个性化是用户粘性的圣杯. 这并不奇怪:《沙巴体育结算平台》(Harvard Business Review)报道了这一点 个性化的用户体验可以传递5到8倍 营销资金的投资回报和提高销售额的10%或更多.

而个性化的内容则可以建立更深层次的关系，更好地了解用户, 创建有效建议所需的大量数据令人生畏. 人工智能(AI)引擎拥有先进的数据中心基础设施和高性能内存和存储解决方案.

这些推荐引擎现在主导着在线体验，最大的例子就是亚马逊. 根据… 麦肯锡的报告在美国，超过35%的销售额来自于推荐. 这些引擎的作用不仅仅是购物:流媒体网站展示用户可能感兴趣的电影或节目, 职位搜索显示用户符合条件的机会, 新闻和社交动态中充斥着相关内容.

流, 四分之三的Netflix^® users 选择由其推荐引擎推荐的电影，和 占Netflix总流媒体时间的80% 是由这些建议驱动的吗. Services like Hulu™ 增加了“喜欢”和“不喜欢”的功能，让用户更好地控制他们看到的推荐内容.

在幕后，数据中心正在创造高度个性化的互联网. 算法如此复杂，以至于推荐已经成为一种用户体验. 就像许多其他先进技术一样, 如果没有美光公司生产的这些内存和存储解决方案，推荐引擎就不会存在.

什么是推荐引擎?

简单地说，推荐引擎是 提供信息的系统 基于用户可能给出的评价或偏好.

查看完整的信息图下载资讯图

这些发动机的产生完全是出于需要. 人们生产2个.每天有5万亿字节的数据. (1万亿是100万乘以1万亿.) And 世界上90%的数据 是在过去两年内创建的吗. Facebook^® 和WhatsApp™单独处理 600亿条消息 一天，而Instagram™有超过 9500万张照片 每天上传.

要筛选的东西太多了——不仅仅是数量，还有种类和质量. 每个人都有过这样的经历:浏览电子商务网站的页面，感觉所提供的内容不引人注目或不相关.

那么，那些糟糕的推荐又如何呢? 为什么会发生这种情况??

一切都与数据有关. 对于推荐引擎来说，数据越多，结果就越准确. 当提出建议时，它会以以下方式之一被过滤:

• Generic: 最简单的过滤器识别与用户搜索的内容相似或最受欢迎的内容.
• Content: 此过滤器检查用户历史记录, 识别描述选择的关键字, 并提出类似内容的建议.
• 协作: 根据历史记录将用户分配到一个组中. 小组中其他成员喜欢的项目呈现出来.
• Ensemble: 这种方法使用多个过滤器的组合.

一切都与数据有关. 对于推荐引擎来说，数据越多，结果就越准确. 当提出建议时，它会以以下方式之一被过滤:

• Generic: 最简单的过滤器识别与用户搜索的内容相似或最受欢迎的内容.
• Content: 此过滤器检查用户历史记录, 识别描述选择的关键字, 并提出类似内容的建议.
• 协作: 根据历史记录将用户分配到一个组中. 小组中其他成员喜欢的项目呈现出来.
• Ensemble: 这种方法使用多个过滤器的组合.

每一个过滤器都越来越复杂. 集合方法是最准确的, 需要最多的数据, 也是最难执行的.

对于流媒体来说, 做出准确的建议, 该引擎需要电影类型的数据, the synopsis, 演员和导演, 用户的观影历史——所有这些相同的数据都存在于一个有着相似观影习惯的庞大人群中. 然后，它将评论、社会评论甚至剧本中的语言层层叠加. 处理这些工作负载需要大量的数据，并且需要大量的内存和存储.

内存和存储技术，比如美光的燃料推荐引擎，是如何发挥作用的?

2. 滤波和预处理
机器学习系统拥有数百万客户的历史和行为, 随着系统的不断更新. 这些数据通常以非结构化的形式捕获. 之前的数据是有用的, 首先必须过滤和提炼出关键信息，并以有效的方式进行组织. 想象一下，在非结构化数据中寻找所需的数据点就像在流行数据中搜索Waldo一样 “沃尔多在哪里?” 儿童的书，只有人群中傻乎乎的人在感动. 可怜的沃尔多可能永远找不到了. 现在想象一下，沃尔多周围的所有人都站着不动，并被组织成一个网格模式. 找到Waldo会更容易(尽管可能没那么有趣). 过滤和预处理数据本质上是将移动人群的混乱组织成有序的线条和网格. 组织数据是一个最好由cpu解决、由服务器DRAM支持的问题, such as DDR5, 它暂时保存正在预处理的数据并将其快速馈送给处理器. Fast NVMe™ SSDs store the data once it is processed and becomes structured; it will then be used for AI training.

