據(jù)文化和旅游部數(shù)據(jù)中心測(cè)算，2023年“五一”假期全國(guó)國(guó)內(nèi)旅游出游合計(jì)2.74億人次，同比增長(zhǎng)70.83%，按可比口徑恢復(fù)至2019年同期的119.09%¹。后疫情時(shí)代，旅游人數(shù)的激增與旅游場(chǎng)景的多元化，給人工智能（AI）技術(shù)在旅游行業(yè)的應(yīng)用帶來更多機(jī)遇和挑戰(zhàn)。例如自然語言處理（NLP）、機(jī)器翻譯、計(jì)算機(jī)視覺、搜索排序等 AI 技術(shù)的快速發(fā)展和日臻成熟，可以為游客提供更便捷的服務(wù)和更精準(zhǔn)的內(nèi)容。

作為一站式旅行平臺(tái)，攜程旅行已經(jīng)將諸多AI 技術(shù)應(yīng)用于酒店、機(jī)票、自由行、跟團(tuán)游、簽證、玩樂、租車等旅游度假的多個(gè)業(yè)務(wù)線，為全球用戶提供一套完整的旅行產(chǎn)品、服務(wù)及差異化的旅行內(nèi)容等。為了在滿足業(yè)務(wù)需求的同時(shí)降低成本壓力，攜程構(gòu)建了基于英特爾至強(qiáng) 可擴(kuò)展處理器的 AI 推理算力平臺(tái)，并通過高性能算子庫、計(jì)算圖優(yōu)化、模型壓縮等方式提升 AI 推理性能。

? ? ? ? ? ?

采用英特爾 至強(qiáng)解決方案

實(shí)現(xiàn)性能與經(jīng)濟(jì)性的更佳平衡

隨著 AI 應(yīng)用的不斷擴(kuò)展和深入，大型旅行服務(wù)平臺(tái)面臨的算力挑戰(zhàn)主要存在于兩個(gè)方面：

一方面，AI 技術(shù)正在日趨多樣化與復(fù)雜化，為了適應(yīng)不同的業(yè)務(wù)場(chǎng)景需求，企業(yè)常常需要融合使用傳統(tǒng)機(jī)器學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)、Transformer 等深度學(xué)習(xí)模型結(jié)構(gòu)，以及知識(shí)圖譜、圖神經(jīng)網(wǎng)絡(luò)等技術(shù)。同時(shí)，AI模型的深度、寬度以及結(jié)構(gòu)復(fù)雜度也在不斷提升，增加了企業(yè)的開發(fā)門檻，也使得 AI算力調(diào)度、AI 性能優(yōu)化更具挑戰(zhàn)。

另一方面，智能化應(yīng)用正在迅速擴(kuò)張，需要由 AI 模型處理的數(shù)據(jù)也在不斷增長(zhǎng)。例如內(nèi)容與廣告?zhèn)€性化推薦、實(shí)時(shí)風(fēng)控、機(jī)器翻譯、智能客服、圖像處理等領(lǐng)域正在越來越多地使用 AI 技術(shù)，以從海量的數(shù)據(jù)中生成高價(jià)值的商業(yè)洞察，從而帶來了較高的算力基礎(chǔ)設(shè)施建設(shè)成本。與此同時(shí)，上層應(yīng)用對(duì)于 AI 模型推理也有著特定的服務(wù)級(jí)別協(xié)議 (SLA) 要求。企業(yè)需要在滿足 SLA 要求的前提下，通過模型優(yōu)化等方式，更好地發(fā)揮硬件的性能潛力，降低算力基礎(chǔ)設(shè)施的總體擁有成本（TCO）。

面對(duì)上述挑戰(zhàn)，企業(yè)首先要面臨硬件平臺(tái)的選擇問題：雖然基于獨(dú)立 GPU 的推理方案能夠提供強(qiáng)大的算力，但未必是一個(gè)經(jīng)濟(jì)的選擇。這是因?yàn)楠?dú)立 GPU 不僅采購(gòu)或租用成本相對(duì)較高，而且通常是以專用服務(wù)器的模式進(jìn)行部署和運(yùn)維，帶來了較高的綜合成本。考慮到旅行服務(wù)中大量的 AI 推理場(chǎng)景所需要的性能經(jīng)過優(yōu)化能夠得到滿足，采用 CPU 的方案將更具成本效益。因此，攜程采用基于英特爾至強(qiáng) 可擴(kuò)展處理器的 AI 推理算力平臺(tái)，旨在為算法模型提供更全面易用、穩(wěn)定性更好、使用和維護(hù)成本更低的優(yōu)化解決方案。 英特爾至強(qiáng) 可擴(kuò)展處理器內(nèi)置人工智能加速功能，已針對(duì)工作負(fù)載進(jìn)行優(yōu)化，能夠?yàn)楦鞣NAI 應(yīng)用以及高密度基礎(chǔ)設(shè)施帶來一流的性能和內(nèi)存帶寬。同時(shí)，采用矢量神經(jīng)網(wǎng)絡(luò)指令(VNNI) 的英特爾 深度學(xué)習(xí)加速（英特爾DL Boost），能夠有效提高 AI 推理的表現(xiàn)，使其成為深度學(xué)習(xí)應(yīng)用的卓越基礎(chǔ)設(shè)施。

