如今，網(wǎng)絡營銷已是熱潮，其中提升用戶參與度的神器是什么呢？

是個性化服務?！豆鹕虡I(yè)評論》曾有報告指出，就市場營銷而言，用戶體驗的個性化可以讓投資回報率提升五至八倍，并將銷售額提高10％以上。

雖然個性化的內(nèi)容可以建立更深的客戶關系并更好地了解用戶，但要實現(xiàn)有效的推薦背后需要超乎尋常的海量數(shù)據(jù)作為支撐。如今，借助先進的數(shù)據(jù)中心基礎架構以及高性能內(nèi)存和存儲解決方案，人工智能（AI）引擎正在發(fā)揮作用。

當我們打開某寶，在首頁推薦瀏覽一番，展現(xiàn)的商品似乎正是我們所感興趣的，不難發(fā)現(xiàn)，這些推薦引擎已默默深入我們的日常生活，主導著人們的在線體驗。在中國， 阿里的“千人千面”系統(tǒng)助力 天貓在 2020 年雙 11 再創(chuàng)紀錄，總成交額達 4，982 億元。當然，搜索引擎的威力不僅僅體現(xiàn)在電子購物上，視頻網(wǎng)站會推薦觀眾感興趣的電影或節(jié)目，招聘網(wǎng)站會顯示適合用戶的職位，新聞和社交網(wǎng)站會推送用戶相關的內(nèi)容。

以上一切的背后，是數(shù)據(jù)中心在創(chuàng)建這種高度個性化的互聯(lián)網(wǎng)，而先進的算法促成了系統(tǒng)推薦，從而成就了卓越的用戶體驗。當然，與許多其他的先進技術一樣，推薦引擎也離不開內(nèi)存和存儲，而美光正是內(nèi)存和存儲解決方案的主要提供商。

何為推薦引擎？

簡言之，推薦引擎是一種系統(tǒng)，該系統(tǒng)能夠基于用戶在某個內(nèi)容上的評分或偏好設置來推薦信息。

這些引擎的出現(xiàn)是非常必要的。

人們每天產(chǎn)生2.5艾字節(jié)的數(shù)據(jù)，而全球 90％ 的數(shù)據(jù)是在過去兩年中產(chǎn)生的。

微信 2019 年數(shù)據(jù)報告：微信平臺每天有450億次信息發(fā)送。

要篩選這些數(shù)據(jù)的難度可想而知 —— 不僅數(shù)量龐大，數(shù)據(jù)的種類和質量也是多種多樣。 每個人都多少有過經(jīng)驗，感覺購物網(wǎng)站推薦的產(chǎn)品跟自己毫不相關或完全沒有吸引力。

那么，不好的推薦會有什么后果？ 為什么會發(fā)生這樣的情況？

一切都與數(shù)據(jù)有關。就推薦引擎而言，數(shù)據(jù)越多，結果就越準確。用戶所收到的推薦通常是通過以下方式生成的：

通用推薦：這是最簡單的篩選方式，推薦與用戶過往搜索類似或最熱門的內(nèi)容。

內(nèi)容推薦：該類篩選會檢索用戶的瀏覽歷史、識別用戶曾經(jīng)選擇過的內(nèi)容的關鍵詞，然后推薦類似的內(nèi)容。

協(xié)同推薦：根據(jù)用戶的瀏覽歷史，將其劃歸至某個群體，然后向用戶推薦該群體其他成員喜歡的內(nèi)容。

綜合推薦：結合多種方式進行推薦。

以視頻平臺為例，為了做出精確的推薦，推薦引擎需要電影的類型、概要、演員和導演等各方面的數(shù)據(jù)、用戶的觀影記錄，以及與該用戶具有相似觀影習慣的一個龐大的用戶群的所有數(shù)據(jù)，還要考慮評論、社交平臺上的留言、甚至屏幕上顯示何種語言等等因素。數(shù)據(jù)量如此巨大，因此需要大量的內(nèi)存和存儲來處理這些工作負載。

美光的內(nèi)存和存儲技術如何賦能推薦引擎？

1數(shù)據(jù)收集

推薦的精確程度與數(shù)據(jù)量的大小成正比。在海量數(shù)據(jù)中篩選出數(shù)以億計的用戶行為并收集在一起。這需要具有靈活擴展能力的存儲產(chǎn)品，如四層單元（QLC）SSD。得益于 QLC NAND 內(nèi)存技術的 SSD 能夠在容量、速度和成本之間實現(xiàn)平衡，幫助云服務供應商很好地控制總擁有成本（TCO）。

2篩選和預處理

機器學習系統(tǒng)會保存數(shù)以百萬計的用戶歷史記錄和行為，且系統(tǒng)會不斷更新。這些數(shù)據(jù)通常是以非結構化的形式被捕獲。要使用這些數(shù)據(jù)，首先必須對它們進行篩選，提煉出關鍵信息，然后以有效的方式進行組織。在非結構化數(shù)據(jù)中尋找所需的數(shù)據(jù)點非常困難，而解決數(shù)據(jù)整理這個難題通常是由 CPU 來完成，由服務器 DRAM（如 DDR5）提供支持。服務器 DRAM 會臨時保存正在預處理的數(shù)據(jù)，然后將其快速送入處理器。高速 NVMe SSD 會在數(shù)據(jù)得到處理并結構化后存儲這些數(shù)據(jù)，之后將其用于 AI 訓練。

