来源：本文经AI新媒体量子位（公众号ID：QbitAI）授权转载，转载请联系出处。
概要：一个好的机器学习平台，不光是个铁锹，它必须是个现代化大型自动化挖掘机。只有让大数据以更廉价的方式得到，才能让人工智能更好走向最高峰。
科技巨头加注人工智能仿佛是场竞赛。
前不久，Uber正式推出机器学习平台Michelangelo，希望通过这个平台全面处理工作流程，并推动AI普及化。恰巧就在当天，量子位在人工智能计算大会(AICC)上注1，遇到并专访了Uber机器学习负责人王鲁明。
对于这个机器学习平台的意义，Uber机器学习负责人王鲁明介绍说，Top级企业真正的核心竞争力就是数据和平台，如果我们把大数据看成一个金矿，那这个平台就是挖掘金矿的工具。
“一个好的机器学习平台，不光是个铁锹，它必须是个现代化大型自动化挖掘机。只有让大数据以更廉价的方式得到，才能让人工智能更好走向最高峰。”
关于Uber这个名为Michelangelo的机器学习平台，其负责人王鲁明还向量子位分享了更多幕后故事。
能做什么？
我们先从结果上来看，Michelangelo到底可以做些什么？
Uber方面的说法是，Michelangelo的主要作用是能够让内部团队可以无缝构建、部署和运作适合Uber量级的机器学习解决方案，可以覆盖端到端机器学习工作流，包含：管理数据、训练、评估和部署模型，以及监控预测。该系统还支持传统的机器学习模型、时间序列预测和深度学习。
在Uber内部，Michelangelo是Uber工程师和数据科学家实际使用的机器学习系统，有几十个团队使用它构建和部署模型。由于该系统部署在多个Uber数据中心上，还会影响到专门的硬件，以及对Uber最高加载量的在线服务提供预测。
归根结底，Michelangelo的出现，把Uber内部分散在各个业务团队中的机器学习开发需求集中起来，减少重复开发的资源浪费。
一开始走了弯路
王鲁明称，这个机器学习平台创建于2015年年底，当时最大的需求来自大量团队在实际工作中需要用到机器学习。
在这个平台推出前，Uber内部每个团队都“各自为政”——自己做自己的机器学习开发，所以中间必然有大量重复的工作，效率也比较低。
这直接促成了Michelangelo建立，不过也并不意味着一路顺利。
现在总结起来，最大的弯路在于对深度学习不够专注。而围绕非深度学习切换了不同的平台，比如H2O之类的，最后才决定使用Spark ML作为自己的机器学习平台。
“当时的出发点是尽可能使用开源资源，在开源的基础上有一些Uber的开发和创新，也尽可能把这些开源和创新回馈给整个社区。在Spark ML我们做了很多工作，比如加了很多新的算法，像我们前段时间加了Siri的算法，这个是原来Spark ML不支持的。”王鲁明透露说。
其后直到2016年7月，Uber机器学习平台才加入了对深度学习的支持。这才算真正让Michelangelo走上了正轨。
现在，有几十个来自Uber的内部用户通过Michelangelo来满足自己在机器学习方面的要求，并且让任务变得更富效率，几乎所有的测试工作，都可以在Michelangelo上完成。
“具体业务团队只需要专注他们所需的业务需求上，然后思考用什么样的算法去解决业务需求的问题。他们不需要考虑数据从哪里来、需要多少台机器、机器在何方？这些问题都由Michelangelo承担。”
王鲁明进一步明确说，Michelangelo实际上提供的就是一个端到端的解决方案，可以帮助Uber内部团队完成挑选数据、建立模型、训练模型、模型比较、管理，最后把最佳模型进行分析、计算和处理。
因为Uber的业务涉及全球成百上千个城市，而且每一个城市还可以按照区域往下建模型，因此一个“用户”可能就会有几千个模型，这就要求Michelangelo能够给这几千个模型同时支持、平衡和分析。
过去，涉及较大数据的模型，单机训练可能要将近1个月的时间，但现在整个效率已经大大提升，整个技术从定向到开发，时间周期大大缩短。
