联想范式AI平台方案介绍

联想范式AI平台方案介绍12推荐预警识别科研AI应用场景四大类人脸手写HPC计算管道预警声音教学研究模型搭建新闻推荐风机预警欺诈预警疾病预警知识推荐订餐推荐理财推荐案件预警生物选址推荐.教育科研训练、HPC计算金融公安智能营销、风控、识别能源媒体案情预测、侦破零售应用场景—我们可以涉足的行业智能营销、选址、运维故障预警智能推荐3如何充分发挥数据的价值？高维算法+海量特征=业务效果提升如何从“事后分析”变为“实时决策”？实时AI推理=实时决策高维度+实时实现极致业务效果4充分发挥数据的时效价值硬实时软实时离线高低数据价值从“事后分析”到“实时决策”客户损失降低30%～50%实时金融风控即时侦测交易风险实时零售推荐用户月活提升12%～18%实时个性化商品推荐实时工业定价供应链风险降低16%～27%动态预测工业品价格从事后分析到实时决策5银行业典型落地案例精准营销（分期）智能投顾（理财）客户挽留效果与收益分析：第四范式机器学习模型对21%的可分期交易发送短信即可覆盖91%的分期手续费，显著提升手续费收益的同时，节约营销成本千元以下分期交易占比提升6倍，第四范式机器学习模型能够准确覆盖低消费交易的分期需求效果与收益分析：对各资产段的客户营销效果均有显著提升响应率提高2倍~11倍成交金额提高50%~500%有效提升长尾客户的客户价值与留存率验证效果模型名单的营销成功率较专家规则均有不同程度的提升。其中：通过融e联营销的产品添益快线（基金）提升效果达到了574%通过远维外呼营销的产品中，基金产品提升158%，节节高2号提高149%，理财产品提升131%。6第四范式银行行业典型落地案例反欺诈验证效果提高某国有银行线上B2C交易欺诈防控能力，准确率达83%，较专家规则提升316%。比专家规则多识别欺诈交易58.8%，响应时间达20毫秒智能催收催收效率是CFC贷后催收的主要考核指标，统计M1入催的业务在30天内催收回款情况。4月仅对部分业务采用基于机器学习模型的差异化催收策略，30日催收效率达到历史最高92.8%。4月线上验证结果显示，10天催收效率较3月显著提升，增长近20%，说明差异化催收较传统催收方式，策略手段前移对回款有很大帮助。

智能运营（OCR票据识别）320002200大写金额识别模型识别效率：200张／分钟验证集准确率：97+%1948100小写金额识别模型识别效率：200张／分钟验证集准确率：97+%2勾选框识别模型识别效率：200张／分钟验证集准确率：~99%7智能保险行业典型落地案例财险—车险理赔件识别寿险—快速核赔寿险—理赔审核

利用深度学习算法构建受损程度分类模型后，结合维修工时与单价数据便可计算得到理赔金额使用机器学习方法，对非正常赔付报案案件进行识别如果以快赔为目标，召回33%正常赔付样本时准确率100%增补材料判断标准件判断核保决策引擎(模型+规则)模型：预测“增补材料概率”模型：预测“是标准件概率”规则：分析投保原因、投保历史等因素…通过名单8零售行业落地案例门店销售量预测外卖销售量预测个性化推荐系统地区信息人口信息住宅信息写字楼信息交通流量配送距离……利用机器学习技术，预测每个门店的外卖销量，使预测的平均绝对百分比误差控制在18%模型的预测结果可为外卖门店实现快速、科学、高效的选址决策指导应用现有运营数据，建立了67000维的机器学习模型，将每个门店销售额预测的误差控制在15%销售额大幅波动的春节月份实现了相较专家45％以上的提升。利用机器学习模型，通过在App端为客户智能推荐产品与优惠，菜单平均命中率14.5%客单价平均提升2%，实现销售额和客单价的大幅提升9医疗行业落地案例慢病预警（糖尿病）慢病预警（心血管并发症）胰腺癌术后生存分析预测效果评估由高到低依次为：4ParadigmMLmodel：瑞宁知糖专业版模型simpleMLmodel：瑞宁知糖简易筛查模型CDS：中华医学会标准Finland：芬兰糖尿病预防研究ADA：美国糖尿病学会标准准确率是专业医生预测结果的2到3倍

