“這樣的比賽還可以 ｍｏｒｅ ａｎｄ ｍｏｒｅ．”
在答辯頒獎後，兩位ＡＩ權威如此慨嘆。
一位是伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ），另一位是亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ）。
他們評價，無論是機器學習還是數據挖掘，光從教材和學校解決問題，太過單薄，所以他們殷切希望國內產學研結合的大賽能多多益善。
而且騰訊願意提供脫敏數據集，提供計算平臺和豐厚獎勵。
不論是經過脫敏處理的真實業務數據，還是接地氣的真實應用場景，都可以讓更多人才學以致用，甚至能讓那些名校之外的學生，也有機會用實踐成績來證明自己——這一價值，儼然早已遠遠超出了比賽本身。
讓他們如此激動的是“２０１９騰訊廣告算法大賽”。
"“這樣的比賽還可以 ｍｏｒｅ ａｎｄ ｍｏｒｅ．”
在答辯頒獎後，兩位ＡＩ權威如此慨嘆。
一位是伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ），另一位是亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ）。
他們評價，無論是機器學習還是數據挖掘，光從教材和學校解決問題，太過單薄，所以他們殷切希望國內產學研結合的大賽能多多益善。
而且騰訊願意提供脫敏數據集，提供計算平臺和豐厚獎勵。
不論是經過脫敏處理的真實業務數據，還是接地氣的真實應用場景，都可以讓更多人才學以致用，甚至能讓那些名校之外的學生，也有機會用實踐成績來證明自己——這一價值，儼然早已遠遠超出了比賽本身。
讓他們如此激動的是“２０１９騰訊廣告算法大賽”。
三年磨劍：業務數據，真實場景
騰訊廣告算法大賽，已是連續第三年舉辦。
今年的賽題是“廣告曝光預估”，一項騰訊廣告在真實業務場景中面向廣告主提供的重要服務。
所謂曝光預估，是在廣告主創建新廣告和修改廣告設置時，為廣告主提供未來的廣告曝光效果參考。
通過預估參考，廣告主可以根據曝光預估結果提前調整出價、定向、時段等設置，結合自身的投放預期選擇最適合自己的設置，而不是投放幾天之後再去修改，能避免盲目的優化嘗試，有效縮短廣告的優化週期，降低試錯成本，使廣告效果儘快達到廣告主的預期範圍。
但打造這樣一個算法模型，並不輕而易舉。
從騰訊廣告的實際場景來說，效果廣告主要是展示類廣告，背後的算法引擎，本質是一個推薦框架。
技術角度而言，它首先將廣告設置的人群定向、投放時段、選擇的流量版位、競價方式、出價等廣告業務語言來轉化為描述廣告覆蓋用戶人群的範圍大小以及競爭環境激烈程度、自身競爭力相對水平等可量化的數值指標。
通過對歷史中各類廣告在競價系統中的曝光歷史進行訓練，騰訊廣告需要學習出競爭環境的變化趨勢以及廣告競爭力水平和最終曝光效果的隱藏聯繫，達到預估廣告未來曝光的目標。
而且這也是產學研結合的最佳演武場。
當前大部分機器學習或人工智能的問題，目標方向都是“預估”。
本質上都是通過對已知的歷史記錄中提取和預估目標相關的特徵表達，並訓練出能擬合出最接近預估值的模型。
具體訓練過程即通過損失函數的計算和迭代優化方案，在有限的解空間中搜索誤差最小的最優解的過程。
也是對目標編碼、特徵統計、數據挖掘、歷史平移，模型選擇等一系列基本功的考驗。
因何而來，往何處而去
"“這樣的比賽還可以 ｍｏｒｅ ａｎｄ ｍｏｒｅ．”
在答辯頒獎後，兩位ＡＩ權威如此慨嘆。
一位是伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ），另一位是亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ）。
他們評價，無論是機器學習還是數據挖掘，光從教材和學校解決問題，太過單薄，所以他們殷切希望國內產學研結合的大賽能多多益善。
而且騰訊願意提供脫敏數據集，提供計算平臺和豐厚獎勵。
不論是經過脫敏處理的真實業務數據，還是接地氣的真實應用場景，都可以讓更多人才學以致用，甚至能讓那些名校之外的學生，也有機會用實踐成績來證明自己——這一價值，儼然早已遠遠超出了比賽本身。
讓他們如此激動的是“２０１９騰訊廣告算法大賽”。
三年磨劍：業務數據，真實場景
騰訊廣告算法大賽，已是連續第三年舉辦。
今年的賽題是“廣告曝光預估”，一項騰訊廣告在真實業務場景中面向廣告主提供的重要服務。
所謂曝光預估，是在廣告主創建新廣告和修改廣告設置時，為廣告主提供未來的廣告曝光效果參考。
通過預估參考，廣告主可以根據曝光預估結果提前調整出價、定向、時段等設置，結合自身的投放預期選擇最適合自己的設置，而不是投放幾天之後再去修改，能避免盲目的優化嘗試，有效縮短廣告的優化週期，降低試錯成本，使廣告效果儘快達到廣告主的預期範圍。
但打造這樣一個算法模型，並不輕而易舉。
從騰訊廣告的實際場景來說，效果廣告主要是展示類廣告，背後的算法引擎，本質是一個推薦框架。
技術角度而言，它首先將廣告設置的人群定向、投放時段、選擇的流量版位、競價方式、出價等廣告業務語言來轉化為描述廣告覆蓋用戶人群的範圍大小以及競爭環境激烈程度、自身競爭力相對水平等可量化的數值指標。
通過對歷史中各類廣告在競價系統中的曝光歷史進行訓練，騰訊廣告需要學習出競爭環境的變化趨勢以及廣告競爭力水平和最終曝光效果的隱藏聯繫，達到預估廣告未來曝光的目標。
而且這也是產學研結合的最佳演武場。
當前大部分機器學習或人工智能的問題，目標方向都是“預估”。
本質上都是通過對已知的歷史記錄中提取和預估目標相關的特徵表達，並訓練出能擬合出最接近預估值的模型。
具體訓練過程即通過損失函數的計算和迭代優化方案，在有限的解空間中搜索誤差最小的最優解的過程。
也是對目標編碼、特徵統計、數據挖掘、歷史平移，模型選擇等一系列基本功的考驗。
因何而來，往何處而去
騰訊廣告副總裁羅徵說，本次大賽既是通過業務場景創造產學研交流機會，也能通過比賽引起更多人才關注，同時也是企業社會責任的一部分。
