人們每天看到什么樣的內(nèi)容，實際上很大一部分取決于推薦引擎的算法，無論是Facebook等社交媒體網(wǎng)站，亞馬遜等電子商務(wù)網(wǎng)站的內(nèi)容，數(shù)字廣告系統(tǒng)，還是您在Xbox游戲主機上看到的熱門游戲都是如此。就在上個月，亞馬遜將其AI部署到了AWS上的購物推薦系統(tǒng)Personalize 。
5月底， 20多位Facebook AI研究人員在arXiv上發(fā)表的論解釋了DLRM模型如何使用映射分類數(shù)據(jù)的嵌入表進行表達，由預(yù)測函數(shù)多層感知器(MLP)執(zhí)行大部分計算。
Facebook技術(shù)戰(zhàn)略總監(jiān)Vijay Rao在今年早些時候的開放計算項目會議上詳細闡述了擁有大量嵌入表的神經(jīng)網(wǎng)絡(luò)的使用方法。
Facebook人工智能研究(FAIR)迄今已開源了大量工作成果，而Facebook免費提供DLRM，能夠幫助更廣泛的AI社區(qū)應(yīng)對推薦引擎面臨的挑戰(zhàn)，例如用神經(jīng)網(wǎng)絡(luò)將分類數(shù)據(jù)與某些更高級別屬性進行關(guān)聯(lián)。
“雖然推薦和個性化系統(tǒng)是當今最成功的深度學習行業(yè)應(yīng)用，但相關(guān)深度學習模型在學術(shù)界仍然很少受到關(guān)注，”該論文寫道。“通過提供最先進的推薦系統(tǒng)及其開源實現(xiàn)的詳細描述，我們希望通過免費開放，能夠引起業(yè)界對這類神經(jīng)網(wǎng)絡(luò)面臨的獨特挑戰(zhàn)的關(guān)注，方便它們進一步進行算法實驗、建模，系統(tǒng)協(xié)同設(shè)計和基準測試。”
DLRM的制造商建議該模型用于對推薦引擎的速度和準確性性能進行基準測試。用于實驗和性能評估的DLRM基準測試是用Python編寫的，支持隨機和合成輸入。
Facebook研究科學家Dheevatsa Mudigere和Maxim Naumov 今天在一篇博客文章中表示，優(yōu)化的DLRM系統(tǒng)的性能結(jié)果將在未來公開分享。
最近幾周由Facebook開源的其他AI模型或框架還包括：PyRobot，一個與PyTorch一起工作的機器人框架，以及PyTorch Hub，一個工作流程和API，旨在提高AI模型的再現(xiàn)性：Ax和BoTorch，用于機器學習實驗和貝葉斯模型優(yōu)化的工具，于5月與PyTorch 1.1一起推出。
Facebook的推薦工具在過去在業(yè)界一直存在爭議。Keras深度學習庫的創(chuàng)建者FrançoisChollet去年在一篇冗長的Medium博文中宣稱，有良知的AI研究人員不應(yīng)該在Facebook工作。FrançoisChollet警告說，F(xiàn)acebook的問題不僅僅是隱私泄露或缺乏信任，而是由人工智能提供支持的Facebook很快就會成為“極權(quán)主義的全景監(jiān)視器”。
京公網(wǎng)安備 11010502049343號