关键词：
vivo 互联网产品团队 - Wang xiao
随着广告和内容等推荐场景的扩展，算法模型也在不断演进迭代中。业务的不断增长，模型的训练、产出迫切需要进行平台化管理。vivo互联网机器学习平台主要业务场景包括游戏分发、商店、商城、内容分发等。本文将从业务场景、平台功能实现两个方面介绍vivo内部的机器学习平台在建设与实践中的思考和优化思路。
一、写在前面
随着互联网领域的快速发展，数据体量的成倍增长以及算力的持续提升，行业内都在大力研发AI技术，实现业务赋能。算法业务往往专注于模型和调参，而工程领域是相对薄弱的一个环节。建设一个强大的分布式平台，整合各个资源池，提供统一的机器学习框架，将能大大加快训练速度，提升效率，带来更多的可能性，此外还有助于提升资源利用率。希望通过此文章，初学者能对机器学习平台，以及生产环境的复杂性有一定的认识。
二、业务背景
截止2022年8月份，vivo在网用户2.8亿，应用商店日活跃用户数7000万+。AI应用场景丰富，从语音识别、图像算法优化、以及互联网常见场景，围绕着应用商店、浏览器、游戏中心等业务场景的广告和推荐诉求持续上升。
如何让推荐系统的模型迭代更高效，用户体验更好，让业务场景的效果更佳，是机器学习平台的一大挑战，如何在成本、效率和体验上达到平衡。
从下图可以了解到，整个模型加工运用的场景是串行可闭环的，对于用户的反馈需要及时进行特征更新，不断提升模型的效果，基于这个链路关系的基础去做效率的优化，建设一个通用高效的平台是关键。
三、vivo机器学习平台的设计思路
3.1 功能模块
基于上图业务场景的链路关系，我们可以对业务场景进行归类，根据功能不同，通用的算法平台可划分为三步骤：数据处理「对应通用的特征平台，提供特征和样本的数据支撑」、模型训练「对应通用的机器学习平台，用于提供模型的训练产出」、模型服务「对应通用的模型服务部署，用于提供在线模型预估」，三个步骤都可自成体系，成为一个独立的平台。
本文将重点阐述模型训练部分，在建设vivo机器学习平台过程中遇到的挑战以及优化思路。
1.数据处理，围绕数据相关的工作，包括采集、加工、标记和存储。
其中，采集、加工、存储与大数据平台的场景相吻合，标记场景是算法平台所独有的。
- 数据采集，即从外部系统获得数据，使用Beesvivo数据采集平台来采集数据。
- 数据加工，即将数据在不同的数据源间导入导出，并对数据进行聚合、清洗等操作。
- 数据标记，是将人类的知识附加到数据上，产生样本数据，以便训练出模型能对新数据推理预测。
- 数据存储，根据存取的特点找到合适的存储方式。
2. 模型训练，即创建模型的过程，包括特征工程、试验、训练及评估模型。
- 特征工程，即通过算法工程师的知识来挖掘出数据更多的特征，将数据进行相应的转换后，作为模型的输入。
- 试验，即尝试各种算法、网络结构及超参，来找到能够解决当前问题的最好的模型。
- 模型训练，主要是平台的计算过程，平台能够有效利用计算资源，提高生产力并节省成本。
3.模型部署，是将模型部署到生产环境中进行推理应用，真正发挥模型的价值。
通过不断迭代演进，解决遇到的各种新问题，从而保持在较高的服务水平。
4. 对平台的通用要求，如扩展能力，运维支持，易用性，安全性等方面。
由于机器学习从研究到生产应用处于快速发展变化的阶段，所以框架、硬件、业务上灵活的扩展能力显得非常重要。任何团队都需要或多或少的运维工作，出色的运维能力能帮助团队有效的管理服务质量，提升生产效率。
易用性对于小团队上手、大团队中新人学习都非常有价值，良好的用户界面也有利于深入理解数据的意义。
安全性则是任何软件产品的重中之重，需要在开发过程中尽可能规避。
3.2 模型训练相关
模型训练包括了两个主要部分，一是算法工程师进行试验，找到对应场景的最佳模型及参数，称之为“模型试验”，二是计算机训练模型的过程，主要侧重平台支持的能力，称之为“训练模型”。
建模是算法工程师的核心工作之一。建模过程涉及到很多数据工作，称为特征工程，主要是调整、转换数据。主要任务是要让数据发挥出最大的价值，满足业务诉求。
3.2.1 模型试验