? ? ? ? ? ?

構(gòu)建并優(yōu)化AI推理算力平臺(tái)

Bert-base推理時(shí)間由15毫秒降至6毫秒

在基于英特爾 至強(qiáng) 可擴(kuò)展處理器的硬件平臺(tái)層基礎(chǔ)上，攜程構(gòu)建了 AI 推理算力平臺(tái)，該平臺(tái)還包括引擎框架層、推理優(yōu)化層、算法模型、應(yīng)用場(chǎng)景。同時(shí)，為了盡可能地提升 AI 推理性能，釋放硬件潛力，攜程進(jìn)行了推理優(yōu)化。主要的優(yōu)化思路為兩點(diǎn)：一是通過調(diào)整/簡(jiǎn)化模型結(jié)構(gòu)，或改進(jìn)算法以降低算法復(fù)雜度；二是優(yōu)化軟件執(zhí)行效率，使用硬件優(yōu)勢(shì)特征，提升硬件執(zhí)行效率。

攜程基于英特爾 至強(qiáng) 可擴(kuò)展處理器的硬件平臺(tái)層基礎(chǔ)上

構(gòu)建 AI 推理算力平臺(tái)

攜程以機(jī)器翻譯應(yīng)用的 Transformer模型來測(cè)試其性能表現(xiàn)。在該測(cè)試中，攜程除了使用上述的優(yōu)化方法，還分割模型并使用 jit 跟蹤方法來提高性能。同時(shí)，在batchsize 超過 16 個(gè)的情況下，使用 mm op 進(jìn)行優(yōu)化。攜程使用固定算例的平均響應(yīng)時(shí)延作為測(cè)試數(shù)據(jù)，tokens 為 10，batchsize=1，Bert-base模型推理時(shí)間由優(yōu)化前的15.05毫秒降至優(yōu)化后的6.44毫秒²。

Bert-base 模型優(yōu)化前后的性能對(duì)比²

基于英特爾 至強(qiáng) 可擴(kuò)展平臺(tái)的基礎(chǔ)算力和深度的 AI 模型推理性能優(yōu)化，用戶將獲得的收益包括：在特定的 SLA 要求下，降低 AI 推理應(yīng)用的 TCO

在通過本輪優(yōu)化之后，攜程的 CPU 服務(wù)器 AI 推理性能得到提升，能夠滿足大量 AI 推理場(chǎng)景對(duì)于時(shí)延等 SLA 指標(biāo)的要求，避免了在昂貴的專用 AI 加速器方面的支出。

提升基礎(chǔ)設(shè)施的敏捷性與靈活性

通過本輪優(yōu)化，攜程能夠高效利用現(xiàn)有的 CPU 服務(wù)器，根據(jù)實(shí)際負(fù)載需求進(jìn)行靈活調(diào)度，而無需為 AI 推理新增需求部署專用服務(wù)器。

為 AI 推理性能優(yōu)化提供了標(biāo)準(zhǔn)的參考流程

本方案提供了一套標(biāo)準(zhǔn)、可自動(dòng)完成的參考模型優(yōu)化流程，能夠賦能更多的 AI 應(yīng)用。

攜程與英特爾的合作，驗(yàn)證了 AI 模型推理方案在英特爾 至強(qiáng) 可擴(kuò)展處理器上的應(yīng)用潛力，在成本、性能方面實(shí)現(xiàn)了平衡。同時(shí)，隨著推理性能優(yōu)化技術(shù)的逐步提高，將極大地降低人工智能應(yīng)用的部署成本，加快AI應(yīng)用的落地速度并擴(kuò)充應(yīng)用場(chǎng)景，推動(dòng)人工智能行業(yè)的整體發(fā)展。