效果评估由高到低依次为：4ParadigmMLmodel：瑞宁知心专业版模型simpleMLmodel：瑞宁知心简易筛查模型Framingham：Framingham心血管风险评估和【某大型三甲医院】合作，完成胰腺癌术后生存分析模型：生存分析中c-index值提升8个百分点二分类问题auc值提升6个百分点提前判断病人术后生存时间，采取相应措施，减少病人痛苦携手瑞金医院，助力疾病患病率预测10能源行业落地案例通过机器学习技术处理和分析海量的光纤信号数据，将极大地提升异常信号识别的效率及时地帮助业务人员判断管道破坏事件提高判断输油管道破坏事件的准确性和及时性，帮助管道管理运营企业减少损失石油管道异常检测风机设备故障预警化工品价格预测构建故障诊断模型，通过机器学习算法（GBDT梯度迭代决策树），结合状态监测评估，判断机组隐含的或者已经存在的故障信息，分析其故障模式，并得出故障发生的原因。建模：选择齿轮箱故障历史约200多次训练模型若干遍提高准确率保证召回率100%统计5、6月预测结果准确率81%以上利用机器学习技术对化工品价格进行准确预测，进行市场和产品趋势分析，了解供求变化，有效指导生产经营，在中长期建立市场研究分析的辅助决策体系1-7天预测最高准确率达99.99%，平均准确率99.33%1112一体机形态（4种）-G1一体机，控制台一体机，训练引擎一体机，推理引擎A–SR650B–SR650C–SR650AI控制台AI训练节点AI推理节点D–ST550机器学习工作站销售场景和报价模式–G1

#控制台ML推理引擎ML训练引擎特征存储引擎Remarks硬件安装的软件组件SageOneAdv-K8S&Docker,

ES,

MySQL,

ETCD组件SageOneAdv

-在线服务组件SageOneAdv

-LeapHD大数据平台SageOneAdv

-RTiDB,

Zookeeper,

Kafka组件可售卖最小场景最低配置1030共4台实时加批量最小场景最低配置1131共6台高可用场景最低配置3233共11台扩展规则可扩展任意台扩展任意台扩展任意台扩展A–SR650B–SR650C–SR650B–SR650服务流程用户DCG服务热线范式SageL2硬件问题DCGL2L0,Support7x24仲裁委员会L1L1,Support问题的判断并反馈给相应部门记录客户信息/和服务类型LDP支持团队L24PprovideL2SupportLDP支持团队DCGprovideL2Support接线员记录用户信息，支持问题的类型（售后还是报装）LDP交付团队售后问题报装问题联想工厂会尽可能完成软件的预装，LDP负责交付一体机的现场服务。LDP：LeapHD服务支持的验证过程需要定义-主要看日志1234512315SageOne

AI训练引擎——超大规模高维机器学习框架16自主研发超大规模高维机器学习框架（4Paradigm

GDBT）HD-LR

/

HD-GBM等10+高维ML算法深度稀疏神经网络DSNAutoCross、FeatureZero、TemporalGO、AutoDSN等业界领先AutoML算法万亿维机器学习过程支撑SageOne

AI训练引擎——软件定义计算全面加速高维机器学习过程171.5

TFLOPS,

SoC

20

nm精度auto-tuning自动优化训练超参数Cache和DRAM带宽利用率接近理论最优高维特征计算过程I/O加速高维GBDT模型训练加速4Paradigm

ATX

800

训练加速卡SageOne

AI训练引擎——软件定义通信应对AI集群横向流量风暴18大规模分布式参数服务器集群零拷贝数据交换协议软件定义AI通信系统无阻塞网络通讯技术P-RPC自研网络通讯协议Zero

