如何构建阿里小蜜算法模型的迭代闭环？

日期： 2020-02-19 分类：跨站数据 323次阅读

简介： 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：

实时、离线场景下数据加工的方案选型
高维数据的可视化交互
面对不
同算法，不同部署场景如何对流程进行抽象

背景

1. 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。

2. 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：

抽取对话日志作为数据源
做一次知识挖掘从日志中挑出有价值的数据
运营人员进行标注
算法对模型进行训练
运营人员和算法端统一对模型做评测
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：

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
进行数据分析，将分析结果给到不同的模型模块、规则模块
算法端对以上模型分别进行训练
最终发布到线上生效

3. 痛点

在以上过程中，会遇到如下几个痛点：

不同算法需要不同的标注交互形式，如何快速支持
运营方的标注凭借个人感觉，缺少指导，无法保障质量
线上 badcase 如何快速发现和修复
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
数据样本在业务和算法之间来回传递，有安全隐患

闭环迭代模型的产生

1. 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：

对话系统层：用户端会跟机器人系统进行对话
对话产生的日志经过数仓埋点进入到数据层
数据层由运营人员做标注
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
模型发布到系统中，形成训练闭环

2. 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：

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。
多条件的 or 关系查询，在这种立方体结构中无法实现。
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。

3. 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：

1D 表格无法有效利用算法数据结构
操作繁琐困难
浪费像素空间
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：

机器人阿里小蜜的文本数据
图片
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：

对文本数据进行聚类，根据相似度变成平面结构
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：

降维：主要用 PCA 和 T-SNE 两种降维方式
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。
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。

实时布防

1. 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？

2. 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。