深度自学、决策树算法、Generalized Linear Mixed Model (GLMix)等多种算法。在深度自学的场景中，领英用于Tensorflow；在决策树算法的场景中用于XGBoost，两者都是第三方库。对于GLMix，领英研发并开源了一个机器学习库叫作Photon。

GLMix模型大大提高了职位引荐系统的性能，顺利使职位申请人数量减少了20%。根据特征和算法，领英建构了Photon Connect训练引擎，把上述所有组件连接起来。Photon Connect用Frame来采访特征，并将特征与标签数据连接起来，然后将数据传输至Quasar模型展开特征切换。

在这个阶段，Quasar模型的参数是不得而知的，领英利用Quasar模型展开特征切换，然后用于算法来自学这些参数。自学到的参数不会放入到Quasar模型中。这样，一个Quasar模型建模就已完成了，它可以必要部署到线上服务中。Health Assurance Layer确保算法成功运营模型训练和部署已完成后，最后一个问题是：当模型实际运营的时候，如何维持它需要长时间运营呢？根据过去的经验教训，在研发的早期阶段就越推崇这个问题，就越更容易在实际运营时确保模型长时间运营。

因此，在模型探寻和训练等早期阶段，领英的Health Assurance Layer获取了一系列工具，用作持续监控和检验。有人可能会问，在实际运营中，所有在线特征都能用吗？特征改版的速度否充足慢？实质上，如果经常出现任何异状， Health Assurance Layer 将通报适当的工程师，他们不会插手展开调试。Health Assurance Layer为工程师获取了一系列工具，协助他们较慢瞄准问题。领英的机器学习与Pro-ML团队经过十年的较慢发展和实验后，领英将人工智能团队与产品团队密切地联系在一起，使机器学习团队需要与致力于解决问题类似于难题的同行专家合作并共享最佳实践中。

类似于地，Pro-ML团队环绕五个主要支柱建构，每个支柱都反对模型研发生命周期的一个阶段。一般来说，每个支柱都有一个负责人（一般来说是一名工程师）、一个技术负责人和几个工程师。这些工程师也来自各个的组织，还包括产品工程的组织、基础/工具的组织和基础架构团队。

Pro-ML团队产于在世界各地，还包括班加罗尔、欧洲和美国多个地方。领英还享有一个领导团队，协助制订项目愿景，并且最重要的是致力于避免摩擦，以便每一个支柱需要独立国家不存在。Pro-ML将减少需要利用人工智能的产品数量，并不断扩大需要培训和部署模型的团队数量。

此外，它将增加模型自由选择、部署等所需的时间，并使Health Assurance等关键领域自动化。领英现在早已花上了一年多的时间来改建人工智能，使其能维持较慢、高效和可操作性，扩展到所有工程领域。它让工程师有更加多的时间去做到他们最擅长于的事情：利用领英独有的高度结构化的数据集，为棘手的技术问题寻找创造性的解决方案。从 2014 年转入中国开始，领英大大地探寻着中国这片独具特点的市场，在中国北京和美国硅谷从无到有，建构了一支多达 100人的本土研发团队，两地团队以“One Team”的形式协作，利用总部的技术资源优势，期望推展中国市场已完成本地化产品与技术创新。

未来领英也将更进一步依赖 AI 和大数据技术升级优化用户体验。如果你也想要重新加入领英中国这支强劲的研发团队，青睐页面链接，查阅并申请人职位吧！版权文章，予以许可禁令刊登。下文闻刊登须知。

本文来源：ayx·爱游戏-www.tonghekeji.com