特征工作和超参调整是建模过程中的核心工作。特征工作主要对数据进行预处理，便于这部分输入模型的数据更好的表达信息，从而提升模型输出结果的质量。
数据和特征工程决定模型质量的上限，而算法和超参是无限逼近这个上限。
超参调整包括选择算法、确认网络结构、初始参数，这些依赖于算法工程师丰富的经验，同时需要平台支持试验来测试效果。
特征工程和超参调整是相辅相成的过程。加工完特征后，需要通过超参的组合来验证效果。效果不理想时，需要从特征工程、超参两个方面进行思索、改进，反复迭代后，才能达到理想的效果。
3.2.2 训练模型
可通过标准化数据接口来提高快速试验的速度，也能进行试验效果的比较。底层支持docker操作系统级的虚拟化方案，部署速度快，同时能将模型直接部署上线。用户无需对训练模型进行更多定制化的操作，批量提交任务能节约使用者的时间，平台可以将一组参数组合的试验进行比较，提供更友好的使用界面。
其次，由于训练的方向较多，需要算力管理自动规划任务和节点的分配，甚至可以根据负载情况，合理利用空闲资源。
四、vivo机器学习平台实践
前面我们介绍了机器学习平台的背景和发展方向，现在我们来介绍下，平台在解决用户问题部分的困扰和解决思路。
4.1 平台能力矩阵
机器学习平台主要目标是围绕模型训练进行深耕，并辅助用户进行模型决策，更快的进行模型部署。
以此为目标分为两个方向，训练框架的优化能够支撑大规模模型的分布式计算，调度能力优化能够支持批次模型的执行。
在调度能力上，平台由原生k8s调度，单个训练调度的效率较低，升级为kube-batch批量调度，到以混合云精细化编排为目标，当前主要处于灵活性调度策略的形式。
在训练框架上，从原生Tensorflow模型，随着特征和样本规模的扩大，自研了超大规模的训练框架vlps，当前处于TensorFlow+vlps结合的新框架状态。
4.2 平台能力介绍
平台能力建设主要围绕模型试验和训练模型的运用，运用过程中遇到的痛点和难点如何解决，是我们在实践中的关键。同时，训练框架也是平台关键能力的体验，基于业务的复杂度，持续对框架进行优化。
已覆盖公司内部算法工程师模型调试的工作，已达到亿级样本，百亿特征的规模。
4.2.1 资源管理
痛点：
机器学习平台属于计算密集型的平台。
- 业务场景不同，是否完全按照业务分组进行资源划分；
- 资源池划分过小，会导致资源利用率低且没办法满足业务激增的资源诉求；
- 资源不足以满足业务诉求时，会存在排队情况导致模型更新不及时；
- 如何管理好算力，提效与降本的平衡，是平台资源管理的一个核心问题。
解决思路：
资源管理的基本思路是将所有计算资源集中起来，按需分配，让资源使用率尽量接近100%。任何规模的资源都是有价值的。
比如，一个用户，只有一个计算节点，有多条计算任务时，资源管理通过队列可减少任务轮换间的空闲时间，比手工启动每条计算任务要高效很多。多计算节点的情况，资源管理能自动规划任务和节点的分配，让计算节点尽量都在使用中，而不需要人为规划资源，并启动任务。多用户的情况下，资源管理可以根据负载情况，合理利用其它用户或组的空闲资源。随着节点数量的增加，基于有限算力提供更多业务支持是必经之路。
1.以配额限资源滥用：
新增配额组和个人配额，减少业务之间的相互干扰，尽可能满足各组的资源需要，并且配额组支持临时扩容和共享，解决偶发性激增的资源诉求；限额后用户仅支持在有限资源下使用，让用户自我调节高优先级训练。
2.以调度促资源优化：
新增生产环境，确认模型已经正常迭代，在合理利用率的情况下切换至高优环境，提供更高性能的资源池；同时提供调度打分机制，围绕资源颗粒度、配置合理性等维度，让合理的训练资源更快的拉起，减少调度卡住情况；
上线多维度调度打分机制后，平台不合理训练任务有大幅度下降，资源效率提升。
围绕并不限于以下维度：最大运行时长、排队时长、cpu&内存&gpu颗粒度和总需求量等。
4.2.2 框架自研
痛点：
随着样本和特征规模增加后，框架的性能瓶颈凸显，需要提升推理计算的效率。
发展路径：
每一次的发展路径主要基于业务量的发展，寻求最佳的训练框架，框架的每一次版本升级都打包为镜像，支持更多模型训练。
当前效果：
4.2.3 训练管理
痛点：
