如今，網絡營銷已是熱潮，其中提升用戶參與度的神器是什么呢？

是個性化服務。《哈佛商業評論》曾有報告指出，就市場營銷而言，用戶體驗的個性化可以讓投資回報率提升五至八倍，并將銷售額提高10％以上。

雖然個性化的內容可以建立更深的客戶關系并更好地了解用戶，但要實現有效的推薦背后需要超乎尋常的海量數據作為支撐。如今，借助先進的數據中心基礎架構以及高性能內存和存儲解決方案，人工智能（AI）引擎正在發揮作用。

當我們打開某寶，在首頁推薦瀏覽一番，展現的商品似乎正是我們所感興趣的，不難發現，這些推薦引擎已默默深入我們的日常生活，主導著人們的在線體驗。在中國， 阿里的“千人千面”系統助力 天貓在 2020 年雙 11 再創紀錄，總成交額達 4，982 億元。當然，搜索引擎的威力不僅僅體現在電子購物上，視頻網站會推薦觀眾感興趣的電影或節目，招聘網站會顯示適合用戶的職位，新聞和社交網站會推送用戶相關的內容。

以上一切的背后，是數據中心在創建這種高度個性化的互聯網，而先進的算法促成了系統推薦，從而成就了卓越的用戶體驗。當然，與許多其他的先進技術一樣，推薦引擎也離不開內存和存儲，而美光正是內存和存儲解決方案的主要提供商。

何為推薦引擎？

簡言之，推薦引擎是一種系統，該系統能夠基于用戶在某個內容上的評分或偏好設置來推薦信息。

這些引擎的出現是非常必要的。

人們每天產生2.5艾字節的數據，而全球 90％ 的數據是在過去兩年中產生的。

微信 2019 年數據報告：微信平臺每天有450億次信息發送。

要篩選這些數據的難度可想而知 —— 不僅數量龐大，數據的種類和質量也是多種多樣。 每個人都多少有過經驗，感覺購物網站推薦的產品跟自己毫不相關或完全沒有吸引力。

那么，不好的推薦會有什么后果？ 為什么會發生這樣的情況？

一切都與數據有關。就推薦引擎而言，數據越多，結果就越準確。用戶所收到的推薦通常是通過以下方式生成的：

通用推薦：這是最簡單的篩選方式，推薦與用戶過往搜索類似或最熱門的內容。

內容推薦：該類篩選會檢索用戶的瀏覽歷史、識別用戶曾經選擇過的內容的關鍵詞，然后推薦類似的內容。

協同推薦：根據用戶的瀏覽歷史，將其劃歸至某個群體，然后向用戶推薦該群體其他成員喜歡的內容。

綜合推薦：結合多種方式進行推薦。

以視頻平臺為例，為了做出精確的推薦，推薦引擎需要電影的類型、概要、演員和導演等各方面的數據、用戶的觀影記錄，以及與該用戶具有相似觀影習慣的一個龐大的用戶群的所有數據，還要考慮評論、社交平臺上的留言、甚至屏幕上顯示何種語言等等因素。數據量如此巨大，因此需要大量的內存和存儲來處理這些工作負載。

美光的內存和存儲技術如何賦能推薦引擎？

1數據收集

推薦的精確程度與數據量的大小成正比。在海量數據中篩選出數以億計的用戶行為并收集在一起。這需要具有靈活擴展能力的存儲產品，如四層單元（QLC）SSD。得益于 QLC NAND 內存技術的 SSD 能夠在容量、速度和成本之間實現平衡，幫助云服務供應商很好地控制總擁有成本（TCO）。

2篩選和預處理

機器學習系統會保存數以百萬計的用戶歷史記錄和行為，且系統會不斷更新。這些數據通常是以非結構化的形式被捕獲。要使用這些數據，首先必須對它們進行篩選，提煉出關鍵信息，然后以有效的方式進行組織。在非結構化數據中尋找所需的數據點非常困難，而解決數據整理這個難題通常是由 CPU 來完成，由服務器 DRAM（如 DDR5）提供支持。服務器 DRAM 會臨時保存正在預處理的數據，然后將其快速送入處理器。高速 NVMe SSD 會在數據得到處理并結構化后存儲這些數據，之后將其用于 AI 訓練。