可能易於被忽略的是，騰訊廣告的數據處理量和對業務場景的多元應用需求，都位於業界前列。
一方面是騰訊龐大的體量和社交媒體地位下，廣告數據非常龐大。加之服務的業務和應用場景很多元， 廣告主對廣告效果也有不同的需求，這就對數據挖掘、特徵學習和模型算法等機器學習應用帶來極大的挑戰。
羅徵也說，很多高校學生知道搜索和推薦系統需要機器學習的加持才能錦上添花。
但可能不知道廣告和營銷業務，同樣是機器學習應用的重要戰場。
首先，騰訊廣告業務面對的數據量非常龐大，本身就為機器學習提供了得天獨厚的數據基礎。
其次，廣告業務的評估目標，非常清晰，結果反饋一目瞭然，能更快幫助機器學習進行模型優化和迭代。
最後，技術的不斷精進對於業務價值的體現也顯而易見。算法越好，模型越強，對於客戶（廣告主）和用戶的體驗，都是雙提升。
當然，技術為業務所帶來的價值，也是騰訊廣告可以將算法大賽持續舉辦下去的驅動力之一。
實際上，本次大賽前後歷時３個月，共有海內外１０，５７１人蔘加——如果從數據挖掘領域來看，已是全球參賽人數最多的比賽之一了。·
而騰訊廣告除了提供資源——提供真實業務場景下經過脫敏處理後的數據集，與騰訊雲合作提供智能鈦機器學習平臺，並且拿出真金白銀獎勵優勝者。
所以搭臺舉辦算法大賽，並不比寫代碼調模型簡單。
但羅徵認為這一賽事值得做，而且想基於大賽提供更友好的算法交流環境，比如將賽題數據集面向學術研究開源。
這位騰訊廣告副總裁博士學成於ＭＩＴ計算機系，在２０１２年加盟騰訊前，曾在谷歌公司任職八年，負責ＡｄＳｅｎｓｅ廣告系統、谷歌字典等項目的研發管理工作。因此，他深知產學研結合對於產業和人才推動的重要意義。
而且從騰訊廣告角度，通過算法大賽，也是吸引更多優秀人才，以及向客戶展示業務技術實力的方式之一。
但無論如何，這樣源自產業，學界受益，產學研都得到推動的比賽，已經展現出越來越多的持續良性循環。
"“這樣的比賽還可以 ｍｏｒｅ ａｎｄ ｍｏｒｅ．”
在答辯頒獎後，兩位ＡＩ權威如此慨嘆。
一位是伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ），另一位是亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ）。
他們評價，無論是機器學習還是數據挖掘，光從教材和學校解決問題，太過單薄，所以他們殷切希望國內產學研結合的大賽能多多益善。
而且騰訊願意提供脫敏數據集，提供計算平臺和豐厚獎勵。
不論是經過脫敏處理的真實業務數據，還是接地氣的真實應用場景，都可以讓更多人才學以致用，甚至能讓那些名校之外的學生，也有機會用實踐成績來證明自己——這一價值，儼然早已遠遠超出了比賽本身。
讓他們如此激動的是“２０１９騰訊廣告算法大賽”。
三年磨劍：業務數據，真實場景
騰訊廣告算法大賽，已是連續第三年舉辦。
今年的賽題是“廣告曝光預估”，一項騰訊廣告在真實業務場景中面向廣告主提供的重要服務。
所謂曝光預估，是在廣告主創建新廣告和修改廣告設置時，為廣告主提供未來的廣告曝光效果參考。
通過預估參考，廣告主可以根據曝光預估結果提前調整出價、定向、時段等設置，結合自身的投放預期選擇最適合自己的設置，而不是投放幾天之後再去修改，能避免盲目的優化嘗試，有效縮短廣告的優化週期，降低試錯成本，使廣告效果儘快達到廣告主的預期範圍。
但打造這樣一個算法模型，並不輕而易舉。
從騰訊廣告的實際場景來說，效果廣告主要是展示類廣告，背後的算法引擎，本質是一個推薦框架。
技術角度而言，它首先將廣告設置的人群定向、投放時段、選擇的流量版位、競價方式、出價等廣告業務語言來轉化為描述廣告覆蓋用戶人群的範圍大小以及競爭環境激烈程度、自身競爭力相對水平等可量化的數值指標。
通過對歷史中各類廣告在競價系統中的曝光歷史進行訓練，騰訊廣告需要學習出競爭環境的變化趨勢以及廣告競爭力水平和最終曝光效果的隱藏聯繫，達到預估廣告未來曝光的目標。
而且這也是產學研結合的最佳演武場。
當前大部分機器學習或人工智能的問題，目標方向都是“預估”。
本質上都是通過對已知的歷史記錄中提取和預估目標相關的特徵表達，並訓練出能擬合出最接近預估值的模型。
具體訓練過程即通過損失函數的計算和迭代優化方案，在有限的解空間中搜索誤差最小的最優解的過程。
也是對目標編碼、特徵統計、數據挖掘、歷史平移，模型選擇等一系列基本功的考驗。
因何而來，往何處而去
騰訊廣告副總裁羅徵說，本次大賽既是通過業務場景創造產學研交流機會，也能通過比賽引起更多人才關注，同時也是企業社會責任的一部分。
可能易於被忽略的是，騰訊廣告的數據處理量和對業務場景的多元應用需求，都位於業界前列。
一方面是騰訊龐大的體量和社交媒體地位下，廣告數據非常龐大。加之服務的業務和應用場景很多元， 廣告主對廣告效果也有不同的需求，這就對數據挖掘、特徵學習和模型算法等機器學習應用帶來極大的挑戰。
羅徵也說，很多高校學生知道搜索和推薦系統需要機器學習的加持才能錦上添花。
但可能不知道廣告和營銷業務，同樣是機器學習應用的重要戰場。
首先，騰訊廣告業務面對的數據量非常龐大，本身就為機器學習提供了得天獨厚的數據基礎。
其次，廣告業務的評估目標，非常清晰，結果反饋一目瞭然，能更快幫助機器學習進行模型優化和迭代。
最後，技術的不斷精進對於業務價值的體現也顯而易見。算法越好，模型越強，對於客戶（廣告主）和用戶的體驗，都是雙提升。
當然，技術為業務所帶來的價值，也是騰訊廣告可以將算法大賽持續舉辦下去的驅動力之一。
實際上，本次大賽前後歷時３個月，共有海內外１０，５７１人蔘加——如果從數據挖掘領域來看，已是全球參賽人數最多的比賽之一了。·
而騰訊廣告除了提供資源——提供真實業務場景下經過脫敏處理後的數據集，與騰訊雲合作提供智能鈦機器學習平臺，並且拿出真金白銀獎勵優勝者。
所以搭臺舉辦算法大賽，並不比寫代碼調模型簡單。
但羅徵認為這一賽事值得做，而且想基於大賽提供更友好的算法交流環境，比如將賽題數據集面向學術研究開源。
