第297章 极光下一代超级引擎！＆迅速升温的战况

  第297章 极光下一代超级引擎！＆迅速升温的战况

  数据搜集完了，下一步自然就是对数据进行分析处理。

  他们需要在原本的用户画像中，额外叠加上位置、行为、环境等实时状態標籤，构建一个时空维度动態加权的“场景化画像”。

  举个例子。

  同一用户，根据其地理位置、行为动作的变化，早上可能是“通勤赶路者”，中午可能是“午餐觅食者”，晚上可能是“健身爱好者”，深夜可能是“桌球爱好者”。

  系统可根据用户不同时段的实时画像，十分体贴且即时的为其推送，可能需要服务。

  比如，小雨伞之於桌球爱好者。

  而想要根据多维数据，判断出用户当下处於什么场景，就需要他们將原有的信息流gg系统，

  与场景识別算法、多维度匹配算法、深度学习技术相结合，从而构建出一套“时空特徵融合模型”。

  而后以海量標註数据进行训练，持续优化选代。

  此外，他们需要极强的算力，支撑模型进行实时推理，以解析用户的动態需求。

  最后通过gg投放与实时竞价系统，实现gg与用户需求，实现毫秒级精准同步。

  此前，他们很难做到这一点。

  但如今，公司自研的专用a1加速卡，骄阳100，已完成小规模部署。

  虽然不足以支撑超大规模分布式训练，但针对部分特定业务，极光云的算力提升至少3倍，能效比优化40%。