Président: couverture-kun (Ali Mama affichage précis, directeur principal de la technologie)

[New Ji-won EXAMEN Cover-kun, les rivières et les lacs dits « Jing Shi » est le groupe Alibaba « responsable de la réalisation » Ali Mama affichage précis, directeur principal de la technologie. Dans 29 Mars Chi Yuan Industries et Nisshin transition sommet de la technologie AI, couverture-kun chemin détaillé de la migration de la mère Ali à l'apprentissage en profondeur, dans la publicité recommandé étude approfondie, recherche-bibliothèque, l'expérience et les problèmes. Plein de produits secs, le papier apporte mémoire merveilleux.

Ali Mama précise que l'affichage principal directeur du département technique de la couverture-kun dans le surnom de Ali est monde Jing, le monde extérieur est devenu « le génie de l'algorithme. » En 2011, Ali est entré dans la couverture-kun a proposé de Modèle linéaire par morceaux MLR Il a été principalement utilisé pour l'industrie de faire un modèle linéaire simple estimé CTR, car grandement amélioré la précision du CTR et logique estimé. Ces dernières années, le modèle MLR a été largement utilisé dans les opérations de forage dirigé le train et le développement.

Cover-kun a conduit l'équipe a lancé une nouvelle structure de modèle en termes de prévisions CTR - intérêt profond réseau de distribution de réseau utilisateur , Mettre en avant les intérêts de l'utilisateur sont diverses, établies entre l'utilisation de l'apprentissage en profondeur CTR estime dans les correspondances partielles de comportement des utilisateurs et de l'histoire de publicité, plus l'impact plus le degré de concordance des données historiques pour prévoir les résultats, afin de distinguer l'utilisateur actuel points d'intérêt. Dans 29 Mars Chi Yuan Industries et Nisshin transition sommet de la technologie AI, la couverture-kun sur l'interprétation de ces algorithmes.

Cover-kun: Très heureux de communiquer la « étude approfondie de l'évolution de la route » avec vous, la mère Ali est grande plate-forme de marketing des données dans le cadre du groupe Alibaba, une division responsable de Ali Baba a réalisé. J'ai un surnom Ali, Ali, nous sommes toutes les communications internes et tout contact avec le surnom, le nom I est Ali Jing dans le monde, la direction de la recherche est l'apprentissage de la machine, la vision par ordinateur, systèmes de recommandation et de publicité informatique. De premier cycle à l'Université Tsinghua et le Dr J'ai lu, avec spécialisation en vision informatique, l'ajout d'Alibaba technologie de publicité après l'obtention du diplôme, et composé plus tard Ali Mama Division, la division responsable de la publicité Ali produit réalisé. Je suis maintenant la mère d'Ali, chercheur responsable de l'équipe de technologie de publicité ciblée précise responsable du développement des produits sont intelligents de forage, le train de la publicité ciblée, les étudiants sont familiers avec le système Ali pourrait connaître ces deux produits.

Je vais parler des trois parties. Discuter sur l'évolution de l'apprentissage en profondeur dans les données sur Internet, puis parler des opérations ad ou la recherche recommandée à l'intérieur d'apprentissage profondeur comment utiliser, je courais à la recherche d'un problème avec la profondeur d'apprendre à résoudre, et enfin regarder vers l'avenir aux défis futurs.

Tout d'abord, les grandes données sur Internet. données Internet Quelles sont les caractéristiques? La première caractéristique est la conversion à grande échelle dans l'apprentissage des langues de la machine est La dimension est particulièrement élevée, en particulier un grand échantillon Dans les données intranet d'addition a également une multitude de relations internes.