這位騰訊廣告副總裁博士學成於ＭＩＴ計算機系，在２０１２年加盟騰訊前，曾在谷歌公司任職八年，負責ＡｄＳｅｎｓｅ廣告系統、谷歌字典等項目的研發管理工作。因此，他深知產學研結合對於產業和人才推動的重要意義。
而且從騰訊廣告角度，通過算法大賽，也是吸引更多優秀人才，以及向客戶展示業務技術實力的方式之一。
但無論如何，這樣源自產業，學界受益，產學研都得到推動的比賽，已經展現出越來越多的持續良性循環。
△伊利諾伊大學芝加哥分校傑出教授
俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ）
從美國遠道而來的大賽評委嘉賓：伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ）和亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ），都為此感慨中國ＡＩ面臨的歷史機遇。
一方面，越來越多的中國公司願意反哺學界，出錢出資源舉辦這樣的大賽，可以讓更多人才得到產學一體的鍛鍊機會，學以致用。
縱觀全球ＡＩ發展，神經網絡早在８０年代就已發明，但只有ＩｍａｇｅＮｅｔ等數據集和比賽的出現，才真正意義把深度學習推向了最前線。
而中國公司經過互聯網和移動互聯網時代發展，現在有能力和實力可以做更多事情，龍頭公司如騰訊願意做這樣的事情，還能起到帶頭作用，利於整個業界。
另一方面，這也潛藏著中國人才的機遇。“中國人才聰明又勤奮，但之前理論功夫紮實，而缺乏這樣的工業鍛鍊，在全球化競爭中吃虧在所難免。”劉歡教授就在分享中感慨，求學海外和發展過程中，他有幸遇到俞士綸教授指點和提攜，才不斷在業界站穩腳跟。
"“這樣的比賽還可以 ｍｏｒｅ ａｎｄ ｍｏｒｅ．”
在答辯頒獎後，兩位ＡＩ權威如此慨嘆。
一位是伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ），另一位是亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ）。
他們評價，無論是機器學習還是數據挖掘，光從教材和學校解決問題，太過單薄，所以他們殷切希望國內產學研結合的大賽能多多益善。
而且騰訊願意提供脫敏數據集，提供計算平臺和豐厚獎勵。
不論是經過脫敏處理的真實業務數據，還是接地氣的真實應用場景，都可以讓更多人才學以致用，甚至能讓那些名校之外的學生，也有機會用實踐成績來證明自己——這一價值，儼然早已遠遠超出了比賽本身。
讓他們如此激動的是“２０１９騰訊廣告算法大賽”。
三年磨劍：業務數據，真實場景
騰訊廣告算法大賽，已是連續第三年舉辦。
今年的賽題是“廣告曝光預估”，一項騰訊廣告在真實業務場景中面向廣告主提供的重要服務。
所謂曝光預估，是在廣告主創建新廣告和修改廣告設置時，為廣告主提供未來的廣告曝光效果參考。
通過預估參考，廣告主可以根據曝光預估結果提前調整出價、定向、時段等設置，結合自身的投放預期選擇最適合自己的設置，而不是投放幾天之後再去修改，能避免盲目的優化嘗試，有效縮短廣告的優化週期，降低試錯成本，使廣告效果儘快達到廣告主的預期範圍。
但打造這樣一個算法模型，並不輕而易舉。
從騰訊廣告的實際場景來說，效果廣告主要是展示類廣告，背後的算法引擎，本質是一個推薦框架。
技術角度而言，它首先將廣告設置的人群定向、投放時段、選擇的流量版位、競價方式、出價等廣告業務語言來轉化為描述廣告覆蓋用戶人群的範圍大小以及競爭環境激烈程度、自身競爭力相對水平等可量化的數值指標。
通過對歷史中各類廣告在競價系統中的曝光歷史進行訓練，騰訊廣告需要學習出競爭環境的變化趨勢以及廣告競爭力水平和最終曝光效果的隱藏聯繫，達到預估廣告未來曝光的目標。
而且這也是產學研結合的最佳演武場。
當前大部分機器學習或人工智能的問題，目標方向都是“預估”。
本質上都是通過對已知的歷史記錄中提取和預估目標相關的特徵表達，並訓練出能擬合出最接近預估值的模型。
具體訓練過程即通過損失函數的計算和迭代優化方案，在有限的解空間中搜索誤差最小的最優解的過程。
也是對目標編碼、特徵統計、數據挖掘、歷史平移，模型選擇等一系列基本功的考驗。
因何而來，往何處而去
騰訊廣告副總裁羅徵說，本次大賽既是通過業務場景創造產學研交流機會，也能通過比賽引起更多人才關注，同時也是企業社會責任的一部分。
可能易於被忽略的是，騰訊廣告的數據處理量和對業務場景的多元應用需求，都位於業界前列。
一方面是騰訊龐大的體量和社交媒體地位下，廣告數據非常龐大。加之服務的業務和應用場景很多元， 廣告主對廣告效果也有不同的需求，這就對數據挖掘、特徵學習和模型算法等機器學習應用帶來極大的挑戰。
羅徵也說，很多高校學生知道搜索和推薦系統需要機器學習的加持才能錦上添花。
但可能不知道廣告和營銷業務，同樣是機器學習應用的重要戰場。
首先，騰訊廣告業務面對的數據量非常龐大，本身就為機器學習提供了得天獨厚的數據基礎。
其次，廣告業務的評估目標，非常清晰，結果反饋一目瞭然，能更快幫助機器學習進行模型優化和迭代。
最後，技術的不斷精進對於業務價值的體現也顯而易見。算法越好，模型越強，對於客戶（廣告主）和用戶的體驗，都是雙提升。
當然，技術為業務所帶來的價值，也是騰訊廣告可以將算法大賽持續舉辦下去的驅動力之一。
實際上，本次大賽前後歷時３個月，共有海內外１０，５７１人蔘加——如果從數據挖掘領域來看，已是全球參賽人數最多的比賽之一了。·
而騰訊廣告除了提供資源——提供真實業務場景下經過脫敏處理後的數據集，與騰訊雲合作提供智能鈦機器學習平臺，並且拿出真金白銀獎勵優勝者。
所以搭臺舉辦算法大賽，並不比寫代碼調模型簡單。
但羅徵認為這一賽事值得做，而且想基於大賽提供更友好的算法交流環境，比如將賽題數據集面向學術研究開源。
這位騰訊廣告副總裁博士學成於ＭＩＴ計算機系，在２０１２年加盟騰訊前，曾在谷歌公司任職八年，負責ＡｄＳｅｎｓｅ廣告系統、谷歌字典等項目的研發管理工作。因此，他深知產學研結合對於產業和人才推動的重要意義。
