Thiết kế hệ thống Machine Learning trên Facebook, Twitter, Google…

Bài viết giới thiệu một số tài liệu hữu ích về các thiết kế Hệ thống Machine Learning trên Facebook, Twitter, Google, Airbnb, Uber, Instagram, Netflix, AWS và Spotify. Đồng thời, đây cũng là một chủ đề khá thú vị, mà thường không được nhắc tới trong các khóa học online.

Twitter

• Sử dụng Deep Learning ở quy mô lớn Dòng thời gian của Twitter 
• Cải thiện tương tác trên quảng cáo trực tuyến với phản hồi trễ 
• [email protected]

Instagram

• Bài học từ Story Instagram Stories và Machine Learning trên Feed
• Sức mạnh của AI: hệ thống gợi ý Explore của Instagram

Facebook

• Deep Entity Classification: Công cụ phát hiện tài khoản lạm dụng 
• Các tiến bộ trong việc sử dụng AI để phát hiện nội dung gây hại

Uber Eats

• Khám phá Đồ ăn với Uber Eats: Xây dựng cơ chế hiểu dữ liệu nhập 
• Khám phá Đồ ăn với Uber Eats: Gợi ý trên Marketplace
• Khám phá Đồ ăn với Uber Eats: Sử dụng Graph Learning để nâng cấp Gợi ý 

Uber

• Ứng dụng phản hồi từ khách hàng: Các NLP & Deep Learning cải thiện bản đồ trên Uber
• Dự đoán trên Uber: Giới thiệu chung

Airbnb

• Sử dụng Machine Learning để ước tính giá trị nhà trên Airbnb
• Hình ảnh minh họa trên mục Đánh giá Tìm kiếm
• Học về cơ chế thị trường để định giá tối ưu
• Phân loại hình ảnh minh họa trên Airbnb
• Sử dụng Deep Learning trong tìm kiếm Airbnb
• Khám phá và phân loại mục đích tin nhắn trên ứng dụng Airbnb

Airbnb Experiences

• Đánh giá tìm kiếm bằng Machine Learning trên Airbnb Experiences

Linkedin

• Sơ lược về AI tại LinkedIn
• Tính công bằng, bảo mật, và minh bạch trong thiết kế các hệ thống AI/ML
• Cộng đồng AI: Xây dựng cộng đồng trên LinkedIn dựa vào sở thích
• Ngăn chặn lạm dụng bằng công nghệ học không giám sát (unsupervised learning)

Google

• Jeff Dean chia sẻ về Deep Learning trên quy mô lớn tại Google

Netflix

• Bài toán multi-armed bandit cho hệ thống gợi ý trên Netflix

Spotify

• Cá nhân hóa Spotify Home với Machine Learning
• Làm sao để Spotify hiểu rõ người dùng?

Ngoài ra, còn có một số tài liệu cho những quy trình khái quát hơn. Trong đó phải kể tới cuốn sách Khoa học Dữ liệu cho Doanh nghiệp (Data Science for Business), giải thích về  CRISP-DM (Cross Industry Standard Process for Data Mining).

Quy trình này bao gồm 6 bước:

1. Kiến thức Doanh nghiệp (Business Understanding)
2. Kiến thức Dữ liệu (Data Understanding)
3. Chuẩn bị dữ liệu (Data Preparation)
4. Mô hình hóa (Modelling)
5. Đánh giá (Evaluation)
6. Triển khai (Deployment)

Còn đây là một quy trình cụ thể hơn về cách ứng dụng CRISP-DM trên AWS.

Facebook cũng có một series video về cách lên cấu trúc Dự án Machine Learning thông qua Facebook Field Guide về Machine Learning.

Theo Becominghuman.ai