较于 pure deep 模型，uctr 平均提升 1.0%，pctr 平均提升 1.5%。 GLA(Global Local Attention-PALM) 模型 问题 上一个版本主要添加了用户短期全网实时宝贝点击序列以及用户短期场景内宝贝曝光未点击序列特征，并拿到了不错的效果。但是分析特征组成以及模型结构之后，发现还存在一些不足： 1）宝贝行为序列只能覆盖一部分航旅用户，另外一部分航旅用户没有宝贝相关行为，只有机票、火车票、酒店等行业下的行为，但是目前模型中考虑的序列还没有 cover 这部分用户。 2）上一版模型对宝贝点击序列以及宝贝曝光未点击序列只是做了加性 attention pooling 的操作，只考虑了 query（待推荐宝贝）和序列中的每一个元素的相关性。我们还应该考虑序列中每一个元素之间的相关性。 针对上述不足，在这一版本迭代过程中： 1）加入用户全网行为序列，包括机票，火车票，酒店，宝贝等行业。需要注意的是在实践过程中，发现全网行为序列中的 id 属性维度会造成模型的过拟合现象，加入动态正则之后还是没能缓解。分析原因有可能是 id 属性在机票、火车票、酒店以及宝贝的混合序列中分布太杂乱，因此去除 id 属性，只考虑覆盖度高的目的地、类目、Poi、Tag 以及行为类型等属性。用户全网行为序列的 pooling 方式采用在意图模型中积累的 Multi-CNN + attention 的方式，具体细节可参考飞猪用户旅行意图。 2）对宝贝点击序列以及宝贝曝光未点击序列的 pooling 方式，我们采用 transformer + attention 的形式，在原来加性 attention 的上一层，我们先通过 transformer 对序列中个体之间的相关性通过 self-attention 进行描述，然后再通过 attention 进行 pooling。当然和上一个版本一样宝贝点击序列以及宝贝曝光未点击序列的 pooling network 的参数是不 sharing 的。 模型结构 最终的网络结构如图： 下面对模型的核心部分进行详细描述，一些通用性的模块的细节不详细介绍。 1）对于用户全网行为序列，我们只考虑行为类型，目的地，类目，tag，poi 等覆盖度高的粗粒度属性，不考虑 id 这一维属性，防止过拟合。融合的方式采用 concat 的方式。 2）用户全网行为序列的 pooling 方式采用 Multi-CNN + attention 的方式。通过 Multi-CNN 抽取不同区间范围内的局部特征（units），同时考虑 local 和 global 信息。区间越小，更加关注于局部，区间越大，更加关注于全局。比如区间为 1 时，考虑的是 point level。unit 中包含多种目的地类型，包括酒店，宝贝，火车票，机票等。通过 d 个形状为 d ∗ h 的 filters 对输入 进行步长为1的卷积，卷积方式为 SAME。经过 m 次类似的操作，每一次操作filter的形状为 ，最后输出为 m 个和输入形状一致的序列向量，。因为混合序列的形式，序列长度过长，如果采用RNN的形式一方面计算量大，另一方面长时依赖较弱。然后复用上一版模型中的加性 attention 对 Multi-CNN 抽取出来的多组序列进行 attention pooling，并将 pooling 的结果和 pure deep 模型的输入层 concat。需要注意的是这里多组序列的 attention pooling 参数是共享的。 对于点击宝贝行为，曝光未点击的宝贝行为的 pooling 过程，在 attention 之前添加一层 transformer 操作，通过 self-attention 来捕获序列内个体之间的关系，然后再进行加性 attention pooling。其他的操作不变。 模型效果分析 同样的时间窗口，采用 30 天数据训练，T + 1 评测，离线指标如下，提升还是很明显的。这里和上一版模型的离线结果图在 AUC 范围上有所不同是因为切换了时间窗口。 效果 上线实验观察，相较于 FB-PALM 模型，uctr 平均提升 1.0%，pctr 平均提升 3.0%。 其他的尝试 宝贝的一阶近邻信息和宝贝 pretrain embedding 前面后两版模型是在用户侧增加了复杂序列特征，而宝贝侧一直很薄弱。因此考虑增加宝贝的一阶近邻信息和宝贝的 pretrain embedding 向量。一阶近邻通过统计历史一年用户 session 行为中宝贝的共现关系来获得。而宝贝的 pretrain embedding 向量包括文本向量，图像向量以及基于随机游走产出的 deepwalk 向量。实验下来单独增加这些 trick 和 pure deep 模型相比能拿到很大的提升，但是叠加到后续的模型版本上效果不明显。应该需要再探索更加精细的融合方式，而不是直接都 concat 到输入层。两次实验结果如下，确实很微弱，因此没有上线验证。 time-aware attention 前几个版本的模型中 time 的信息都是通过 side information 的方式加入，类似于 pos embedding。但是 time 的信息在行为序列刻画过程中十分重要。调研了一些方法，包括 time-LSTM 等，但是由于 RNN 的计算复杂度太高，也放弃了。后续尝试将 time 的信息后置，直接加到 attention 的过程中，在离线表现上有一些收益，但是也不明显，暂时没有上线，后续这个也是值得探索的。 未来展望 目前飞猪首页猜你喜欢数据来源非常多，如何在不同数据来源的混合数据集下学习出在多场景下都很 solid 的模型是值得探索的。 目前几版模型在特征显示交叉的模型结构上没有拿到多少收益，后续需要探索这个问题，从特征体系，到模型结构，到数据来源上一起分析这个问题。