Pour donner un exemple, comme ce sont les données sur un APP typique ou des sites Internet, tandis que de nombreux utilisateurs, l'autre côté beaucoup de matériel aux fournisseurs d'électricité, par exemple, des matériaux que matières premières. Nous avons maintenant beaucoup d'utilisateurs ont beaucoup de biens matériels, qui sont les deux grandes données, vous verrez beaucoup d'actes dans l'histoire, c'est une sorte de connexion entre l'utilisateur avec les marchandises. Et puis l'étendre, chaque utilisateur dispose d'informations de son profil, les utilisateurs voient le titre de produits, les détails pages et les commentaires, etc., étendre si bas très gros volumes de données seront reliés à ces relations ensemble, ce sont les caractéristiques des données Internet .

estimation du CTR . La question classique, par exemple, pourquoi le CTR estimé est important? Ceci est la publicité, recommandation, entreprise de recherche dans la technologie de base L'importance de ces services ne sont pas censés avoir plus de ces trois opérations dans de nombreuses entreprises tant en termes de l'activité de base. Une publicité, estimée CTR de la publicité Pourquoi est-il important? Il y a deux points. Tout d'abord, les estimations du Groupe détail sont un terrain fertile pour l'étude et la recherche de la profondeur du marché de la publicité, beaucoup de nouvelles technologies pour explorer et évoluer. Deuxièmement, le revenu estimé CTR est directement liée à la plate-forme de sociétés Internet, il est en fait plus important pour l'IA. Nous savons que beaucoup d'entreprises AI, y compris la recherche interne de l'entreprise est en fait la mise en page de l'avenir. Flux de trésorerie d'où? De nombreuses espèces sociétés Internet de la publicité, la publicité si importante.

Est une publicité lancée dans l'étude de la profondeur estimée CTR progrès sur les questions fondamentales, la méthode traditionnelle CTR estimé deux catégories, la première catégorie est Une conception robuste caractéristiques artificielle Les dimensions ne seront pas très élevé, en général, il est une des caractéristiques statistiques solides de certaines pratiques traditionnelles telles caractéristiques de Yahoo en tant que représentant de la société en utilisant une méthode de GBDT. Le problème est que bien que cette méthode est simple et efficace, mais le traitement manuel des données de telle sorte que la perte de données de la résolution, les données des dimensions très faible chute. La deuxième approche grand public, L'expansion des données en données de grande dimension, l'approche classique par régression logistique à grande échelle , La régression logistique est un modèle linéaire généralisé, le modèle est très simple, mais il a limité sa capacité à modéliser.

Avant l'introduction de l'introduction de l'apprentissage en profondeur, j'ai lancé ce premier emploi dans Ali Mama, nous avons une régression logistique à partir du modèle linéaire simple devient modèle non linéaire en trois couches de réseau de neurones. Mentionné une approche classique avec des données à grande échelle + régression logistique, un problème avec cette logique est une régression linéaire trop simple, nous devons faire beaucoup de fonctions manuelles à cet effet fonctionne mieux. Ce qui nous a d'abord pensé, comment nous pouvons faire des algorithmes plus intelligents pour extraire automatiquement le modèle non linéaire dans lequel les données à grande échelle.

Nous l'avons fait un essai, faire un Modèle linéaire par morceaux L'idée sous-jacente est relativement intuitive. Tout l'espace est divisé en un grand nombre de régions, chaque région qui est un modèle linéaire. Différentes régions ne certains connectés en douceur, cet espace est un modèle linéaire par morceaux, alors que le nombre de régions suffisant, un nombre suffisant de fragments, peut se rapprocher des surfaces complexes non linéaires.

Ce modèle est une vue schématique en perspective d'un réseau de neurones. Comment calculer après un échantillon? Tout d'abord, le calcul des membres de chaque région, en supposant qu'il ya quatre régions, calcule un degré d'appartenance. Ceci est précisément d'un échantillon appartenant à la première région, le degré d'appartenance est de 1000, pour chaque région, il existe également un prédicteur linéaire ou classificateur, une valeur prédite pour chaque zone à l'intérieur de la valeur prédite jusqu'à quatre composition est un vecteur. Les vecteurs quatre dimensions ci-dessus et les vecteurs à quatre dimensions suivantes produit interne, la valeur prédite de la première région est choisie, la commodité réelle pour le traitement mathématique d'une composition souple d'expression plutôt que 1000 de telle manière dure.