王鲁明举例说，内部一个项目此前花了4个月时间，但换到Michelangelo后，整个周期变成了1个月。
实际应用
对于Michelangelo的实际应用，王鲁明举了几个例子。
一是Uber的无人驾驶业务，之前围绕深度学习方面的工作都在其他平台或买一台4GPU的单机进行训练，但现在已经完全转到了Michelangelo上。
二是Uber的街景车业务，在获取了众多高精度相片中，需要对图像中的价值信息进行提取。一开始街景车团队在Caffe1.0上进行，不过只有单机版的Caffe1.0显然拖慢了效率。
20人规模的团队，需要在模型和机器之间的管理、共享和资源分配上浪费精力，甚至需要人工去修改机器是否在用，非常落后且低效。
而换到Michelangelo之后，“用户”不用再去记住模型和具体机器的对应关系，整个平台互联互通，就好似在一台机器上一样。
以上都是深度学习的案例，Uber还有一些非深度学习解决的问题。
比如有人叫车时，周围有十几个司机，选哪个司机来与乘客匹配？如果没有选好的话，司机和乘客都有可能取消，而取消就是对所有人都存在损失——即便没有经济上的，也有时间成本和用户体验上的。
所以这个模型核心要解决的问题是最大概率减少“取消”的操作，“取消率”越低，效果越好。
类似的模型也应用于Uber Eats上，其中关于食物的推荐、下订单后所需时长，其中都是机器学习的应用，而目前所有这些机器学习的应用，都在Michelangelo上实现。
深度学习非万能
王鲁明也解释了为什么Michelangelo平台并非全部使用深度学习的原因。
一方面跟深度学习目前存在的“瓶颈”有关，另一方面与Uber实际应用需要密不可分。
这位Uber机器学习负责人表示，深度学习的第一个问题是“不好解释”：为什么起作用、为什么不起作用，无据可查。
另一个问题是在具体应用中模型层数的问题，以自动驾驶举例，可能一千层在测试中效果很好，但真正实际应用中，40毫秒之类的时间内，如此深的计算来不及，即便配上最好的GPU，也迫使你需要把模型层级变得更窄，这就会造成限制。
目前，对于上述情况，Uber内部的解决方案主要通过降低计算量和提升计算力两大方面来展开。
Uber机器学习负责人王鲁明
揭秘Uber机器学习团队
关于Uber机器学习团队，王鲁明也向量子位透露了规模、优势和招聘要求。
他表示，目前Uber机器学习团队维持着30人规模，最早的时候才有10人。现在随着客户数量的不断增加，团队规模也在不断扩充。
对于人才吸引，这位Michelangelo负责人并不担心。
他认为Uber对机器学习工程师吸引力明显。
首先，Uber的工作，是一个比特(数字世界)和原子(现实世界)结合的事业，可以通过算法去影响人在实际生活中的行为，这是很多互联网公司所缺乏的。
其次，同样因为核心业务的原因，Uber源源不断的数据相对更富价值，这也是Uber有信心在AI领域一展身手的原因。
王鲁明透露说，在对数据模型的并行处理方面，Uber目前甚至比Google还要出色。
不过，并不意味着机器学习方向的工程师都能进入Uber机器学习团队。
在解释Michelangelo所需人才的素质时，王鲁明希望找到那些熟悉具体应用领域，又对机器学习有较深理解的技术人才。
“我们团队不是真正在做应用，但需要对具体领域非常了解，这样才能知道用户痛点，才能给他提供最有效的支持。还需要较强的技术背景，比如在并行计算、性能优化等方面有技术能力。”
OMT：对其他公司的建议
最后，对于其他公司从无到有建立一个类似Michelangelo的机器学习平台，王鲁明也向量子位表达了建议：
一方面是向优秀公司或优秀平台学习，比如在Uber机器学习平台建设过程中，就从Facebook学习了很多经验；
另一方面是选择合适的开源架构，比如完全学习Google并不容易，但从Google开源平台TensorFlow中选择合适的开源技术，会让所有的事情事半功倍。
