如何构建阿里小蜜算法模型的迭代闭环？

导读：伴随着AI的兴起，越来越多的智能产品诞生，算法链路也会变得越来越复杂，在工程实践中面临着大量算法模型的从0到1快速构建和不断迭代优化的问题，本文将介绍如何打通数据分析-样本标注-模型训练-监控回流的闭环，为复杂算法系统提供强有力的支持。

新技术/实用技术点：

1. 实时、离线场景下数据加工的方案选型
2. 高维数据的可视化交互
3. 面对不同算法，不同部署场景如何对流程进行抽象
   01. 背景
4. 技术背景及业务需求
   小蜜系列产品是阿里巴巴为消费者和商家提供的智能服务解决方案，分别在用户助理、电商客服、导购等方面做了很多工作，双十一当天提供了上亿轮次的对话服务。其中用到了问答、预测、推荐、决策等多种算法模型，工程和算法同学在日常运维中会面临着如何从0到1快速算法模型并不断迭代优化，接下来将从工程角度介绍如何打通数据->样本->模型->系统的闭环，加速智能产品的迭代周期。
   
5. 实现
   实现这一过程分为2个阶段：
   0->1阶段：
   模型冷启动，这一阶段更多关注模型的覆盖率。
   实现步骤：
   A. 抽取对话日志作为数据源
   B. 做一次知识挖掘从日志中挑出有价值的数据
   C. 运营人员进行标注
   D. 算法对模型进行训练
   E. 运营人员和算法端统一对模型做评测
   F. 模型发布
   
   1->100阶段：
   badcase反馈和修复阶段，主要目标是提升模型的准确率。
   实现步骤：
   A. 运营端根据业务反馈（顶踩按钮）、用户不满意会话（如：转人工）收集badcase信息
   B. 进行数据分析，将分析结果给到不同的模型模块、规则模块
   C. 算法端对以上模型分别进行训练
   D. 最终发布到线上生效
   
6. 痛点
   在以上过程中，会遇到如下几个痛点：
   A. 不同算法需要不同的标注交互形式，如何快速支持
   B. 运营方的标注凭借个人感觉，缺少指导，无法保障质量
   C. 线上badcase如何快速发现和修复
   D. 机器人中部署了上百个算法模型，日常维护需要占用工程师大量的精力
   E. 数据样本在业务和算法之间来回传递，有安全隐患
   02. 闭环迭代模型的产生
7. 模型训练闭环
   基于以上的痛点，阿里小蜜团队构建了模型训练闭环。该闭环系统主要包括对话系统层、数据层、样本层和模型层这4个部分。
   
   彼此之间的关系、流程如下：
   A. 对话系统层：用户端会跟机器人系统进行对话
   B. 对话产生的日志经过数仓埋点进入到数据层
   C. 数据层由运营人员做标注
   D. 完成标注的数据作为样本，借助算法团队提供的训练/评测服务，进入到模型层
   E. 模型发布到系统中，形成训练闭环
8. 系统 => 数据
   ① 多维数据查询
   这一部分讲述如何从系统层到达数据层，这里会涉及到“多维数据查询”这样一个概念。前面提到，数据来源的渠道是多种多样的；这些数据会具备多种多样的属性，例如：行业属性、用户类型属性等。不同业务的对话日志带有各自的业务属性。
   
   在应用多维数据查询的过程中，难点是属性相交等问题。平台的第一项工作就是数据预处理，遍历出所有的业务-属性组合；运营人员取数据的时候，先选择业务维度；接着从业务维度到数据维度进行一层映射，从而去掉其业务属性（例如，时间、地点、行业等维度分别映射成A、B、C）
   
   ② OLAP与“数据立方体”
   这里用到了联机分析处理（OLAP ，On-Line Analytical Processing，一种数据动态分析模型）技术。首先会构造“数据立方体”这样一种数据结构，将数据分成多种维度，包括：来源维度、路线维度、时间维度。
   
   对数据立方体由上卷和下钻这两种基本操作，生成新的立方体。下图中，右半部分是将城市维度进行了上卷操作，左半部分是将季度维度进行了下钻操作。
   
   数据立方体结构的不足：
   A. 维度类型。对于商家这种百万数量级的维度，搜索起来效率低下。针对这种缺点，选择对于重点商家重点维度进行存储。
   B. 多条件的or关系查询，在这种立方体结构中无法实现。
   C. 枚举数量和效率的平衡。需要根据具体覆盖业务定义属性等。
9. 数据 => 样本
   ① 标注组件
   数据标注环节由“人工智能训练师”这个角色参与，标注形式会根据算法的选择而调整，包括：标签、实体、属性间关系等。
   如下图所示：
   