Découvrez comment ce modèle d'apprentissage est un problème majeur. Nous avons également ajouté l'art de coefficient de paquets, si grand modèle de données a la possibilité de sélectionner automatiquement la fonction. En fin de compte, il sera converti en problèmes de non-convexe non lisse, c'est le modèle proposé en 2011, l'algorithme en 2012 sur la ligne. problème non convexe non lisse était pas bon moyen, la performance de la non-mathématiques est pas lisse partout, il n'y a pas comment dérivé déclin est également un problème mathématique. Bien que pas partout, partout dans cette fonction de guide de direction, nous utilisons la dérivée directionnelle trouver la direction de déclin le plus rapide et accélérée par la méthode quasi-Newton. Le nom de ce travail est appelé régression logistique mixte MLR Accorde-estimé CTR étudiants connaissent peut-être le travail d'un tel. Ceci est une base pour explorer l'étude approfondie de l'application dans notre publicité.

MLR est un réseau neuronal à trois couches, à grande échelle sparse entrée discrète est le produit scalaire de deux vecteurs, deux vecteurs est un vecteur cousent ensemble de long, avec la technologie embarquée est identique. Pour des données spéciales à grande échelle, et non pas les données processus d'incorporation à un espace dans lequel un vecteur, le vecteur d'espace continu consécutif avec une profondeur telle d'apprentissage Multilayer Perceptron, il est très facile à manipuler. La première étape pour essayer l'apprentissage en profondeur est une expérience très importante, tout au long de l'étude approfondie de la conception des vecteurs de la couche du milieu générés par MLR extrait, directement derrière le MLP à faire, se faufiler dans ce vecteur comme un multi-couches Machine d'entrée sensorielle. Cela ne favorise pas l'effet, pour deux raisons. Le premier point, le MLR en mode non linéaire par nature, second point, parce qu'il n'y a pas de fin à la formation de fin.

Le dos d'une percée, l'intégration de l'apprentissage et de la formation MLP mis en place Fin à apprendre , Une augmentation très significative par rapport à la technologie originale. Cela explique aussi pourquoi la profondeur de l'apprentissage pendant près d'une décennie ont des percées importantes et des progrès. S'il n'y a pas de fin de la formation, chaque session de formation avec un modèle peu profond produit fonction re-formation, puis produire une pile couche de fonction vers le bas. Avant que beaucoup de gens ne cherchent pas à venir à travers une telle profondeur de la pile réseau, jusqu'à la fin de l'apprentissage, de sorte que nous obtenons une percée sur de nombreuses questions. Nous l'intégration groupement vertical sur le dessus est le MLP, il devient Ali Mama première génération de réseau d'apprentissage profond , Sur la base de dizaines de milliards d'échantillons, des centaines de millions de dimensions de fonctionnalités, la formation multi-GPU la fin se fait sur une telle ligne d'activité. L'effet sur la ligne et le CTR GMV est très évident.

Introduit en face de l'apprentissage classique en comparaison de la profondeur de l'intérieur de la publicité standardisée, notre direction dans les données Internet, comment être en mesure de faire un meilleur aperçu du modèle d'apprentissage en profondeur par le comportement des utilisateurs. Voici un exemple, nous venons de parler de la technologie embarquée, mettre chaque élément représente un point dans l'espace en intégrant la technologie embarquée, une série de caractéristiques comportementales d'un groupe d'utilisateurs en technologie d'intégration exprimée en un point, cela peut représenter l'utilisateur. Ce point de l'utilisateur de faire le calcul final du degré d'intérêt avec la marchandise, disons que ce calcul est proportionnelle à la distance, puis le point d'intérêt de l'utilisateur sera exprimée en fonction dans cet espace qui deviendra une fonction unique de pointe, se trouve l'utilisateur les points d'intérêt à la place du maximum, le plus loin plus le degré d'intérêt.

En fait, nous dans l'intérêt de l'utilisateur final n'est pas un seul pic? Nous ne le pensons pas. Il n'a pas eu la double expérience de magasinage 11? Est pas dans le panier pour remplir un grand nombre de différents types de produits, ce qui indique les intérêts de l'utilisateur sont diverses, nous sommes dans le nud inactif, on trouve habituellement dans l'intérêt de l'utilisateur est aussi diversifié. séquence de comportement de l'utilisateur il y a beaucoup de séquences de différentes catégories, chaque saut de l'utilisateur.