滑动查看更多
2020年11月
2020年04月
-
04.23 10:19:30
发表了文章
2020-04-23 10:19:30
跟随弹幕停不下来？智慧文娱还有哪些新玩法
跟随弹幕停不下来？智慧文娱还有哪些新玩法
-
04.21 18:05:49发表了文章
2020-04-21 18:05:49
Java 正青春：现状与技术趋势报告
Java 正青春：现状与技术趋势报告
-
04.20 11:10:45发表了文章
2020-04-20 11:10:45
国内 Java 开发者必备的两个装备，你配置上了么？
国内 Java 开发者必备的两个装备，你配置上了么？
-
04.20 10:34:17发表了文章
2020-04-20 10:34:17
App 开发神仙工具：帮你抓 Bug
App 开发神仙工具：帮你抓 Bug
-
04.17 09:56:09发表了文章
2020-04-17 09:56:09
程序员：除了技术，还有什么更重要？
程序员：除了技术，还有什么更重要？
-
04.16 11:21:16发表了文章
2020-04-16 11:21:16
架构方法论：如何自底向上推导应用逻辑？
架构方法论：如何自底向上推导应用逻辑？
-
04.11 23:46:14发表了文章
2020-04-11 23:46:14
天猫精灵如何和我们聊天？
天猫精灵如何和我们聊天？
-
04.11 23:44:01发表了文章
2020-04-11 23:44:01
AutoML 应用探索：如何让 AR 扫福更顺滑？
AutoML 应用探索：如何让 AR 扫福更顺滑？
-
04.11 23:36:37发表了文章
2020-04-11 23:36:37
阿里巴巴首次揭秘电商知识图谱AliCoCo！淘宝搜索原来这样玩！
阿里巴巴首次揭秘电商知识图谱AliCoCo！淘宝搜索原来这样玩！
-
04.11 23:29:15发表了文章
2020-04-11 23:29:15
每天几十万条用户反馈，高德工程师如何提升处理效率？
每天几十万条用户反馈，高德工程师如何提升处理效率？
-
04.11 23:08:23发表了文章
2020-04-11 23:08:23
程序员修炼之路：你该知道的 7 个必经阶段
程序员修炼之路：你该知道的 7 个必经阶段
-
04.11 22:52:27发表了文章
2020-04-11 22:52:27
从方法到思维：什么是应用逻辑架构的正确姿势？（上）
从方法到思维：什么是应用逻辑架构的正确姿势？（上）
-
04.10 10:15:28发表了文章
2020-04-10 10:15:28
看完这一篇，再也不用担心 Git 的“黑魔法”
看完这一篇，再也不用担心 Git 的“黑魔法”
-
04.09 10:14:05发表了文章
2020-04-09 10:14:05
Serverless 的喧哗与骚动
Serverless 的喧哗与骚动
-
04.08 12:10:23发表了文章
2020-04-08 12:10:23
Serverless 领域近一年行业发展回顾
Serverless 领域近一年行业发展回顾
-
04.06 23:42:08发表了文章
2020-04-06 23:42:08
火了这么久的 AI，现在怎么样了？
火了这么久的 AI，现在怎么样了？
滑动查看更多
-
发表了文章
2020-11-12
阿里巴巴集团 CTO 程立：今年天猫双 11，阿里练了什么？
-
发表了文章
2020-11-11
58.3万笔/秒！看阿里的黑科技
-
发表了文章
2020-04-30
机器学习领域技术大图：硬件算力
-
发表了文章
2020-04-30
飞猪的“猜你喜欢”如何排序？
-
发表了文章
2020-04-30
跑赢业务的同时如何实现技术成长？
-
发表了文章
2020-04-30
深度 ｜ 大数据算法应用的测试发展之路
-
发表了文章
2020-04-30
如何轻松学习 Kubernetes？
-
发表了文章
2020-04-27
《Java 开发手册》的前世今生
-
发表了文章
2020-04-27
重启大法好！线上常见问题排查手册
-
发表了文章
2020-04-24
一个好的组件应该是什么样的？
-
发表了文章
2020-04-23
跟随弹幕停不下来？智慧文娱还有哪些新玩法
-
发表了文章
2020-04-21
Java 正青春：现状与技术趋势报告
-
发表了文章
2020-04-20
全本开放下载！史上最强《Java 开发手册》泰山版王者归来
-
发表了文章
2020-04-20
国内 Java 开发者必备的两个装备，你配置上了么？
-
发表了文章
2020-04-20
App 开发神仙工具：帮你抓 Bug
-
发表了文章
2020-04-17
程序员：除了技术，还有什么更重要？
-
发表了文章
2020-04-16
架构方法论：如何自底向上推导应用逻辑？
-
发表了文章
2020-04-15
从原生到黑科技：闲鱼 Flutter 图片优化经历了什么？
-
发表了文章
2020-04-14
Java 的这些坑，你踩到了吗？
-
发表了文章
2020-04-13
TeaDSL：支持任意 OpenAPI 网关的多语言 SDK 方案
滑动查看更多
暂无更多信息