阿里人工智能这五年：天才的野心与自证(16)

「千人千面」正是这块「暂时未被商业化」业务背后的核心技术力量，它被视为「阿里的底牌」，是阿里基于技术驱动业务的核心体现，有望成为驱动阿里未来营收增长的新引擎。
在电商业务的转型期，推荐流业务蕴藏着极大的价值潜力。随着平台上的商品越来越多，对所有用户采用同一套搜索算法，已经不能再满足用户的多样化需求。垂直电商领域新型竞争对手的出现也倒逼着阿里对推荐业务进行更深入的探索。
「它不仅仅展示了流量的增长，更体现出转化率的增长」，阿里巴巴集团 CFO 武卫说道，「推荐流为商家创造的价值，与淘宝在 10 年或 15 年所带来的流量和交易价值并不是一回事，这背后还有消费者参与的价值。该模式为商家提供了操盘工具，能够亲手来运营和管理他们的用户群体」。
极大的价值潜力，同时也意味着极大的业务挑战。
光是在工程层面要应付大规模数据就是一个难题。一般地，T 级（1 Tera Byte(TB)= 1024 GB）已经是相当大体量的数据存储单位，但在欧文武部门，每天面对的是上升了三个数量级以后的 P 级（1 Peta Byte(PB) = 1024 TB）数据。
「这么大量的数据，数据处理的方法，计算数据的准确性和一致性都是挑战」，他说道。
目前淘宝和天猫平台有 7 亿多用户，每个用户在平台上留下的行为特点、诉求方向都极其分散，即重叠的数据很少，体现在技术层面就是数据的稀疏性，这对算法模型的体量和复杂程度提出了更高要求。
阿里内部有个说法，推荐部门的算法是阿里最难进的算法岗位。在招人方面，欧文武表示，他更倾向于应届生，团队目前 50 人左右，博士生 40%，清华北大毕业的将近一半。
团队维持在每年两到三次大规模升级的节奏，「大升级就是以前那套全推翻，重建一套」，欧文武说道，小规模的升级，比如加些新特征，改改模型等，则频率高很多。
阿里每个财年都会依据各部门制定相关 KPI，欧文武并没有透露具体的 KPI。但他会在公司的KPI基础上给团队开个小灶，制定一套「内部 KPI」——比公司的要高出不少。
他通常会逐一拆分成许多个小目标，有人做用户数据，有人做匹配，有人做个性化排序……大概 20 多个小目标同时推进。
欧文武将其比喻成造车，车体需要拆分成很多零部件，大问题也要拆分成子问题，这样每个子问题就能更准确地评价，依据每个小问题再设定成不同的目标，然后拼凑在一起以求大目标可控。