以深度学习为代表的AI技术已经在图像、语音、自然语言等领域得到了广泛的应用。部署在移动终端本地的AI算法在实时性、隐私性和成本方面都相对云侧AI有着天然的优势，在很多场景下，在端到端精度上也能形成优势。然而，受制于终端有限的资源，端侧AI在算力和存储空间上都面临着技术挑战。对于包括支付宝在内的超级App来说，由于极广的用户覆盖和业务场景，这些挑战被进一步放大，同时也对研发效率提出了更高的要求。在我们看来，极致的端侧AI能力来自于算法与工程实现的深度整合。本讲将重点分享以下几个方面：

1. 算法层，深度学习模型压缩与加速技术，包括权重稀疏化与离散化、通道剪裁、卷积分组、网络结构搜索等。

2. 实现层，深度学习预测引擎的优化，包括缓存优化、多线程调度，整型计算、异构计算等。

3. 蚂蚁金服为端侧AI业务的快速落地建设的研发支撑体系，以及业务案例。

PayPal高可用AI 计算平台(Unified AI Compute Platform)主要用于服务PayPal 在线海量实时AI模型和特征数据计算。该平台的主要服务于金融在线支付和支付风控场景，最大的挑战在于如何在有限的交易时延保障的同时确保平台服务的高可用和高吞吐。本主题首先从介绍平台的系统架构和技术体系开始；进而详细介绍平台如何灵活高效的支持各种复杂特征计算、传统与深度模型计算，如何做到特征模型的热部署等；此外，对于深度学习模型在线计算的应用以及平台的系统调优也会有重点篇幅介绍。

内容大纲

• AI计算平台系统架构和技术体系
• 统一高效的特征计算、模型计算平台以及特征模型的热部署
• 性能调优方面的最佳实践
• 深度学习模型的应用和挑战

深度学习技术应用在图像识别等问题上取得很好的结果，在实际业务中得到广泛应用。如何应对快速多变的上游技术更新，提供稳定可靠的维护简单的标准服务，这对深度学习平台提出了新的要求和挑战。本次分享将介绍爱奇艺深度学习容器云平台演进和运维时，遇到的问题和应对方案。

主要内容

1. 计算框架变化多样，如何快速满足业务需求，提供标准化服务；
2. GPU利用率提升遇到瓶颈，如何有效使用资源；
3. 算法同事和工程同事知识背景差异太大，如何有效沟通合作。

本次分享将介绍深度学习在美团酒店搜索排序的实际应用，包含三部分内容：

1. 酒店搜索的特点：在线酒店预订作为一种O2O服务自带LBS属性，酒店搜索也和传统搜索有很大不同，我们会介绍下美团酒店搜索排序的特点；
2. 深度语义模型：语义理解是搜索至关重要的一环，而在酒店搜索中用户输入的查询词主要是短文本，这更提高了我们理解用户意图的难度；我们将介绍酒店搜索如何理解用户的查询意图，以及深度语义模型在其中的作用；
3. 深度排序模型：美团酒店有海量商家和用户，为深度学习的应用提供了必要条件，我们将介绍深度排序模型在酒店排序的应用。

听众受益

1. 了解酒店搜索的特点；
2. 深度语义模型在酒店搜索的应用；
3. 深度排序模型在酒店排序的应用。

随着整个互联网泛内容化，简单的图文描述已经难以满足用户的需求。 在这种趋势下，各大电商平台都增加视频作为业务载体，各种短视频app/平台也层出不穷。 由于制作门槛比较低，视频内容本身可能蕴含着巨大的法律法规风险，比如色情、版权、暴力和政治等。 虽然视频分析在学术界已经有多年的研究，但距离工业级应用还是有不少的差距。 在这个议题中，我会介绍在阿里巴巴这种量级下，我们的视频AI防控系统alphavideo， 它具有成本可控、高可用和扩展性强等特点，不仅为业务提供准实时的视频过滤，还提供了在海量存量 视频中的检索。 

听众受益

1. 可以了解到视频防控的业务背景以及遇到的技术挑战

2. 可以了解大规模视频处理架构及实践经验