而且從騰訊廣告角度，通過算法大賽，也是吸引更多優秀人才，以及向客戶展示業務技術實力的方式之一。
但無論如何，這樣源自產業，學界受益，產學研都得到推動的比賽，已經展現出越來越多的持續良性循環。
△伊利諾伊大學芝加哥分校傑出教授
俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ）
從美國遠道而來的大賽評委嘉賓：伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ）和亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ），都為此感慨中國ＡＩ面臨的歷史機遇。
一方面，越來越多的中國公司願意反哺學界，出錢出資源舉辦這樣的大賽，可以讓更多人才得到產學一體的鍛鍊機會，學以致用。
縱觀全球ＡＩ發展，神經網絡早在８０年代就已發明，但只有ＩｍａｇｅＮｅｔ等數據集和比賽的出現，才真正意義把深度學習推向了最前線。
而中國公司經過互聯網和移動互聯網時代發展，現在有能力和實力可以做更多事情，龍頭公司如騰訊願意做這樣的事情，還能起到帶頭作用，利於整個業界。
另一方面，這也潛藏著中國人才的機遇。“中國人才聰明又勤奮，但之前理論功夫紮實，而缺乏這樣的工業鍛鍊，在全球化競爭中吃虧在所難免。”劉歡教授就在分享中感慨，求學海外和發展過程中，他有幸遇到俞士綸教授指點和提攜，才不斷在業界站穩腳跟。
△亞利桑那州立大學計算機科學與工程教授
劉歡（Ｈｕａｎ Ｌｉｕ）
但現在如騰訊廣告算法大賽，本身就在創造一個人才交流和互助的平臺，工業界或更大平臺裡需要的合作能力、領導能力，都可以在其中得到鍛鍊。
所以大環境不斷利好，沒有理由不相信，這一代中國ＡＩ人才成長可以更快、更強、更全面。
ＡＩ萌新，生逢其時
這種更快更強更全面的ＡＩ養成環境，本次參賽選手也感受頗深。
本次“終極之戰”的答辯現場，共有１０支從複賽脫穎而出的隊伍上臺經受最後檢驗。
與往年不同的是，今年除新增了外部評委外，還進一步提供現場打分環節，評委對選手的現場風采、代碼質量及比賽策略進行現場亮分，為選手們提供公平、透明的競技平臺。
"“這樣的比賽還可以 ｍｏｒｅ ａｎｄ ｍｏｒｅ．”
在答辯頒獎後，兩位ＡＩ權威如此慨嘆。
一位是伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ），另一位是亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ）。
他們評價，無論是機器學習還是數據挖掘，光從教材和學校解決問題，太過單薄，所以他們殷切希望國內產學研結合的大賽能多多益善。
而且騰訊願意提供脫敏數據集，提供計算平臺和豐厚獎勵。
不論是經過脫敏處理的真實業務數據，還是接地氣的真實應用場景，都可以讓更多人才學以致用，甚至能讓那些名校之外的學生，也有機會用實踐成績來證明自己——這一價值，儼然早已遠遠超出了比賽本身。
讓他們如此激動的是“２０１９騰訊廣告算法大賽”。
三年磨劍：業務數據，真實場景
騰訊廣告算法大賽，已是連續第三年舉辦。
今年的賽題是“廣告曝光預估”，一項騰訊廣告在真實業務場景中面向廣告主提供的重要服務。
所謂曝光預估，是在廣告主創建新廣告和修改廣告設置時，為廣告主提供未來的廣告曝光效果參考。
通過預估參考，廣告主可以根據曝光預估結果提前調整出價、定向、時段等設置，結合自身的投放預期選擇最適合自己的設置，而不是投放幾天之後再去修改，能避免盲目的優化嘗試，有效縮短廣告的優化週期，降低試錯成本，使廣告效果儘快達到廣告主的預期範圍。
但打造這樣一個算法模型，並不輕而易舉。
從騰訊廣告的實際場景來說，效果廣告主要是展示類廣告，背後的算法引擎，本質是一個推薦框架。
技術角度而言，它首先將廣告設置的人群定向、投放時段、選擇的流量版位、競價方式、出價等廣告業務語言來轉化為描述廣告覆蓋用戶人群的範圍大小以及競爭環境激烈程度、自身競爭力相對水平等可量化的數值指標。
通過對歷史中各類廣告在競價系統中的曝光歷史進行訓練，騰訊廣告需要學習出競爭環境的變化趨勢以及廣告競爭力水平和最終曝光效果的隱藏聯繫，達到預估廣告未來曝光的目標。
而且這也是產學研結合的最佳演武場。
當前大部分機器學習或人工智能的問題，目標方向都是“預估”。
本質上都是通過對已知的歷史記錄中提取和預估目標相關的特徵表達，並訓練出能擬合出最接近預估值的模型。
具體訓練過程即通過損失函數的計算和迭代優化方案，在有限的解空間中搜索誤差最小的最優解的過程。
也是對目標編碼、特徵統計、數據挖掘、歷史平移，模型選擇等一系列基本功的考驗。
因何而來，往何處而去
騰訊廣告副總裁羅徵說，本次大賽既是通過業務場景創造產學研交流機會，也能通過比賽引起更多人才關注，同時也是企業社會責任的一部分。
可能易於被忽略的是，騰訊廣告的數據處理量和對業務場景的多元應用需求，都位於業界前列。
一方面是騰訊龐大的體量和社交媒體地位下，廣告數據非常龐大。加之服務的業務和應用場景很多元， 廣告主對廣告效果也有不同的需求，這就對數據挖掘、特徵學習和模型算法等機器學習應用帶來極大的挑戰。
羅徵也說，很多高校學生知道搜索和推薦系統需要機器學習的加持才能錦上添花。
但可能不知道廣告和營銷業務，同樣是機器學習應用的重要戰場。
首先，騰訊廣告業務面對的數據量非常龐大，本身就為機器學習提供了得天獨厚的數據基礎。
其次，廣告業務的評估目標，非常清晰，結果反饋一目瞭然，能更快幫助機器學習進行模型優化和迭代。
最後，技術的不斷精進對於業務價值的體現也顯而易見。算法越好，模型越強，對於客戶（廣告主）和用戶的體驗，都是雙提升。
當然，技術為業務所帶來的價值，也是騰訊廣告可以將算法大賽持續舉辦下去的驅動力之一。
實際上，本次大賽前後歷時３個月，共有海內外１０，５７１人蔘加——如果從數據挖掘領域來看，已是全球參賽人數最多的比賽之一了。·
而騰訊廣告除了提供資源——提供真實業務場景下經過脫敏處理後的數據集，與騰訊雲合作提供智能鈦機器學習平臺，並且拿出真金白銀獎勵優勝者。