Sur la base de cette idée, nous vous proposons Les utilisateurs intéressés par la distribution multimodale du réseau de neurones de l'apprentissage en profondeur Nous espérons décrire les utilisateurs plus intéressés, comme autrefois extraction de Subsequence . Nous faisons CTR estimation lorsqu'un candidat a les produits, nous obtenons un candidat de la marchandise pour estimer son taux de clics lors de l'utilisation de ce produit pour inverser sa séquence de comportement d'extraction qui a tous estimé toutes les séquences des séquences d'aide, au lieu. Ainsi, il sera en mesure de contenir de nombreuses séquences complexes à l'intérieur séquence, les sous-séquences pertinentes extraites sous forme exprimées dans la sous-séquence pertinente associée à ce produit. intérêt multimodaux dans toute distribution peut être considérée comme une marchandise pour trouver un des pics les plus récentes de calcul d'intérêt dit, est probablement d'un tel processus.

Une attention similaire de notre technologie réellement utilisée pour réaliser l'objet associé, mais aussi l'effet de flux sur la mère CTR Ali, GMV indicateurs importants ont considérablement amélioré. UTorrent une variété de documents sur Internet, lorsque la nature du matériau derrière il est très important de comprendre, par exemple, dans l'environnement d'affaires de l'électricité, les utilisateurs de marchandises parcourir, beaucoup de temps pour voir l'image de ce produit à la fin comment déterminer la prochaine étape comportement. Nous ne pouvons pas mettre ces images à la profondeur de l'information du réseau de neurones peut faire un meilleur utilisateur intéressé à la modélisation? Apportez un tel défi, tout comportement d'un produit d'ID d'image dans un produit, dans lequel un échantillon est d'augmenter la quantité de données très nombreuses fois, probablement avec un octet d'identification de quelques octets, si cela devient une image, plusieurs centaines de K ou même des billions, c'est au moins mille fois la quantité de la croissance des données. Internet des données à grande échelle a besoin des dizaines ou des centaines ou des milliers de machines dans la formation parallèle, Agrandissement de la quantité de rafale de données Des milliers de fois, même pour une entreprise comme Alibaba, ce problème est très difficile à gérer.

Comment résoudre ce problème? Nous avons analysé en profondeur l'apprentissage modélisation de la mode maintenant distribués à l'intérieur des paramètres Internet souvent appelés serveur (paramètre Server), j'ai un échantillon de l'échantillon de travail de déplacement, lorsque les paramètres nécessaires prises à partir des paramètres côté serveur. Vous ne pouvez pas se permettre le calcul d'un tel? Tout d'abord, l'image est présente dans l'échantillon, des milliers d'expansion explosive des temps inacceptables. rompre la présence de l'image de l'extrémité distante de la mémoire redondante, la mémoire peut être résolu, images apparentées passent au-dessus des milliers de fois la quantité de données d'extension éclater également inacceptable. Peut plus distaux paramètres de stockage d'image, la télécommande est de ne pas ajouter un modèle à résoudre? l'image du modèle comporte une extrémité distale, le sous-modèle, la partie d'extrémité de travail du modèle de l'extrémité distale de l'image traitée est traversée échantillons de modèle maître CTR, deux modèle greffé ensemble, bout à bout pour faire un train. Juste dit, une expérience très importante, fin que ça marche. Cette fonctionnalité d'image dans la mère Ali à l'intérieur beaucoup d'équipes essaient, l'image devient une caractéristique ajoutée au modèle de prédiction à l'intérieur CTR, si le modèle de prédiction CTR est très forte, donc il n'y a pas d'effet ajouté. Nous faisons une telle formation à bout, a proposé un nouveau modèle de serveur distribué, comme modèle de distribution des paramètres pour devenir une manière distribuée, côté serveur non seulement les paramètres, mais aussi dans le calcul des sous-modèles et seront mis à jour ensemble et se termine des travailleurs du modèle principal. Il en est ainsi que l'image peut être transformé en un vecteur de transfert et, plusieurs fois, des centaines de fois, le montant total de la transmission vers le bas, de sorte que tout le processus devient possible une formation commune. Distribué pour compléter ce défi par des changements sur le cadre, les affaires internes en ligne et hors ligne, la mère Ali il y a une amélioration très significative de la rentabilité sur les coups ou la plate-forme commerciale.