3訓練

在這個階段，AI 將訓練推薦引擎對內容進行識別。例如，系統在“認識”小狗之前可能要分析幾十億張圖片。這需要訓練系統成百上千次地傳遞各個數據片段。隨著新的數據流入以及用戶的交互行為，系統會定期對模型進行再訓練。這個過程需要極其強大、靈活的數據中心來運行復雜的訓練算法。高帶寬的內存，如美光的超帶寬解決方案，能夠以超高速度不斷地將數據傳輸給 GPU（圖形處理器）或 CPU，后者通過邏輯連接創建 AI 算法。在訓練過程中，隨著數據量的增長和 AI 算法變得復雜，系統也需要更多的內存。此外，系統需要的不僅僅是更多的內存容量——為了實現更智能、更高速的 AI，它還需要新型的內存，例如，每次可以傳輸 2 比特數據或者可進行 3D 堆疊并放置到非常靠近處理器，甚至封裝在同一芯片中。美光正是開創這類新型存儲器創新技術的先鋒。

4推薦

接下來是推理。假設一個被訓練過的系統被問及電影里是否有小狗時，一旦識別到小狗，它就會做出推薦。可能會有不同的用戶在一分鐘內提出數百萬次這樣的需求，可能發生在數據中心，也可能發生在接近終端用戶的地方，或就在他們的手機或筆記本電腦上。高性能內存可以確保系統更快地做出對用戶有意義的推薦，同時為服務提供商帶來商機。

5優化

用戶與推薦之間的交互行為會被反饋到數據收集環節，被用以優化未來的推薦，使推薦引擎能夠學習并變得更加精確。

內存和存儲在推薦引擎處理程序的每個階段都發揮著作用，它們能縮短檢索和傳輸數據的時間、確保處理單元獲得所需的數據，以及存儲每天生成且不斷增長的海量數據。如果沒有像美光提供的這類先進的內存和存儲產品，推薦引擎就無從談起。

推薦引擎的未來

推薦引擎改變了在線服務的用戶體驗和商業模式。因此，各網站紛紛尋找新方法在其平臺上部署推薦引擎。

例如，亞馬遜機器學習科學家Ben Allison指出，用戶的每個瀏覽歷史并非同等重要。亞馬遜深知用戶的行為極為復雜，現在開始用神經網絡來辨別用戶行為的重要性（例如通過考慮上下文和發生的時間等因素），并它們打一個“注意力分”。 這些注意力分又成為一個更加復雜的推薦算法的關鍵組成部分。

此外，亞馬遜發現“可預測的”的預測結果并不理想，因此增加了一些“隨機性”功能，從而實現了讓所有購物者都能有 “意外發現”。 所以，亞馬遜現在給出的建議更多是來自人工智能的“決策”，并非只是原始的預測。

為了使算法更加精確，有些網站會讓人工與推薦引擎進行協作。例如，美國視頻網站 Hulu就有一個專門的內容專家團隊密切地合作，為觀眾創造更多個性化的精選系列。

直播網站也開始預測用戶今后可能會觀看什么內容，并將數據移動到離用戶物理距離更近的邊緣服務器，以提升直播速度。

對于當前和未來的推薦功能而言，提升數據量和數據速度至關重要。推薦引擎的數據存儲、AI 訓練和推理都需要高性能和低功耗的內存和存儲。

美光豐富的解決方案組合可以滿足推薦引擎的各種需求——從密集訓練所需的高帶寬內存和加速器，到用于推理的標準內存，再到應對各種數據的高容量存儲。當您在購物網站看到一件正合心意的商品，或在視頻網站被看到一個非常感興趣的節目，這背后很可能就有美光的內存和存儲解決方案在發揮作用。
編輯：lyn