所以搭臺舉辦算法大賽，並不比寫代碼調模型簡單。
但羅徵認為這一賽事值得做，而且想基於大賽提供更友好的算法交流環境，比如將賽題數據集面向學術研究開源。
這位騰訊廣告副總裁博士學成於ＭＩＴ計算機系，在２０１２年加盟騰訊前，曾在谷歌公司任職八年，負責ＡｄＳｅｎｓｅ廣告系統、谷歌字典等項目的研發管理工作。因此，他深知產學研結合對於產業和人才推動的重要意義。
而且從騰訊廣告角度，通過算法大賽，也是吸引更多優秀人才，以及向客戶展示業務技術實力的方式之一。
但無論如何，這樣源自產業，學界受益，產學研都得到推動的比賽，已經展現出越來越多的持續良性循環。
△伊利諾伊大學芝加哥分校傑出教授
俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ）
從美國遠道而來的大賽評委嘉賓：伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ）和亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ），都為此感慨中國ＡＩ面臨的歷史機遇。
一方面，越來越多的中國公司願意反哺學界，出錢出資源舉辦這樣的大賽，可以讓更多人才得到產學一體的鍛鍊機會，學以致用。
縱觀全球ＡＩ發展，神經網絡早在８０年代就已發明，但只有ＩｍａｇｅＮｅｔ等數據集和比賽的出現，才真正意義把深度學習推向了最前線。
而中國公司經過互聯網和移動互聯網時代發展，現在有能力和實力可以做更多事情，龍頭公司如騰訊願意做這樣的事情，還能起到帶頭作用，利於整個業界。
另一方面，這也潛藏著中國人才的機遇。“中國人才聰明又勤奮，但之前理論功夫紮實，而缺乏這樣的工業鍛鍊，在全球化競爭中吃虧在所難免。”劉歡教授就在分享中感慨，求學海外和發展過程中，他有幸遇到俞士綸教授指點和提攜，才不斷在業界站穩腳跟。
△亞利桑那州立大學計算機科學與工程教授
劉歡（Ｈｕａｎ Ｌｉｕ）
但現在如騰訊廣告算法大賽，本身就在創造一個人才交流和互助的平臺，工業界或更大平臺裡需要的合作能力、領導能力，都可以在其中得到鍛鍊。
所以大環境不斷利好，沒有理由不相信，這一代中國ＡＩ人才成長可以更快、更強、更全面。
ＡＩ萌新，生逢其時
這種更快更強更全面的ＡＩ養成環境，本次參賽選手也感受頗深。
本次“終極之戰”的答辯現場，共有１０支從複賽脫穎而出的隊伍上臺經受最後檢驗。
與往年不同的是，今年除新增了外部評委外，還進一步提供現場打分環節，評委對選手的現場風采、代碼質量及比賽策略進行現場亮分，為選手們提供公平、透明的競技平臺。
不過這複賽１０強，身份背景也頗有意思。
並非所有人都來自高校，也並非所有隊伍都是計算機背景。
比如參賽隊伍ｄｄｗ，三位隊員都是廈門大學經濟學院統計系的學生，他們首次參加ＡＩ相關競賽，雖然缺乏代碼經驗的他們也在比賽中吃了不少虧，但還是憑藉對問題的準確理解，從解決問題出發，找到優化之路，最終獲得第五名的好成績。
還有電信子公司甜橙金融的ＤａｔａＡＩ團隊，也花費了業餘時間參賽。他們的團隊組成也是十分有趣，甜橙金融的老闆傅劍文帶著他的員工章建森及陳心童組成隊伍，並且在決賽獲得第四的好成績。隊員們在甜橙內部主要負責風控算法，今年看到“預估”類話題，決定來一試身手，還自謙說“希望認識更多大佬”。
雖是謙虛，但交流和結識朋友確實絕非先例。
在整個過程中，很多團隊並非從一開始就因為認識而組隊，不少人則是“不打不相識”，因為參賽而結緣，進一步在賽事交流群內找到志同道合的隊友一起作戰。
所以也能看到不少跨校，甚至跨國的組合。
本次拿下第七名的“人工智障”團隊，核心三位成員分別來自法國巴黎、蘇州大學和電子科技大學。
在巴黎工作的陸劼介紹說，看到大賽介紹後，希望在工作之餘試一試，先是報名參加了比賽，再在群內找到了兩位志同道合的同伴，攜手合作一路闖入決賽。
由於天各一方，他們在決賽答辯前都保持遠程線上交流，本次他也是專程從巴黎趕赴深圳，和他的好隊友進行“網友面基”。
最後他們的方案斬獲決賽第七，大賽給他們留下的是一段跨國跨校協作的回憶和友誼。
此外，騰訊廣告算法大賽也讓一些對ＡＩ和機器學習等感興趣的同學，驗證了研究興趣，找到了持續鑽研的信心。
"“這樣的比賽還可以 ｍｏｒｅ ａｎｄ ｍｏｒｅ．”
在答辯頒獎後，兩位ＡＩ權威如此慨嘆。
一位是伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ），另一位是亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ）。
他們評價，無論是機器學習還是數據挖掘，光從教材和學校解決問題，太過單薄，所以他們殷切希望國內產學研結合的大賽能多多益善。
而且騰訊願意提供脫敏數據集，提供計算平臺和豐厚獎勵。
不論是經過脫敏處理的真實業務數據，還是接地氣的真實應用場景，都可以讓更多人才學以致用，甚至能讓那些名校之外的學生，也有機會用實踐成績來證明自己——這一價值，儼然早已遠遠超出了比賽本身。
讓他們如此激動的是“２０１９騰訊廣告算法大賽”。
三年磨劍：業務數據，真實場景
騰訊廣告算法大賽，已是連續第三年舉辦。
今年的賽題是“廣告曝光預估”，一項騰訊廣告在真實業務場景中面向廣告主提供的重要服務。
所謂曝光預估，是在廣告主創建新廣告和修改廣告設置時，為廣告主提供未來的廣告曝光效果參考。
通過預估參考，廣告主可以根據曝光預估結果提前調整出價、定向、時段等設置，結合自身的投放預期選擇最適合自己的設置，而不是投放幾天之後再去修改，能避免盲目的優化嘗試，有效縮短廣告的優化週期，降低試錯成本，使廣告效果儘快達到廣告主的預期範圍。
但打造這樣一個算法模型，並不輕而易舉。
從騰訊廣告的實際場景來說，效果廣告主要是展示類廣告，背後的算法引擎，本質是一個推薦框架。
技術角度而言，它首先將廣告設置的人群定向、投放時段、選擇的流量版位、競價方式、出價等廣告業務語言來轉化為描述廣告覆蓋用戶人群的範圍大小以及競爭環境激烈程度、自身競爭力相對水平等可量化的數值指標。