如何支持多种分布式训练框架，满足算法工程师的业务诉求，让用户无需关心底层机器调度和运维；如何让算法工程师快速新建训练，执行训练，可查看训练状态，是训练管理的关键。
解决思路：
上传代码至平台的文件服务器和git都可以进行读取，同时在平台填写适量的参数即可快速发起分布式训练任务。同时还支持通过OpenAPI，便于开发者在脱离控制台的情况下也能完成机器学习业务。
围绕训练模型相关的配置信息，分为基础信息设置、资源信息设置、调度依赖设置、告警信息设置和高级设置。在试验超参的过程中，经常需要对一组参数组合进行试验。
批量提交任务能节约使用者时间。平台也可以将这组结果直接进行比较，提供更友好的界面。训练读取文件服务器或git的脚本，即可快速执行训练。
1.可视化高效创建训练
2. 准确化快速修改脚本
3. 实时化监控训练变动
4.2.4 交互式开发
痛点：
算法工程师调试脚本成本较高，算法工程师和大数据工程师有在线调试脚本的诉求，可直接通过浏览器运行代码，同时在代码块下方展示运行结果。
解决思路：
在交互式工具中进行试验、开发，如：jupyter notebook，提供所见即所得的交互式体验，对调试代码的过程非常方便。
在交互试验的场景下，需要独占计算资源。机器学习平台需要提供能为用户保留计算资源的功能。如果计算资源有限，可对每个用户申请的计算资源总量进行限制，并设定超时时间。
例如，若一周内用户没有进行资源使用后， 就收回保留资源。在收回资源后，可继续保留用户的数据。重新申请资源后，能够还原上次的工作内容。在小团队中，虽然每人保留一台机器自己决定如何使用更方便，但是用机器学习平台来统一管理，资源的利用率可以更高。团队可以聚焦于解决业务问题，不必处理计算机的操作系统、硬件等出现的与业务无关的问题。
五、总结
目前vivo机器学习平台支撑了互联网领域的算法离线训练，使算法工程师更关注于模型策略的迭代优化，从而实现为业务赋能。未来我们会在以下方面继续探索：
1.实现平台能力的贯通
- 当前特征、样本还是模型的读取都是通过hdfs实现的，在平台上的告警、日志信息都未关联上，后续可以进行平台能力贯通；
- 平台的数据和模型还有标准化的空间，降低学习成本，提升模型开发的效率。
2. 加强框架层面的预研
- 研究不同分布式训练框架对模型效果的影响，适配不同的业务场景；
- 提供预置的参数，实现算法、工程、平台的解耦，降低用户的使用门槛。
redis在vivo推送平台的应用与优化实践
作者：vivo互联网服务器团队-YuQuan一、推送平台特点vivo推送平台是vivo公司向开发者提供的消息推送服务，通过在云端与客户端之间建立一条稳定、可靠的长连接，为开发者提供向客户端应用实时推送消息的服务，支持百亿级的... 查看详情
vivo前端智能化实践：机器学习在自动网页布局中的应用
作者：vivo互联网前端团队-SuNing在设计稿转网页中运用基于self-attention机制设计的机器学习模型进行设计稿的布局，能够结合dom节点的上下文得出合理的方案。一、背景切图作为前端的传统手艺却是大多数前端开发者都不愿面对... 查看详情
vivo统一告警平台建设与实践
...敛等工作由一个服务统一做处理，与此同时告警中心平台也到了更新迭代的阶段，这样就需要建设一个对内部各业务统一提供告警收敛、消息组装、告警发送的告警平台，有了这个构想，我们准备将各系统告警收... 查看详情
vivo大数据日志采集agent设计实践
作者：vivo互联网存储技术团队-QiuSidi在企业大数据体系建设过程中，数据采集是其中的首要环节。然而，当前行业内的相关开源数据采集组件，并无法满足企业大规模数据采集的需求与有效的数据采集治理，所以大部分企业都采... 查看详情
机器学习平台痛点与模型提升方法：基于spark的机器学习平台在点融网风控应用介绍
...享。作者简介：刘利，点融网DataScientistTeam负责人，从事互联网数据分析和数据挖掘近十年。现任点融网DataScie 查看详情
博云x某股份制银行信用卡中心，容器云平台建设项目最佳实践
