《科技赋能企业数字化转型：火山引擎智能推荐-高速训练引擎助力》

70 0 0

文章主题：科技发展, 数字经济, 企业数字化转型, 云计算技术

在科技进步和数字经济广泛普及的背景下，企业实现数字化转型已经成为了一种必然的趋势。在此过程中，云计算技术的应用和创新已经变成了推动企业数字化增长的关键动力。如今，越来越多的企业开始意识到 cloud 上行的关键性， industry 普遍达成了“坚定上云、非必要不自建”的共识。

火山引擎，作为字节跳动所属的云服务平台，积极地将公司在快速成长中所积累的经验、技术和工具向外部开放。这一举措有助于企业以用户体验创新为核心，借助数据驱动的决策和业务敏捷迭代来提升其数字化能力，从而推动业务的可持续发展。

在2023年的4月18日，春季火山引擎FORCE原动力大会隆重召开。在这个重要的会议上，火山引擎公司发布了一系列自主研发的云产品，其中包括DPU等先进技术。此外，他们还推出了智能推荐——高速训练引擎，这一创新产品能够支持100GB-10TB的超大模型高效训练。火山引擎采用软硬一体优化的设计理念，使得面向推荐场景的高速训练更加迅速，同时成本也得到了显著降低。

大规模推荐模型，企业面临的新挑战

在当前信息爆炸的时代背景下，人们所面临的信息过载问题日益加剧。在这种状况下，如何运用智能推荐系统在短时间内吸引用户的注意力，并帮助他们迅速定位到自己感兴趣的内容，已经变成了各行各业企业共同面临的紧迫问题，亟需寻找有效的解决方案。

通过对用户产品使用历史记录和兴趣偏好的深入挖掘，智能推荐系统能够精准地为用户推送与之需求高度契合的内容、产品或服务，进而有效提升用户的点击率和转化率。智能推荐系统的出现，不仅对提高用户满意度、忠诚度、留存率和转化率具有显著作用，同时也能助力企业降低营销成本，提升营销效益。

近年来，智能推荐模型的成功应用成为AI领域的一大亮点，许多企业纷纷自主搭建该模型。然而，随着深度学习技术的不断演进，模型规模和复杂度也在不断提升，这给一些企业带来了难以单独应对的挑战。

这些难题主要体现在以下几个方面。

在众多因素中，训练成本是一个关键性的问题。对于推荐系统的有效性而言，能否迅速捕捉并反映用户的实时喜好以及当前的热点信息至关重要。然而，如何在一个相对有限的时间内，以一种可控的方式完成大量数据的训练，这无疑是对企业来说是一项巨大的挑战。

个性化推荐系统具有场景特征和模型复杂度高的特点，这导致了模型的规模逐渐增大。另外，推荐引擎还需要满足时效性的要求，实时跟踪用户的兴趣变化。然而，传统的CPU训练算法无法应对大规模并行向量计算的需求，也无法满足企业在短时间内训练大型模型的高速需求。因此，我们需要寻求更高效的训练方法来应对这些挑战。

最后，在企业优化推荐算法和模型、提高推荐的准确性和效果的过程中造成系统的抖动和不稳定，也极易因为体验不佳，造成用户的流失。

总而言之，对于各行各业的企业而言，智能推荐大模型训练普遍存在贵、慢、不稳定的痛点。

高速训练引擎，抖音同款模型能力

此前，火山引擎通过抖音等业务大规模个性化模型的探索与沉淀，为众多企业客户提供了智能推荐引擎，助力他们实现个性化用户体验，并在用户留存、停留时间、GMV等维度获得了极大提升。

图：智能推荐-高速训练引擎

本次大会上火山引擎发布的产品——“智能推荐-高速训练引擎”则是为了进一步实现大模型落地而诞生的，集成了抖音、头条等业务的最佳技术实践，尝试解决各行各业的企业训练大规模个性化模型存在的痛点和问题。

火山引擎的智能推荐-高速训练引擎使用了以下方式解决这些问题：软硬一体优化、细粒度算子优化，以及分布式训练和推理。

软硬件一体化的GPU训练，能够将最新体系架构的硬件性能发挥到极致，大幅缩短训练时间，帮助企业提高大规模个性化模型的训练效率，降低训练成本，快速验证模型对业务效果的影响。

针对关键场景的超大模型，火山引擎智能推荐-高速训练引擎提供了全GPU方案，可以支持100GB-10TB的超大模型的高速训练，综合ROI是CPU的5倍；覆盖更多场景的模型，提供了GPU+CPU混训方案，综合ROI是CPU的2倍。

针对搜广推场景, 细粒度算子优化, 性能更好。在训练时，通过算子融合并精细调优，性能提升20%。在推理时，通过算子优化，性能提升40%。

智能推荐-高速训练引擎为了保障系统的稳定性，支持训练和推理的全方位容错，当某一个节点故障时，可以快速恢复；支持分布式推理, 包括多分片, 多副本，从而保证线上服务的高可用。

做完上述以及其他一系列优化后，抖音、今日头条等基于火山引擎高速训练引擎的业务，模型训练时间加速比10x-25x，综合成本降低25%-67%。

而在外部，火山引擎高速训练引擎的价值也得到了多家企业的验证。

例如，与中国某社交平台的合作，火山引擎成功帮助客户解决了训练速度慢，无法快速验证模型效果的问题，将训练速度提升了12倍——原本客户侧耗时1800分钟的模型训练，在火山引擎侧仅耗时150分钟。在模型优化上，火山引擎百G模型与客户2T级别模型相比，效率无明显下降，且离线效果指标全部正向，帮助客户实现了大幅的降本增效。