通過對歷史中各類廣告在競價系統中的曝光歷史進行訓練，騰訊廣告需要學習出競爭環境的變化趨勢以及廣告競爭力水平和最終曝光效果的隱藏聯繫，達到預估廣告未來曝光的目標。
而且這也是產學研結合的最佳演武場。
當前大部分機器學習或人工智能的問題，目標方向都是“預估”。
本質上都是通過對已知的歷史記錄中提取和預估目標相關的特徵表達，並訓練出能擬合出最接近預估值的模型。
具體訓練過程即通過損失函數的計算和迭代優化方案，在有限的解空間中搜索誤差最小的最優解的過程。
也是對目標編碼、特徵統計、數據挖掘、歷史平移，模型選擇等一系列基本功的考驗。
因何而來，往何處而去
騰訊廣告副總裁羅徵說，本次大賽既是通過業務場景創造產學研交流機會，也能通過比賽引起更多人才關注，同時也是企業社會責任的一部分。
可能易於被忽略的是，騰訊廣告的數據處理量和對業務場景的多元應用需求，都位於業界前列。
一方面是騰訊龐大的體量和社交媒體地位下，廣告數據非常龐大。加之服務的業務和應用場景很多元， 廣告主對廣告效果也有不同的需求，這就對數據挖掘、特徵學習和模型算法等機器學習應用帶來極大的挑戰。
羅徵也說，很多高校學生知道搜索和推薦系統需要機器學習的加持才能錦上添花。
但可能不知道廣告和營銷業務，同樣是機器學習應用的重要戰場。
首先，騰訊廣告業務面對的數據量非常龐大，本身就為機器學習提供了得天獨厚的數據基礎。
其次，廣告業務的評估目標，非常清晰，結果反饋一目瞭然，能更快幫助機器學習進行模型優化和迭代。
最後，技術的不斷精進對於業務價值的體現也顯而易見。算法越好，模型越強，對於客戶（廣告主）和用戶的體驗，都是雙提升。
當然，技術為業務所帶來的價值，也是騰訊廣告可以將算法大賽持續舉辦下去的驅動力之一。
實際上，本次大賽前後歷時３個月，共有海內外１０，５７１人蔘加——如果從數據挖掘領域來看，已是全球參賽人數最多的比賽之一了。·
而騰訊廣告除了提供資源——提供真實業務場景下經過脫敏處理後的數據集，與騰訊雲合作提供智能鈦機器學習平臺，並且拿出真金白銀獎勵優勝者。
所以搭臺舉辦算法大賽，並不比寫代碼調模型簡單。
但羅徵認為這一賽事值得做，而且想基於大賽提供更友好的算法交流環境，比如將賽題數據集面向學術研究開源。
這位騰訊廣告副總裁博士學成於ＭＩＴ計算機系，在２０１２年加盟騰訊前，曾在谷歌公司任職八年，負責ＡｄＳｅｎｓｅ廣告系統、谷歌字典等項目的研發管理工作。因此，他深知產學研結合對於產業和人才推動的重要意義。
而且從騰訊廣告角度，通過算法大賽，也是吸引更多優秀人才，以及向客戶展示業務技術實力的方式之一。
但無論如何，這樣源自產業，學界受益，產學研都得到推動的比賽，已經展現出越來越多的持續良性循環。
△伊利諾伊大學芝加哥分校傑出教授
俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ）
從美國遠道而來的大賽評委嘉賓：伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ）和亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ），都為此感慨中國ＡＩ面臨的歷史機遇。
一方面，越來越多的中國公司願意反哺學界，出錢出資源舉辦這樣的大賽，可以讓更多人才得到產學一體的鍛鍊機會，學以致用。
縱觀全球ＡＩ發展，神經網絡早在８０年代就已發明，但只有ＩｍａｇｅＮｅｔ等數據集和比賽的出現，才真正意義把深度學習推向了最前線。
而中國公司經過互聯網和移動互聯網時代發展，現在有能力和實力可以做更多事情，龍頭公司如騰訊願意做這樣的事情，還能起到帶頭作用，利於整個業界。
另一方面，這也潛藏著中國人才的機遇。“中國人才聰明又勤奮，但之前理論功夫紮實，而缺乏這樣的工業鍛鍊，在全球化競爭中吃虧在所難免。”劉歡教授就在分享中感慨，求學海外和發展過程中，他有幸遇到俞士綸教授指點和提攜，才不斷在業界站穩腳跟。
△亞利桑那州立大學計算機科學與工程教授
劉歡（Ｈｕａｎ Ｌｉｕ）
但現在如騰訊廣告算法大賽，本身就在創造一個人才交流和互助的平臺，工業界或更大平臺裡需要的合作能力、領導能力，都可以在其中得到鍛鍊。
所以大環境不斷利好，沒有理由不相信，這一代中國ＡＩ人才成長可以更快、更強、更全面。
ＡＩ萌新，生逢其時
這種更快更強更全面的ＡＩ養成環境，本次參賽選手也感受頗深。
本次“終極之戰”的答辯現場，共有１０支從複賽脫穎而出的隊伍上臺經受最後檢驗。
與往年不同的是，今年除新增了外部評委外，還進一步提供現場打分環節，評委對選手的現場風采、代碼質量及比賽策略進行現場亮分，為選手們提供公平、透明的競技平臺。
不過這複賽１０強，身份背景也頗有意思。
並非所有人都來自高校，也並非所有隊伍都是計算機背景。
比如參賽隊伍ｄｄｗ，三位隊員都是廈門大學經濟學院統計系的學生，他們首次參加ＡＩ相關競賽，雖然缺乏代碼經驗的他們也在比賽中吃了不少虧，但還是憑藉對問題的準確理解，從解決問題出發，找到優化之路，最終獲得第五名的好成績。
還有電信子公司甜橙金融的ＤａｔａＡＩ團隊，也花費了業餘時間參賽。他們的團隊組成也是十分有趣，甜橙金融的老闆傅劍文帶著他的員工章建森及陳心童組成隊伍，並且在決賽獲得第四的好成績。隊員們在甜橙內部主要負責風控算法，今年看到“預估”類話題，決定來一試身手，還自謙說“希望認識更多大佬”。
雖是謙虛，但交流和結識朋友確實絕非先例。
在整個過程中，很多團隊並非從一開始就因為認識而組隊，不少人則是“不打不相識”，因為參賽而結緣，進一步在賽事交流群內找到志同道合的隊友一起作戰。
所以也能看到不少跨校，甚至跨國的組合。
本次拿下第七名的“人工智障”團隊，核心三位成員分別來自法國巴黎、蘇州大學和電子科技大學。
在巴黎工作的陸劼介紹說，看到大賽介紹後，希望在工作之餘試一試，先是報名參加了比賽，再在群內找到了兩位志同道合的同伴，攜手合作一路闖入決賽。
由於天各一方，他們在決賽答辯前都保持遠程線上交流，本次他也是專程從巴黎趕赴深圳，和他的好隊友進行“網友面基”。