Avec réelle étude approfondie recommandée dans le système de recherche de la publicité de recherche qui se réunira ou un problème de correspondance problèmes de récupération . Une telle entreprise côté flux en général sera divisé en plusieurs modules, puis à un flux, un flux derrière représente généralement le comportement de navigation d'un utilisateur dans une scène, le premier modèle de prédiction de match sur le dos d'un produit donné en question intérêt des estimations, estimé taux de clics, les estimations du taux de conversion, on estime par une sorte de spectacle derrière la publicité pour les offres, si aucun lien non-publicité des offres. Mais nous ne pouvons pas être plein de grandes prévisions matériauthèque.

Les hypothèses sous-dix milliards de matériaux, chaque utilisateur doit cliquer en ligne pour calculer le taux de dix milliards de matériel qui est impossible, en face de la nécessité de module d'adaptation pour réduire, réduit à quelques milliers, dix mille de milliers, si bien que la ligne peut prendre calcul. processus de récupération de match précédent qui fait partie de la limite supérieure de la performance globale du système, suivi du modèle dans tous les cas faire une autre délicate, correspondant à la faible précédente, alors les objectifs généraux de l'entreprise ne peuvent pas être relevés. Méthode de correspondance peut être divisée en trois catégories. Statistiques des règles heuristiques, sont maintenant très sophistiqués et très bien recommander à l'intérieur avec une sorte de filtrage collaboratif, deux produits verront le filtrage collaboratif similaires comment match? Articles semblables de marchandises à travers le comportement historique de match du bébé, donc beaucoup de gens rencontrent avec une telle recommandation, bien qu'il soit facile à mettre en personnalisé pour les services non personnalisés sera grandement améliorée en termes d'indicateurs, prendra à une question, l'utilisateur voit souvent avec le comportement historique des marchandises similaires, qui peut avoir certains utilisateurs de se plaindre le cas dans beaucoup de l'intérieur de la scène recommandée.

Une idée naturelle est d'améliorer la capacité d'adapter l'introduction à l'apprentissage de la machine Une mesure du degré d'intérêt Trouvez les meilleurs produits. L'introduction de l'apprentissage machine, problème de calcul est difficile à résoudre l'ensemble, nous avons donc un procédé d'introduction de dégradation dans le temps l'apprentissage automatique, si ce modèle est un modèle dans le produit, l'utilisateur est un vecteur point, tous les matériaux peuvent représenter vecteur point , le modèle de produit intérieur et enfin en question KNN recherche. Comment trouver le voisin le plus proche? Il moteur de recherche de vecteur peut faire. CTR qui caractéristiques souvent croisées, les distributions d'intérêt de l'utilisateur, il y a beaucoup de mode d'apprentissage profond avancé, il n'y a aucun moyen d'utiliser. Pour comment nous utilisons tout type d'apprentissage en profondeur récupérer la bibliothèque complète d'optimisation, a proposé une structure d'arbre moteur de recherche bibliothèque complète, son idée est relativement intuitive, l'ensemble du produit établi comme un arbre hiérarchique, d'un milliard de produits, 30 couche d'arbre binaire, cette couche de feuilles peut accueillir 2 milliards de marchandises. Nos couches d'apprentissage en profondeur chaque balayage, chaque trouver optimale, le nud inférieur ne pas continuer à calculer dans une couche de l'intérieur de l'enfant non-optimale, l'équivalent de mis au rebut jusqu'à ce que finalement trouvé une bibliothèque complète des meilleurs, un milliard de fois 3 milliards de mesure de devenir une mesure de haut en bas pour répondre à l'apprentissage en profondeur comment trouver les meilleures bibliothèques dans tout le problème, résoudre le problème de l'appariement et la récupération. Cette méthode compare deux générations en face de la méthode, rappel recommandé Il y a très nettement amélioré. De plus, nous recommandons l'utilisateur ne se limite pas seulement au comportement des matériaux sous la catégorie aussi, avec La nouvelle catégorie rappel Pour faire une évaluation complète des taux de nouveauté et de rappel. Procédé de filtrage collaboratif que la première génération d'une manière telle évaluation améliorée près de quatre fois . Ceci est résolu techniquement le problème de la façon d'effectuer une recherche bibliothèque complète avec l'apprentissage en profondeur.