   组件包括状态栏、搜索框、表格（支持配置），可进行标注分类、文本型精选、排序型筛选、任务操作内容等多个模块（详见下图）。
   
   这样的组件有如下的缺点：
   A. 1D表格无法有效利用算法数据结构
   B. 操作繁琐困难
   C. 浪费像素空间
   D. 无尽的翻页
   
   ② 高维数据可视化
   基于组件存在的以上种种缺点，我们选择了将数据降维。
   什么是高维数据？
   高维数据包括：
   A. 机器人阿里小蜜的文本数据
   B. 图片
   C. 语音数据
   可视化后的高维数据长什么样子？
   
   可视化前
   
   可视化后
   上图是对文本数据可视化后的结果。实现步骤：
   A. 对文本数据进行聚类，根据相似度变成平面结构
   B. 用颜色区分类别
   这种方式可以直观看出线上的语料分布，包括分布类别、分布集中趋势等。
   这里用到的技术方案包括：
   A. 降维：主要用PCA和T-SNE两种降维方式
   B. 向量化：数据拆分之后，将数据转变为可比较的表示形式。对于文字，主要使用word2vec；而对于图片，主要使用phash编码。
   C. 聚类：聚类主要使用k-means。
   
   ③ 散点图塌缩及其交互
   下图中的左图是聚类后的效果图。聚类完成后，每一类图片的每一类都会分布到一起；再通过散点图塌缩算法，将每一个类压缩成一个散点，通过颜色区分类别种类。
   利用这种方式，可以找出badcase中占比最高的一类，从而进行修复。
   
   在对类的交互中，有一些特殊的操作，例如：框选。上图右图的散点图中，可以通过框选的方式抽取每一类的关键词。
   
   03. 实时布防
10. 语料关键词的识别与添加
    
    上图是某一天猫商家的海报图：某商家正在搞一个促销活动，找易烊千玺作为代言人。由于机器人预先不知道会有这样一个活动发生，模型中自然不包含这样的关键词。商家发现当天的未识别语料全部都和“易烊千玺”相关，但是机器人不识别这个关键词（未识别率达70%以上）。怎样快速帮商家解决这类问题呢？
    
11. 实时布防
    
    这类的AI能力如何做实时布防呢？将这类问答、意图等AI能力在自己的服务器上以日志的形式做埋点，服务器会将日志收集起来通过flink平台做实时流式聚类，商家工作台通过标注组件的形式展现当前时段的高频问题，并通过交互式选项选择如何修复（以上图中的蓝色选定区域为例），从而让机器人能够识别该语料。
    
12. 数据加工
    从业务日志中提取模型需要的语料需要进行一些基本的算法加工，这些步骤除了面临大数据的压力，研发工程师还要考虑对这种加工能力的封装和复用。
    
    A. 首先，对日志数据做脱敏：将日志中的手机号、地址、人名等去掉，对单字型文本、语聊型文本的去除；
    B. 接下来对数据做去重和向量化；
    C. 下一步是对处理完成的数据做聚类；
    D. 聚类后的数据做摘要，进而做相似度计算。
    整个过程需要很多的算法模块，每一个模块都会封装成一个算法组件，提供到不同的模型迭代中。上图的下半部分就是语料经过了不同算法模块的变化，从向量到聚类，进而抽取不同Topic。
    下图是以上过程抽象成的模板。
    
    模板中包含了算法组件、标注组件、训练组件等不同的组件；运营人员在线上可以挑选不同组件配置模板来优化对应的模型。
    在模板执行的过程中，可使用mapreduce组件、UDF组件以及Spark组件。Spark组件是目前通用性较强的组件，既可本地调度，又可远程调度。
13. 构建数据处理引擎
    基于Spark构建数据处理引擎，分为客户端和计算集群两个系统。客户端包括组件库、调度引擎，以及Spark Client Runner。
    
    这种架构的好处：算法可以在本地开发spark组件，直接集成到模板中；同时支持远程集群模式和本机轻量级调度，大小数据量都适用；同时spark拥有 SQL和spark mllib两个组件库，研发通过封装可以直接开放给业务使用。
    本次分享就到这里，谢谢大家。
    欢迎加入DataFunTalk交流群，跟同行零距离交流。如想进群，请加逃课儿同学的微信（微信号：DataFunTalker），回复：交流，逃课儿会自动拉你进群。