最後他們的方案斬獲決賽第七，大賽給他們留下的是一段跨國跨校協作的回憶和友誼。
此外，騰訊廣告算法大賽也讓一些對ＡＩ和機器學習等感興趣的同學，驗證了研究興趣，找到了持續鑽研的信心。
２０１９騰訊廣告算法大賽和答辯單項獎的雙料Ｎｏ．１，是來自哈爾濱工業大學二年級碩士生劉育源、中山大學微軟亞洲研究院聯合培養博士生郭達雅及武漢大學二年級碩士生王賀組建的三人團隊——“魚遇雨欲語與餘”。該隊伍從複賽第一週就取得了十分亮眼的成績。這支配合高能的隊伍，終於在終極舞臺得到最高嘉獎。
而且這支團隊，也在解決問題中“不知不覺”探索了ＡＩ學術前沿。他們在算法模型打磨中，用了各種維度的數據，最終在結果上比其他隊伍更強。
而根據俞士綸教授的評價，他們已經在有意無意使用“廣度學習”的方法。
這波ＡＩ浪潮復興以來，深度學習人盡皆知，但其實在另一層面，廣度學習也正在帶來新的可能，它們一齊把ＡＩ發展帶向新高度。
所以產學研一體，有時聽起來像是高屋建瓴的指導方針，但在騰訊廣告算法大賽上，選手們所展現出來的成果也證明了產學融合的必要性。
這讓主辦方和參賽選手都收穫更多成就感。
"“這樣的比賽還可以 ｍｏｒｅ ａｎｄ ｍｏｒｅ．”
在答辯頒獎後，兩位ＡＩ權威如此慨嘆。
一位是伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ），另一位是亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ）。
他們評價，無論是機器學習還是數據挖掘，光從教材和學校解決問題，太過單薄，所以他們殷切希望國內產學研結合的大賽能多多益善。
而且騰訊願意提供脫敏數據集，提供計算平臺和豐厚獎勵。
不論是經過脫敏處理的真實業務數據，還是接地氣的真實應用場景，都可以讓更多人才學以致用，甚至能讓那些名校之外的學生，也有機會用實踐成績來證明自己——這一價值，儼然早已遠遠超出了比賽本身。
讓他們如此激動的是“２０１９騰訊廣告算法大賽”。
三年磨劍：業務數據，真實場景
騰訊廣告算法大賽，已是連續第三年舉辦。
今年的賽題是“廣告曝光預估”，一項騰訊廣告在真實業務場景中面向廣告主提供的重要服務。
所謂曝光預估，是在廣告主創建新廣告和修改廣告設置時，為廣告主提供未來的廣告曝光效果參考。
通過預估參考，廣告主可以根據曝光預估結果提前調整出價、定向、時段等設置，結合自身的投放預期選擇最適合自己的設置，而不是投放幾天之後再去修改，能避免盲目的優化嘗試，有效縮短廣告的優化週期，降低試錯成本，使廣告效果儘快達到廣告主的預期範圍。
但打造這樣一個算法模型，並不輕而易舉。
從騰訊廣告的實際場景來說，效果廣告主要是展示類廣告，背後的算法引擎，本質是一個推薦框架。
技術角度而言，它首先將廣告設置的人群定向、投放時段、選擇的流量版位、競價方式、出價等廣告業務語言來轉化為描述廣告覆蓋用戶人群的範圍大小以及競爭環境激烈程度、自身競爭力相對水平等可量化的數值指標。
通過對歷史中各類廣告在競價系統中的曝光歷史進行訓練，騰訊廣告需要學習出競爭環境的變化趨勢以及廣告競爭力水平和最終曝光效果的隱藏聯繫，達到預估廣告未來曝光的目標。
而且這也是產學研結合的最佳演武場。
當前大部分機器學習或人工智能的問題，目標方向都是“預估”。
本質上都是通過對已知的歷史記錄中提取和預估目標相關的特徵表達，並訓練出能擬合出最接近預估值的模型。
具體訓練過程即通過損失函數的計算和迭代優化方案，在有限的解空間中搜索誤差最小的最優解的過程。
也是對目標編碼、特徵統計、數據挖掘、歷史平移，模型選擇等一系列基本功的考驗。
因何而來，往何處而去
騰訊廣告副總裁羅徵說，本次大賽既是通過業務場景創造產學研交流機會，也能通過比賽引起更多人才關注，同時也是企業社會責任的一部分。
可能易於被忽略的是，騰訊廣告的數據處理量和對業務場景的多元應用需求，都位於業界前列。
一方面是騰訊龐大的體量和社交媒體地位下，廣告數據非常龐大。加之服務的業務和應用場景很多元， 廣告主對廣告效果也有不同的需求，這就對數據挖掘、特徵學習和模型算法等機器學習應用帶來極大的挑戰。
羅徵也說，很多高校學生知道搜索和推薦系統需要機器學習的加持才能錦上添花。
但可能不知道廣告和營銷業務，同樣是機器學習應用的重要戰場。
首先，騰訊廣告業務面對的數據量非常龐大，本身就為機器學習提供了得天獨厚的數據基礎。
其次，廣告業務的評估目標，非常清晰，結果反饋一目瞭然，能更快幫助機器學習進行模型優化和迭代。
最後，技術的不斷精進對於業務價值的體現也顯而易見。算法越好，模型越強，對於客戶（廣告主）和用戶的體驗，都是雙提升。
當然，技術為業務所帶來的價值，也是騰訊廣告可以將算法大賽持續舉辦下去的驅動力之一。
實際上，本次大賽前後歷時３個月，共有海內外１０，５７１人蔘加——如果從數據挖掘領域來看，已是全球參賽人數最多的比賽之一了。·
而騰訊廣告除了提供資源——提供真實業務場景下經過脫敏處理後的數據集，與騰訊雲合作提供智能鈦機器學習平臺，並且拿出真金白銀獎勵優勝者。
所以搭臺舉辦算法大賽，並不比寫代碼調模型簡單。
但羅徵認為這一賽事值得做，而且想基於大賽提供更友好的算法交流環境，比如將賽題數據集面向學術研究開源。
這位騰訊廣告副總裁博士學成於ＭＩＴ計算機系，在２０１２年加盟騰訊前，曾在谷歌公司任職八年，負責ＡｄＳｅｎｓｅ廣告系統、谷歌字典等項目的研發管理工作。因此，他深知產學研結合對於產業和人才推動的重要意義。
而且從騰訊廣告角度，通過算法大賽，也是吸引更多優秀人才，以及向客戶展示業務技術實力的方式之一。
但無論如何，這樣源自產業，學界受益，產學研都得到推動的比賽，已經展現出越來越多的持續良性循環。
△伊利諾伊大學芝加哥分校傑出教授
俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ）
從美國遠道而來的大賽評委嘉賓：伊利諾伊大學芝加哥分校傑出教授俞士綸（Ｐｈｉｌｉｐ Ｓ． Ｙｕ）和亞利桑那州立大學計算機科學與工程教授劉歡（Ｈｕａｎ Ｌｉｕ），都為此感慨中國ＡＩ面臨的歷史機遇。
