助力企业在以数据为中心的时代进行转型升级，一直是英特尔践行创新应用的基准。
在不断演进的数字世界中，商业、工业、科学和娱乐领域涌现出各种打破常规的技术趋势，这给世界经济带来的影响越来越大。预计到2020年,全球2000强跨国公司中有半数公司的成功将取决于其打造的数字化增强型产品服务和体验的能力。而这些公司的数字收入将增长80%，究其背后原因，便是技术的进步和由此带来的新商业模式。
万事达卡（MasterCard）是全球领先的支付解决方案提供商，为了更好地为客户服务，MasterCard与英特尔合作，基于英特尔Analytics Zoo平台，将人工智能技术集成到其服务模型上，以此来满足企业对更加智能化服务的需求。
智能化推动商业模式创新
伴随着全球数字化转型的浪潮越来越大，企业对灵活计算、网络及存储的需求也急速增加。再向智能化迈进的过程中，企业的工作离不开可无缝扩展的基础设施，用以支持即时响应和多样化的性能要求。
面对数据生成和消费呈指数级增长、云规模计算快速扩展、5G网络方兴未艾以及高性能计算(HPC)和人工智能(AI)扩展到新用途等局面，当今的数据中心和网络迫切需要演进。这些需求推动了面向未来的现代化数据中心架构的发展,也推动了能够快速应变并扩展网络的出现。
越来越复杂的数据环境，让企业更加注重用人工智能技术加速业务模式的转型。Analytics Zoo将AI能力深度集成到平台中，为企业提供理想深度学习能力解决方案。
一般来说，利用深度学习技术，可以通过营销活动的有效性来推动更高的投资回报率。因此，企业可以着重于对消费者行为的敏锐洞察，根据客户的兴趣和喜好与客户进行连接。例如，如果商家提供优惠给购买潜力最高的消费者，那么商家的优惠是最有效的。
在金融行业中，利用深度学习技术可以构建用户商品倾向模型，它可以用来计算消费者在特定行业内从商家或零售商处购买的概率。该模型可以用于展示市场研究前景，或为相关金融产品或商业交易提供个性化建议。
一直以来，深度学习都在商业中扮演者重要角色，传统的机器学习算法也在以前的解决方案中起着至关重要的作用。然而，业界正在寻求一种更健壮的简化流程的解决方案，用于处理模型的复杂性，劳动密集的特征工程过程，以及更高的精度。近年来，人们提出了许多基于深度学习的神经推荐模型，以进一步提高营销活动的有效性。
推荐系统（RS）是一种信息过滤工具，用于引导用户以个性化的方式从大量可能的选项中发现他们的偏好。它是为许多在线网站和移动应用程序推广销售和服务的关键工具。
万事达卡致力于建设满足客户体验的推荐系统，但在原来传统机器学习能力加持下，很难跟上不断爆发的数据量。基于此，MasterCard与英特尔合作，利用深度学习技术在Analytics Zoo开源平台和英特尔至强可扩展处理器打造全新的推荐系统模型。
由机器学习改为深度学习，最直观的表现就是性能上大幅提升。为了对比，双方进行了详细测试，以下为测试环境：
数据集（数据来自过去三年中从特定渠道收集的数据集）：
· 不同的合格消费者：675,000
· 用于基准的目标商家（优惠或广告系列）：2000
· 已知交易：14亿（原始数据53 GB）消费时间：12 - 24个月作为训练和1 - 2个月作为验证
生产环境Hadoop集群：
· 9个节点集群（3个主机主节点（HMN）节点，6个Hortonworks数据平台（HDP）节点），每个节点放在一个物理盒中
·24个超级内核，384 GB内存，21 TB磁盘
· Hadoop发行版本：Cloudera DistributedHadoop（CDH）5.12.1
· Spark版本：2.2
· Java *平台，标准版开发工具包（JDK *）1.8
基准库：
· Analytics Zoo-bigdl_0.6.0-spark_2.2.0
· Spark MLlib 2.2.0
方法选择：
· 对于传统的机器学习方法，选择Spark MLlib方法的交替最小二乘（ALS）模型
· 对于深度学习方法，基于最新的研究和行业实践，选择神经协同过滤（NCF）和宽深（WAD）模型作为推荐的两个候选模型。来自Analytics Zoo的Keras风格API也被用于用python和scala构建深度学习模型。
图为将年度学习模型与ALS模型进行比较
模型阐述：
神经协同过滤模型旨在作为开发推荐服务深度学习方法的指导，以捕捉用户和物品之间的非线性关系。由于存在大量未观察到的实例，NCF采用负抽样来减小训练数据量，显著提高了学习效率。传统的矩阵分解可以看作是NCF的一个特例。使用Analytics Zoo，用户可以轻松构建NCF模型，如图所示。
神经协同过滤（NCF）模型示例
宽深（WAD）模型中，宽分量是一个单层感知器，它是一个广义线性模型，深部分量是类似于NCF的多层感知器。
结合这两种学习技术，推荐系统可以捕获记忆和泛化。在这种情况下，Merchant ID和其他特性用于生成宽模型的交叉列。
宽深模型图