Copy高速数据同步智能路由和共享长链路技术19SageOne

AI推理引擎——无限缓存技术实现极速实时AI推理特征计算引擎

&

预估服务引擎特征处理过程免开发上线线下线上一致性保证一键生成预估服务水平扩展与弹性扩容灾难自动回复无限缓存技术极速AI推理百万级并发实时交易请求99.9%请求毫秒级响应海量时序特征计算万亿维模型实时推理预测结果精准触达20SageOne

AI存储引擎——内存计算打造超低延迟实时特征数据库毫秒级海量时序特征供给自动切换存储介质降低TCOInfini-cache无限缓存技术生产级灾备恢复持久化存储能力RTIDB

实时特征数据库超低延迟在线数据访问接口高速时序特征查询与计算在线水平扩容超低延迟在线服务多源异构数据引入离线、在线数据一致性管理回流数据自动标注权限、审计与配额支持统一数据治理SageOne

vs通用X86服务器+主流AI框架GBDT（梯度提升决策树）算法，第四范式GDBT在在百万特征维度场景下，计算效率可达H2O的6倍以上大规模离散的高维逻辑回归（LR）场景下，第四范式GDBT性能可达Spark1.6版本的数千倍，Spark2.4版本的数百倍与主流开源框架SparkMLlib的性能对比与商用自动机器学习框架

H2O.ai的性能对比SageOne

vs通用X86服务器+主流AI框架核心场景数据量极速增长，保证业务效果所需付出的成本SageOne拥有>11x

成本优势AI场景规模化落地，场景数大幅增加，相同成本投入的情况下 SageOne提供>16x

算力优势任务运行时长SageOne传统x86+Spark开源ML成本单场景数据规模场景规模SageOne传统x86+Spark开源ML11X16XSageOne

vs云方案弹性伸缩云架构+国内AI商用&开源工具在同样算法效果与硬件条件下，运行稀疏嵌入神经网络算法，第四范式SageOne

GDBT与阿里XDL在单机和分布式各场景下性能提升达12.5倍

阿里PAI云平台特征工程第四范式特征工程3.6x在完成同样特征工程任务，既拼接风控场景的5个业务表时，第四范式SageOne

FeQL相比阿里PAI平台的SparkSQL性能优势达3.6倍阿里PAI云平台SageOne与阿里巴巴XDL开源深度学习框架性能对比与阿里巴巴PAI商用机器学习平台性能对比SageOne

FeQL相比Databricks

SparkSQL速度优势1.8倍，该场景的总拥有成本优势达5倍SageOne

vs云方案

弹性伸缩云架构+

国际主流AI平台注1：此场景使用Kaggle著名的Home

Credit

Default

Risk风控信贷场景的数据，预估房贷逾期信用风险，能代表比较典型的真实风控信贷场景。注2：对于Databricks，测试Databricks在AWS上的弹性伸缩云方案，对齐第四范式SageOne，均使用160核下弹性伸缩方案。SageOne

FeQLSparkSQL

onDBNotebook

on

AWS运行时间每秒费用总拥有成本¥0.0152

/s¥0.0427/s

507s924s

¥7.71¥39.461.8x

5x2.8xSageOne

ATX

vs

CPU

/

GPU10x10x3x6x11x26x吞吐量（查询次数/秒）消息大小（比特）第四范式通信框架prpc的吞吐性能是百度brpc的3～5倍，谷歌grpc吞吐性能的5～10倍纵坐标越高表示性能越好SageOne

vs

Baidu

/

GoogleSageOnevs

Sage+X86

训练表现1）风控场景使用Kaggle比赛数据Home

Default

Credit

Risk中前5表拼接的结果作为输入，数据量6亿。2）反洗钱场景基于第四范式真实场景，全流程包括SparkSQL，自研特征工程（FE）和GBDT模型训练。该场景输入SparkSQL的数据为3亿。输入特征工程的数据为100万BenchmarkSage+X86

configSag