脸书将机器学习用于很多领域且意义深远

脸书将机器学习用于很多领域。在脸书主页上，机器学习可以搜索内容，翻译语言，扫描动态消息并识别用户上传的照片中的面孔，以及查广告展示的内容。在幕后，机器学习则用于内容理解、语音识别、内容完整性、情感分析、检测令人反感的内容和欺诈性账户。

 

同样，推文排名、广告选择、搜索功能和用户推荐等一系列活动证实推特的机器学习正在发挥作用。机器学习还用来标记有污言秽语的推文、垃圾邮件和不适合在工作中使用的图片。

 

每次机器学习操作的规模有多大，这两家公司以什么方式投资于差异化能力，这不太明显。

 

脸书每天为26亿用户执行200多万亿次预测。它的用户遍布全球(这些用户在带宽上受到一定的限制)，而且大量的互动是由手机完成的。

 

这带来了一些难题，因为全球有61%的用户还在用六年前的手机，甚至更老;只有不到10%的用户使用最先进的智能手机。脸书的战略的一部分是将更多的神经网络计算转移到边缘设备，以扩大规模，降低延迟并提供更个性化的机器学习模型。脸书的机器学习技术栈体现了这样的目标，即可以轻松地研究新模型，同时大规模提供推理结果并将一些计算转移到边缘设备。

 

推特根据规模和延迟方面的要求对模型进行优化。它每秒执行数千万次预测，每天以数十太字节的数据来训练模型。它专注于优化延迟(模型做出响应所需的时间)并明确了预测延迟方面的预算，即预测延迟数十毫秒所需要的预算。

 

为了扩大规模而将平台标准化

 

脸书和推特很早就开展了机器学习计划。它们从非结构化方法开始，但它们现在正在采取措施将平台，框架和管道标准化。推特旨在更轻松地共享模型并希望减少重复劳动。脸书正在解决各种痛点，即可靠性、可扩展性、运行模型的效率以及科学家和工程师的开发体验方面的痛点。

 

这两家公司的平台都根据类似的数据管道处理原则得到了优化，它们都有处理数据，提取特征，训练模型以及将模型部署到生产环境的平台。

 

两大社交媒体巨头正在采取措施对选定的机器学习框架进行标准化。脸书正在使用PyTorch使研究变得更轻松，使用Caffe2大规模运行生产推理模型。它已将Caffe2整合到PyTorch 1.0中，PyTorch 1.0结合了这两种功能，并使用Caffe2Go来运行移动神经网络。推特使用的是Lua Torch、TensorFlow、Scikit、PyTorch和其它平台。它现在正在将Scalding、PySpark、Tensorflow和Apache Airflow标准化。

 

使科学家、开发人员和工程师能够进行协作

 

推特和脸书勾勒了各种不同的工作，以实现生产力，知识共享，以及数据科学家、开发人员和工程师之间的代码可重用性。

 

许多数据团队将数据目录和词典作为其数据治理计划的一部分。这些工具使每个人在使用数据进行分析或机器学习实验时更容易理解基础数据模型，字段定义和质量约束。

 

推特则更进一步，它通过将机器学习实验中使用的功能标准化并在功能目录中获取这些功能。这大大减少了重复并帮助科学家训练新模型，而不必花大量精力将数据处理成功能。

 

脸书还对自身的功能进行编目和标准化，将训练自动化并开发用于管理和部署模型的工具。FBLearner是支持这些功能的标准平台。

 

此外，脸书正在对自身所使用的机器学习类型进行标准化。例如，动态消息、广告、搜索和异常检测的排名使用了多层感知器。脸书还利用卷积神经网络和支持向量机(support vector machine)进行面部识别，并利用循环神经网络进行语言翻译。

 

将机器学习模型的持续训练自动化

 

和软件应用程序一样，机器学习模型必须持续得到培训和修改。脸书和推特都对这种培训进行了自动化，以便模型根据新数据进行重新调整。

 

推特认识到，将模型推向生产将产生新的要求，即不断用最新数据来训练模型，并在数据科学家进行模型改进时对其进行更新。Apache Airflow能将训练和部署管道自动化。

 

脸书专注于其战略。经常改变的模型(例如新闻源)每小时或更少地重新训练，而语言翻译和面部识别模型在数周至数月的循环中训练。

 

计算成本的高低和计算资源的多少也决定了模型重新接受训练的频率。脸书也许具备战略计算优势，因为它开发了各种硬件栈，这些硬件栈对不同的机器学习工作负载进行优化。因为全球的计算资源并未得到充分利用，所以推特专注于优化算法性能并在非高峰时段安排训练。