3. Training
在这里，AI教引擎识别内容. 例如，一个系统可能会分析数十亿张图像，直到它学会如何识别一只狗. 这需要在训练系统中传递数百或数千次数据. 并且该模型会定期使用更新的数据库进行再训练, 随着新数据的流入和用户的交互. 这个过程需要非常强大、灵活的数据中心来运行复杂的训练算法. 高带宽存储器的形式, 比如美光公司的超带宽解决方案系列, 以超高速一次又一次地向图形处理单元(GPU)或CPU提供数据, 是什么建立了创建人工智能算法的逻辑联系. 随着数据量的增长和人工智能算法变得越来越复杂，训练过程中对更多内存的需求也在不断增长. 但这不仅仅是需要更多的内存. 新记忆体将带来更智能、更快的人工智能——会移动的新记忆体 每根电线有2位信息 而不是1，例如，或 3D堆叠的内存 并且移动到离处理单元很近的地方，在同一个芯片封装中. 美光走在内存创新的前沿.

4. 建议
接下来是推理，当一个训练有素的系统被问及一部电影中是否有狗时. 一旦识别出一只狗，它就可以提出建议. 这可能在一分钟内由不同的用户完成数百万次，并且可能发生在数据中心或靠近最终用户的地方, 有时就在他们的手机或笔记本电脑上. 高性能内存可确保快速提出对用户有意义的建议，并为提供者带来利润.

5. Optimization
用户与推荐的交互反馈到数据收集阶段，以不断优化未来的推荐, 使引擎能够学习并变得更加准确.

内存和存储通过减少检索和移动数据所需的时间，在推荐引擎过程的每个阶段发挥作用, 通过让处理单元满足它们所需的数据，并存储每天产生的庞大且不断增长的数据海洋. 没有美光制造的沙巴体育结算平台, 创建推荐引擎是不可能的.

推荐引擎的未来是什么?

推荐引擎已经改变了在线服务的用户体验和商业模式. 这是有道理的, then, 这些网站正在寻找在其平台上使用推荐的新方法.

例如，亚马逊机器学习科学家本·艾莉森， 请注意，过去的用户事件并不同等重要. 理解顾客的行为是非常复杂的, 亚马逊现在让神经网络识别过去行为的重要性(基于上下文和时间)，并给它一个“注意力分数”.这些注意力分数成为更复杂的推荐算法的关键部分.

此外，亚马逊已经认识到，“可预测”的预测实际上并不理想. 通过添加一些“随机性”, 他们已经能够复制所有购物者都想要的“偶然发现”. So today, 亚马逊的推荐更多地来自于人工智能的“决策”,而不仅仅是简单的预测.

一些网站让人工编辑与推荐引擎进行实时交互，以使算法更加准确. 例如，在Hulu，“一个由 内容专家将更紧密地合作，为观众创造了更加个性化的额外策展收藏.”

And Netflix正在使用推荐算法 通过学习使内容成功的特征来定义其电影和电视节目的目录:“我们用它来优化Netflix快速增长的工作室的原创电影和电视节目的制作. 这也推动了我们的广告支出, channel mix, 广告创意，这样我们就能找到喜欢Netflix的新会员.”

用于当前和未来的推荐功能, 最大数据量和最大速度至关重要. 数据存储, 推荐引擎的人工智能训练和推理需要高性能和低功耗的内存和存储.

美光广泛的解决方案组合涵盖了推荐引擎的需求——从用于强化训练的高带宽内存和加速器，到用于推理的标准内存，再到用于各种数据的高容量存储. 很有可能, 如果给购物者推荐最完美的圣诞礼物，或者给观众推荐最完美的节目, 美光公司的内存和存储系统也参与了这一建议.

下载资讯图

Micron是Micron Technology, Inc .的注册商标. 本文中提及的所有其他商标和注册商标均为其各自所有者的财产，仅供参考. 包括其他商标, 注册商标, 或品牌不构成美光的认可或推广，也不意味着存在业务关系.