金数据平台，金准检测-果豆网

在这个竞赛中参赛算法在数千个种类图像和视频的大规模数据上测试检测和分类的正确率快速上升。数据线上使用时，统一在金准人工智能专家产品化上进行配置管理，降低运维成本。针对不同的数据规模及访问频率，金准人工智能专家采用不同的存储介质来满足数据存储的要求及对线上服务延迟的要求。

以某apps推荐为例，面临效果提升瓶颈，我们分析有两方面原因导致，一是数据源红利降低(新增数据源成本越来越高)；二是高维线性模型遭遇瓶颈，暴力式特征交叉是LR模型提升特征维数的主要手段，它存在两个问题，一方面，做不同特征之间交叉组合需要一定成本，另一方面，无法穷尽所有交叉组合方式。

1、金华天气

例如对于物品类特征、池子类数据，金准人工智能专家采用自研的SSM系统，而对于用户类特征，数据量较大、存储访问实时性要求也较高，我们选型为公司的grocery存储组件。对于不同的业务，由于数据上报标准不一样，那么如何实现不同的数据上报标准都可以在Quicksilver上使用，这是实际中遇到的挺头疼的一件事。

2、金刚经

面对推荐效果提升瓶颈问题，有三种解决方案，一是继续想办法引入新数据源构建特征；二是充分利用现有数据源，尝试更好特征工程方法，比如Stacking集成或者特征工程自动化；三是考虑充分利用数据时效性，引入在线学习方案，实时跟踪用户对apps偏好变化。这并不能代表非监督学习在深度学习中没有作用，反而具有非常大的潜力，因为业界拥有的非标记数据比标记数据多很多，只是尚未找到合适的非监督学习算法。

3、金准医学和金域医学

例如对于物品池子此类分钟级更新要求的数据，我们采用sparkstreaming，而对于用户行为实时反馈等类数据，我们采用spp实时处理类服务器框架。通过Quicksilver计算得到的数据，我们均通过金准人工智能专家产品化来配置管理，降低对于数据使用的门槛，最终可以通过配置，直接与线上的召回、精排、重排、规则等计算单元进行打通使用。