一方面，越來越多的中國公司願意反哺學界，出錢出資源舉辦這樣的大賽，可以讓更多人才得到產學一體的鍛鍊機會，學以致用。
縱觀全球ＡＩ發展，神經網絡早在８０年代就已發明，但只有ＩｍａｇｅＮｅｔ等數據集和比賽的出現，才真正意義把深度學習推向了最前線。
而中國公司經過互聯網和移動互聯網時代發展，現在有能力和實力可以做更多事情，龍頭公司如騰訊願意做這樣的事情，還能起到帶頭作用，利於整個業界。
另一方面，這也潛藏著中國人才的機遇。“中國人才聰明又勤奮，但之前理論功夫紮實，而缺乏這樣的工業鍛鍊，在全球化競爭中吃虧在所難免。”劉歡教授就在分享中感慨，求學海外和發展過程中，他有幸遇到俞士綸教授指點和提攜，才不斷在業界站穩腳跟。
△亞利桑那州立大學計算機科學與工程教授
劉歡（Ｈｕａｎ Ｌｉｕ）
但現在如騰訊廣告算法大賽，本身就在創造一個人才交流和互助的平臺，工業界或更大平臺裡需要的合作能力、領導能力，都可以在其中得到鍛鍊。
所以大環境不斷利好，沒有理由不相信，這一代中國ＡＩ人才成長可以更快、更強、更全面。
ＡＩ萌新，生逢其時
這種更快更強更全面的ＡＩ養成環境，本次參賽選手也感受頗深。
本次“終極之戰”的答辯現場，共有１０支從複賽脫穎而出的隊伍上臺經受最後檢驗。
與往年不同的是，今年除新增了外部評委外，還進一步提供現場打分環節，評委對選手的現場風采、代碼質量及比賽策略進行現場亮分，為選手們提供公平、透明的競技平臺。
不過這複賽１０強，身份背景也頗有意思。
並非所有人都來自高校，也並非所有隊伍都是計算機背景。
比如參賽隊伍ｄｄｗ，三位隊員都是廈門大學經濟學院統計系的學生，他們首次參加ＡＩ相關競賽，雖然缺乏代碼經驗的他們也在比賽中吃了不少虧，但還是憑藉對問題的準確理解，從解決問題出發，找到優化之路，最終獲得第五名的好成績。
還有電信子公司甜橙金融的ＤａｔａＡＩ團隊，也花費了業餘時間參賽。他們的團隊組成也是十分有趣，甜橙金融的老闆傅劍文帶著他的員工章建森及陳心童組成隊伍，並且在決賽獲得第四的好成績。隊員們在甜橙內部主要負責風控算法，今年看到“預估”類話題，決定來一試身手，還自謙說“希望認識更多大佬”。
雖是謙虛，但交流和結識朋友確實絕非先例。
在整個過程中，很多團隊並非從一開始就因為認識而組隊，不少人則是“不打不相識”，因為參賽而結緣，進一步在賽事交流群內找到志同道合的隊友一起作戰。
所以也能看到不少跨校，甚至跨國的組合。
本次拿下第七名的“人工智障”團隊，核心三位成員分別來自法國巴黎、蘇州大學和電子科技大學。
在巴黎工作的陸劼介紹說，看到大賽介紹後，希望在工作之餘試一試，先是報名參加了比賽，再在群內找到了兩位志同道合的同伴，攜手合作一路闖入決賽。
由於天各一方，他們在決賽答辯前都保持遠程線上交流，本次他也是專程從巴黎趕赴深圳，和他的好隊友進行“網友面基”。
最後他們的方案斬獲決賽第七，大賽給他們留下的是一段跨國跨校協作的回憶和友誼。
此外，騰訊廣告算法大賽也讓一些對ＡＩ和機器學習等感興趣的同學，驗證了研究興趣，找到了持續鑽研的信心。
２０１９騰訊廣告算法大賽和答辯單項獎的雙料Ｎｏ．１，是來自哈爾濱工業大學二年級碩士生劉育源、中山大學微軟亞洲研究院聯合培養博士生郭達雅及武漢大學二年級碩士生王賀組建的三人團隊——“魚遇雨欲語與餘”。該隊伍從複賽第一週就取得了十分亮眼的成績。這支配合高能的隊伍，終於在終極舞臺得到最高嘉獎。
而且這支團隊，也在解決問題中“不知不覺”探索了ＡＩ學術前沿。他們在算法模型打磨中，用了各種維度的數據，最終在結果上比其他隊伍更強。
而根據俞士綸教授的評價，他們已經在有意無意使用“廣度學習”的方法。
這波ＡＩ浪潮復興以來，深度學習人盡皆知，但其實在另一層面，廣度學習也正在帶來新的可能，它們一齊把ＡＩ發展帶向新高度。
所以產學研一體，有時聽起來像是高屋建瓴的指導方針，但在騰訊廣告算法大賽上，選手們所展現出來的成果也證明了產學融合的必要性。
這讓主辦方和參賽選手都收穫更多成就感。
騰訊廣告の技術縮影
其中羅徵，自然是對騰訊廣告算法大賽最富期待的那個人。
他說，騰訊廣告技術團隊，應該是鵝廠內部對機器學習和算力要求最高的團隊之一。
而且騰訊廣告雖然是重要的業務團隊，但也滿懷技術探索之心。
他們每年拿來做算法大賽挑戰的賽題，不僅在實際業務中具有重要地位，而且自身所探索的算法在行業內也屬於業界前沿——算是程序員們不斷自我挑戰的方式之一。
羅徵透露，內部還會發起一些有趣的研究，比如讓ＡＩ系統去評價一條廣告，或是如何評判一個廣告創意的“美感”，再或是從視覺化上做一些相應的算法探索。
窺一斑而見全豹。無論是算法大賽舉辦，還是內部興趣研究，都是騰訊廣告技術積累和信仰的縮影。
羅徵認為，ＡＩ等新技術帶來了機遇，讓廣告等數據量豐富的領域可以做得更好更有意思，他們也希望能夠打磨出更高水準的技術，一方面是讓廣告主體驗更流暢，廣告能效更高，另一方面也讓用戶體驗更人性。
不過鵝廠風格低調，如果沒有此次的騰訊廣告算法大賽，可能更多人還一直在低估如此重要的ＡＩ戰場。
騰訊２０週年前夕迎來了“９３０”組織架構變革，騰訊廣告業務被進一步整合，並且強調技術在業務和產品中更重要的作用。
而在今年５月的騰訊智慧營銷峰會上，騰訊總裁劉熾平把騰訊廣告的戰略升級形容為“廣告＋”，其中共要實現四個“＋”，讓營銷服務無論對廣告主，還是對消費者，都可以提供更好的價值。而其中第一個“＋”，就是要“廣告＋技術”，通過ＡＩ等技術，幫客戶實現有效投放，減少浪費，同時有更高的用戶體驗。
而且廣告業務，還在巨頭騰訊的營收中越來越重要。
在騰訊２０１９ Ｑ１的財報中，網絡廣告業務的收入同比增長２５％至人民幣１３３．７７億元。社交及其他廣告收入增長３４％至人民幣９８．９８億元，並且從增長趨勢來看，還會不斷穩固向前。
所以，如果提到騰訊和其技術應用，未來能聯想到的，恐怕不僅僅只有各大ＡＩ實驗室了。騰訊廣告，一個可能被低估了的ＡＩ業務，正在越來越矚目。
來源：消費日報網
"