...化转型发展到今天，其核心是促进业务变革与创新。伴随互联网+对银行业的深度渗入，使得ToC场景与互联网的结合成为不可逆转的大趋势，银行业务的互联网化导致银行业务形态发生变化。传统IT架构已无法支撑互联网化业务的... 查看详情
事件驱动架构在vivo内容平台的实践(代码片段)
作者：vivo互联网服务器团队-GaoXiang一、什么是事件驱动架构当下，随着微服务的兴起，容器化技术的发展，以及云原生、serverless概念的普及，事件驱动再次引起业界的广泛关注。所谓事件驱动的架构，也就是使用事件来实现跨... 查看详情
vivo服务端监控架构设计与实践(代码片段)
作者：vivo互联网服务器团队-DengHaibo一、业务背景当今时代处在信息大爆发的时代，信息借助互联网的潮流在全球自由的流动，产生了各式各样的平台系统和软件系统，越来越多的业务也会导致系统的复杂性。当核心业务出现了... 查看详情
vivo基于jacoco的测试覆盖率设计与实践
作者：vivo互联网服务器团队-XuShen本文主要介绍vivo内部研发平台使用JaCoCo实现测试覆盖率的实践，包括JaCoCo原理介绍以及在实践过程中遇到的新增代码覆盖率统计问题和频繁发布导致覆盖率丢失问题的解决办法。一、为什么需要... 查看详情
宜信微服务任务调度平台建设实践|分享实录
...高级架构师&开发平台负责人梁鑫导读：如今，无论是互联网应用还是企业级应用，都充斥着大量的批处理任务，常常需要一些任务调度系统帮助我们解决问题。随着微服务化架构的逐步演进，单体架构逐渐演变为分布式、微... 查看详情
天津（西青）车联网先导区技术标准与实践白皮书
...高精度定位服务全覆盖。建设车联网数据中心和应用服务平台。平台数据接口开放、跨平台信息互通共享、应用场景联动。2、应用场景与用户渗透率车载用户终端支持PC5通信和北斗高精度定位优先在全区域规模实现十字路口绿... 查看详情
vivo全球商城：电商交易平台设计(代码片段)
本文介绍了交易平台的设计理念和关键技术方案，以及实践过程中的思考与挑战。作者：vivo官网商城开发团队-ChengKun、LiuWei本文介绍了交易平台的设计理念和关键技术方案，以及实践过程中的思考与挑战。点击查阅：《vivo全球... 查看详情
在物联网中应用机器学习(代码片段)
...~本文由未来守护者发表于云+社区专栏本项目探讨如何将机器学习（Machinelearning）应用到物联网（IoT，InternetofThings）中。我们将使用AndroidThings作为我们的物联网平台，并且采用GoogleTensorFlow作为我们的机器学习引擎。如今，机器... 查看详情
redis内存优化在vivo的探索与实践
...内存优化建议及内存异常处理相关的优化措施。分享vivo互联网技术干货与沙龙活动，推荐最新行业动态与热门会议。 查看详情
主流机器学习平台调研与对比分析
梗概本报告主要调研目前主流的机器学习平台，包括但不限于Amazon的Sagemaker，Alibaba的PAI，Baidu的PaddlePaddle。对产品的定位、功能、实践、定价四个方面进行详细解析，并通过标杆对比分析提出一套机器学习平台评... 查看详情
sparksql字段血缘在vivo互联网的实践
作者：vivo互联网服务器团队-HaoGuangshi一、背景字段血缘是在表处理的过程中将字段的处理过程保留下来。为什么会需要字段血缘呢？有了字段间的血缘关系，便可以知道数据的来源去处，以及字段之间的转换关系，这样对... 查看详情
产品化机器学习的一些思考
本文由云+社区发表作者：腾讯技术工程官方号“如果说互联网是优化信息的存储和传输方式，提升生产要素之间的运行效率；人工智能便是对各个生产要素的升级。”本人初入职场便从事TOB相关工作，参与了tbds等大数据平台的... 查看详情
云知声atlas超算平台:基于fluid+alluxio的计算加速实践（上）
...介吕冬冬云知声超算平台架构师，负责大规模分布式机器学习平台架构设计与功能研发，负责深度学习算法应用的优化与AI模型加速。研究领域包括高性能计算、分布式文件存储、分布式缓存等。有多年的云原生开源社区... 查看详情