3訓練

在這個階段，AI 將訓練推薦引擎對內(nèi)容進行識別。例如，系統(tǒng)在“認識”小狗之前可能要分析幾十億張圖片。這需要訓練系統(tǒng)成百上千次地傳遞各個數(shù)據(jù)片段。隨著新的數(shù)據(jù)流入以及用戶的交互行為，系統(tǒng)會定期對模型進行再訓練。這個過程需要極其強大、靈活的數(shù)據(jù)中心來運行復雜的訓練算法。高帶寬的內(nèi)存，如美光的超帶寬解決方案，能夠以超高速度不斷地將數(shù)據(jù)傳輸給 GPU（圖形處理器）或 CPU，后者通過邏輯連接創(chuàng)建 AI 算法。在訓練過程中，隨著數(shù)據(jù)量的增長和 AI 算法變得復雜，系統(tǒng)也需要更多的內(nèi)存。此外，系統(tǒng)需要的不僅僅是更多的內(nèi)存容量——為了實現(xiàn)更智能、更高速的 AI，它還需要新型的內(nèi)存，例如，每次可以傳輸 2 比特數(shù)據(jù)或者可進行 3D 堆疊并放置到非?？拷幚砥鳎踔练庋b在同一芯片中。美光正是開創(chuàng)這類新型存儲器創(chuàng)新技術的先鋒。

4推薦

接下來是推理。假設一個被訓練過的系統(tǒng)被問及電影里是否有小狗時，一旦識別到小狗，它就會做出推薦?？赡軙胁煌挠脩粼谝环昼妰?nèi)提出數(shù)百萬次這樣的需求，可能發(fā)生在數(shù)據(jù)中心，也可能發(fā)生在接近終端用戶的地方，或就在他們的手機或筆記本電腦上。高性能內(nèi)存可以確保系統(tǒng)更快地做出對用戶有意義的推薦，同時為服務提供商帶來商機。

5優(yōu)化

用戶與推薦之間的交互行為會被反饋到數(shù)據(jù)收集環(huán)節(jié)，被用以優(yōu)化未來的推薦，使推薦引擎能夠學習并變得更加精確。

內(nèi)存和存儲在推薦引擎處理程序的每個階段都發(fā)揮著作用，它們能縮短檢索和傳輸數(shù)據(jù)的時間、確保處理單元獲得所需的數(shù)據(jù)，以及存儲每天生成且不斷增長的海量數(shù)據(jù)。如果沒有像美光提供的這類先進的內(nèi)存和存儲產(chǎn)品，推薦引擎就無從談起。

推薦引擎的未來

推薦引擎改變了在線服務的用戶體驗和商業(yè)模式。因此，各網(wǎng)站紛紛尋找新方法在其平臺上部署推薦引擎。

例如，亞馬遜機器學習科學家Ben Allison指出，用戶的每個瀏覽歷史并非同等重要。亞馬遜深知用戶的行為極為復雜，現(xiàn)在開始用神經(jīng)網(wǎng)絡來辨別用戶行為的重要性（例如通過考慮上下文和發(fā)生的時間等因素），并它們打一個“注意力分”。 這些注意力分又成為一個更加復雜的推薦算法的關鍵組成部分。

此外，亞馬遜發(fā)現(xiàn)“可預測的”的預測結果并不理想，因此增加了一些“隨機性”功能，從而實現(xiàn)了讓所有購物者都能有 “意外發(fā)現(xiàn)”。 所以，亞馬遜現(xiàn)在給出的建議更多是來自人工智能的“決策”，并非只是原始的預測。

為了使算法更加精確，有些網(wǎng)站會讓人工與推薦引擎進行協(xié)作。例如，美國視頻網(wǎng)站 Hulu就有一個專門的內(nèi)容專家團隊密切地合作，為觀眾創(chuàng)造更多個性化的精選系列。

直播網(wǎng)站也開始預測用戶今后可能會觀看什么內(nèi)容，并將數(shù)據(jù)移動到離用戶物理距離更近的邊緣服務器，以提升直播速度。

對于當前和未來的推薦功能而言，提升數(shù)據(jù)量和數(shù)據(jù)速度至關重要。推薦引擎的數(shù)據(jù)存儲、AI 訓練和推理都需要高性能和低功耗的內(nèi)存和存儲。

美光豐富的解決方案組合可以滿足推薦引擎的各種需求——從密集訓練所需的高帶寬內(nèi)存和加速器，到用于推理的標準內(nèi)存，再到應對各種數(shù)據(jù)的高容量存儲。當您在購物網(wǎng)站看到一件正合心意的商品，或在視頻網(wǎng)站被看到一個非常感興趣的節(jié)目，這背后很可能就有美光的內(nèi)存和存儲解決方案在發(fā)揮作用。
編輯：lyn