今天，无论是在数字媒体、技术会议和引文，还是在谷歌趋势搜索中，人工智能、机器学习、深度学习或数据科学等术语的使用频率都在上升。特别报道在《经济学人》一书中，人工智能（AI）和机器学习（ML）及其所谓的结构性转变正在向技术领域以外的领域蔓延，在不同的市场领域产生了巨大的影响，影响到工人和消费者，并在未来二十年内从人工智能中产生潜在的经济价值。但做人工智能和ML并不是一个大问题，而是大规模管理和处理大数据及其基础设施。问题不在于机器学习代码或算法，而在于支持基础设施的技术债务。在Spark+AI峰会上，我们扩展了新的轨道，以吸引关于AI用例、数据科学和产品化机器学习的讨论，以解决实践者如何在现实世界中操作和管理他们的这些用例的基础设施。在这个博客中，我们指出了一些会议，他们在努力将数据和人工智能的巨大价值结合起来。让我们开始研究Mastercard是如何使用分布式深度学习技术和ApacheSpark大规模生产用户项目倾向模型来将其人工智能作为一个服务平台进行生产的。宋苏强将在他的演讲《人工智能即服务，构建基于深度学习技术的共享人工智能服务平台》中，与社会分享他们的技术历程和人工智能架构设计原则。在某种程度上，我们都无意中与人工智能助理、聊天机器人互动。它们背后的技术奥秘是什么？你如何建造和操作它们？大卫·洛夫潘德艾在他的演讲《对话型人工智能的兴起》中，揭示了构建和部署LSTM机器学习模型的更精细的技术细节，并讨论了聊天机器人的当前和未来状态。构建ML模型是一回事；在生产中管理和部署它是另一回事。在他的演讲中，IBM的nickpentreath将讨论一种可移植的apachesparkml管道和用于分析的可移植格式。同样，Databricks的Joseph Bradley将讨论apachespark在结构化流中部署MLlib模型和管道的开发。在这节课上，他将分享apachespark2.3和MLlib的新开发如何支持在结构化流中部署MLlib模型和管道来评分和预测，以及为什么它简化了许多生产案例。现在，如果你住在大都市，你很可能在某个时刻乘坐优步到达你想要的目的地。有没有想过他们如何实时计算600多个城市的房价？或者好奇他们使用什么机器学习算法，或者数据科学家如何工作来进行特征工程？来自Uber的Du和felixcheung先生将在他们的会议上透露他们的机器学习基础设施的技术细节，在Uber的数据科学工作台上构建智能应用程序和实验性ML。如果你最近旅行过，你可能会住在Airbnb的租房处。在方便使用和舒适的选择无数租赁的背后，是一个复杂的基础设施，支持端到端的机器学习生产生命周期。Airbnb的会议讨论，Bighead:Airbnb的端到端机器学习平台和Zipline:Airbnb的机器学习数据管理平台将公开Airbnb的机器学习平台，使他们能够大规模地覆盖数据收集，进行特征工程，并培训、部署、生产和监控其基础设施。对于那些将云计算用于基础设施的公司，成本管理与可靠性同样重要。在Databricks，我们在云计算上投入了大量资金，因为我们的核心业务是向客户提供统一的分析平台，该平台由优化的Apache Spark驱动。因此，作为商品成本（COGS）和运营成本（OPEX）的一部分，为客户进行成本管理成为一项必不可少的职能。来自Databricks的数据科学家王璇（音译）将在他的演讲《云成本管理》（Cloud Cost Management）和apachespark中演示我们如何检测变化和预测以最小化成本，并分享一些数据科学技术。最后，自然语言处理（NLP）作为一种解析口头或书面文本的方法对于ML和AI应用程序来说是至关重要的。构建一个复杂的NLP系统需要一个基础设施并使用三个软件框架：机器学习、深度学习和apachespark NLP库。Apache Spark NLP：扩展Spark ML以提供快速、可伸缩和统一的自然语言处理会话，由工程师Alexander Thomas和David Talby深入到优化、情绪检测、柠檬化、语言建模和管道构建的各个方面。下一步是什么还有很多东西可以细读，从日程中挑选出对你有吸引力的课程。在最后的博客中，我们将分享我们从开发人员，火花经验，深入探索，以及相关的轨道。如果您还没有注册，请使用JulesPicks代码获得300美元的折扣。再见！阅读更多看看TensorFlow会话中的几个精选找出参加Spark+AI峰会的5个理由免费试用Databricks。今天就开始吧