充电计划是由 InfoQ Pro 推出的每周技术 PPT 资料分享帖，旨在挖掘和分享值得关注的技术最佳实践和成功案例，帮助技术人跨越技术鸿沟。每周我们都会在推文中附上 PPT 摘要与受益点，并提供下载链接，希望大家能从资料中有所收获，有所提升。
专题演讲嘉宾：彭嘉
小米NLU 质量平台负责人
10 年以上工作经验，在用友、去哪儿网、TalkingData 和小米工作，先后做过开发和产品。目前在小米集团人工智能部负责自然语言理解质量平台。
演讲：NLP 应用中数据治理遇到的困难及解决方案
人工智能的发展，需要依靠算法 + 数据 + 算力的相互协作。任何人工智能应用开发的过程中，针对数据永远会遇到，算法指标好，真的可以上线么，多次评测指标波动怎么解释？那么指标波动涉及哪些影响因素，我们怎么降低负面影响。
例如：一、如何看待指标波动，测试集多大规模合适——测试集是不是要和庞大的训练集一样，1~3 天才能看到运行结果？二、需要区别的标签太多，如何获得高质量的评测集——低质量的训练 / 评测集，可能会因为数据滥用导致模型偏见永久化。三、上线前需要设计哪些环节，才能保障线上体验。
演讲提纲：
常见问题：评测算法指标过高的问题；多次评测指标波动怎么办；
影响指标波动的因素及小爱的处理方法：
影响因素简介：
评测集的代表性；
分类标签是否边界清晰好标注；
标注同学的素质；
评测环境稳定性；
图谱数据的准确性和更新频率
保障评测集代表性的方案，数据集规模量级和指标波动阈值的关系，并给出公式推导
小爱语义有 2K 多个语义标签，如何保障这些分类标签正交化，有边界冲突后怎么处理
小爱有 2W 多个槽位标签，如何保障知识图谱结果和用户认知一致
基于 DNN NER 模型的槽位辅助工具的创新应用
小爱模型上线经历的质量验证流程和使用的数据集简介
你将获得：
专题演讲嘉宾：伍斌杰
京东物流算法架构师
曾在亚马逊负责供应链仿真系统的架构设计和优化。从 0~1 搭建唯品销量预测系统，支撑十亿级别 SKU 每天的销量预测。目前担任京东物流预测算法平台架构师，负责京东物流预测算法平台的设计和优化。
演讲：组件化预测系统在供应链行业的实践
预测系统是供应链系统的源头核心系统，使用了大量最新的 AI 技术，包括时序模型，机器学习模型，LSTM，DeepAR，GANN 等深度学习模型。但是供应链系统覆盖大量的传统行业，不同企业的数据特征和业务非常复杂。AI 技术模型落地遇到实施时间长，见效慢的问题。
京慧易卜采用组件化的方式设计预测系统，将大量成熟的算法和必需的业务封装为组件，并提供了灵活、可视化的配置工具，帮助算法工程师、产品经理和企业资深业务人员，快速对接企业的数据，测试、实施和部署最新的 AI 模型，使得 AI 模型在很短的时间内就提升了企业供应链的效率。
演讲提纲：
组件化预测系统如何解决预测算法落地遇到的问题
京慧易卜组件化预测算法平台架构
京慧易卜的组件规约和组件库
京慧易卜的配置模板和配置工具
京慧易卜的执行器
多种 AI 模型在预测系统中落地的案例
AI 预测系统落地快消品行业
AI 预测系统落地汽后备件行业
你将获得：
如何设计组件化的算法应用系统
如何在传统行业快速落地最新的 AI 算法
专题演讲嘉宾：程孟力
阿里云计算平台 PAI/ 算法专家阿里云 OCR 产品算法负责人，阿里云深度学习推荐算法 EasyRec 负责人。
演讲：阿里云上深度学习建模实践
深度学习在多个领域，图像、语音、NLP、推荐等都带来了巨大的效果提升。但是如何快速的运用深度学习解决业务问题，还存在比较的问题。大家都面临的问题是成本高，风险大，落地困难，其原因在于: 难以标准化, 没有一个通用的模型能够解决所有的问题；可迁移性差，不同场景的建模方法存在比较大的差异；调参困难，参数的设置对于最终的效果影响很大，但是参数非常多，调参需要对模型有比较深入的理解；训练和部署困难，需要的资源多，成本高；数据缺乏，尤其缺乏标注好的数据，标注成本比较高。
阿里云 PAI 在解决以上问题做出了一些努力，帮助集团内的算法人员和云上的算法人员来降本增效。
演讲提纲：
标准化模板建立：
超参搜索 / 网络搜索：特征组合方式 (Fives)
针对训练和部署困难的解决办法：
Tensor 稀疏通信
混合精度训练和 int8 推理
模型剪枝
大规模 Embedding
离线在线特征一致性 (特别是实时特征)
自动图优化
新建模方式探索：
迁移学习
半监督学习 /active learning
小样本学习
你将获得：
利用 PAI 平台快速解决业务问题，包括视觉、推荐等 ;
跟进最新的深度学习算法进展。
专题演讲嘉宾：王强强
作业帮语音技术团队负责人
在加入作业帮之前，曾任职于清华大学电子工程系语音处理与机器智能实验室，负责语音识别算法落地，搭建工业级解决方案。2018 年加入作业帮，负责语音相关算法研究和落地，主导了语音识别、评测、合成等算法在作业帮的落地实践，为公司提供整套语音技术解决方案。
演讲：作业帮语音技术实践
近年来，随着 AI 算法、计算能力、大数据技术的发展，智能语音技术取得了突飞猛进的发展，从实验室走向工业界。作业帮独特的场景和海量的数据为语音技术提供了舞台：通过智能语音外呼代替部分场景的人工外呼，能够大大降低人力成本，让大家把精力投入到更有意义的事情上。通过语音评测技术，能够随时向同学反馈发音的好坏，练习口语。通过语音合成技术，能够完成自有 IP 跟用户的触达，为用户提供更好的体验。
本次分享将带来智能语音技术在作业帮的落地经验，通过语音合成、语音评测、发音纠错、语音识别每个方向一到两个实际案例， 让大家了解作业帮落地语音技术的具体实践。最后通过总结，为大家带来作业帮语音能力全景，以及对算法工程师这一岗位的理解， 希望能够给大家带来启发。
演讲提纲：
语音合成：小数据量语音合成落地实践
语音评测：流式 conformer 、端云一体语音评测
发音纠错：端到端发音纠错系统
语音识别：高效利用数据的端到端语音识别、基于前缀自动机的热词技术
总结：作业帮语音技术全景
你将获得：
了解语音技术在作业帮的落地经验， 通过实际案例近距离了解算法工程师的工作。
PPT 下载方式
点个在看，快乐加倍👇