défis futurs pour les problèmes recommandés ou expérience de la publicité et des problèmes de données manquantes, les besoins d'apprentissage de la machine de données d'étiquettes qui sont les données cibles, les données de l'utilisateur est maintenant la cible est déjà produit quelques clics les données d'achat et ainsi de suite. Nous pouvons faire pour optimiser ces indicateurs, nous ne délivrons pas beaucoup d'expérience difficile à optimiser l'étiquette, il est difficile d'utiliser l'apprentissage de la machine pour comprendre ces questions. Découvrez comment résoudre le problème? Grâce à un algorithme automatique pour tirer derrière l'expérience utilisateur est marqué par des humains, comme un moteur de recherche avec l'équipe de pertinence pour marquer l'expérience de l'utilisateur ou par l'interaction permet aux utilisateurs de prendre l'initiative de commentaires? C'est l'avenir nécessaire d'étudier la question.

évaluation recommandée , Quelle que soit l'industrie, le milieu universitaire souvent utilisé pour évaluer le taux de rappel, dans le rappel de fait que d'évaluer la performance des biens de consommation des utilisateurs, comment évaluer l'effet d'amorçage nouveau produit recommandé aux utilisateurs, cela ne se reflète pas dans l'évaluation du rappel. Il y a des recommandations de problèmes circulatoires, les choses qui vous intéressent votre point de plus que l'étape suivante recommandée recommandera de plus en plus, et enfin a perdu beaucoup d'autres autres suggestions qui pourraient vous intéresser. Il existe de nombreux scénarios recommandés dans de nombreux APP, plusieurs scénarios, comment pouvons-collaboration? Du point de vue des affaires, en fait, toutes les entreprises sont toutes face quantité massive d'utilisateurs, comment détecter les clients potentiels. Les entreprises sont confrontées à des consommateurs tout au long du processus opérationnel, comment optimiser l'innovation intérêt potentiel sur l'ensemble du stade de lien, l'étape d'achat, c'est un problème auquel sont confrontés les entreprises dans l'espoir de résoudre le commerce.

Ali Mama équipe technique a poursuivi l'évolution et l'innovation dans l'étude approfondie. Nous recherchons des résultats commerciaux, dans l'espoir de faire des choses différentes sur le plan technique derrière la poursuite des résultats d'affaires, dans l'espoir de faire de l'innovation modèle d'entreprise, s'il y a, alors les étudiants intéressés sont invités à nous contacter. Ali, la main de la mère à Tianchi a accueilli cette session Ali algorithme Mama concours publicitaire internationale, nous sommes intéressés sont invités à défi.

Ali Mama International Advertising algorithme de la concurrence:

Ali Baba (Taobao, Lynx) est la plus grande plate-forme de commerce électronique de la Chine, fournissant des services commerciaux de qualité pratique à des centaines de millions d'utilisateurs, mais aussi accumulé de grandes quantités de données de transaction. Comme Alibaba Ali Mama entreprise de publicité, l'utilisation de ces données au cours des dernières années, l'utilisation de l'apprentissage en profondeur, l'apprentissage en ligne, l'apprentissage de renforcement, des techniques d'intelligence artificielle pour efficacement et de prédire avec précision l'intention de l'achat de l'utilisateur, afin d'améliorer efficacement l'expérience de magasinage de l'utilisateur et les annonceurs ROI. Cependant, comme un comportement écosystème complexe, l'utilisateur dans les préférences de la plate-forme d'affaires électroniques, la distribution des produits à longue queue, le marketing et d'autres facteurs encore des événements chauds pour estimer le taux de conversion pose un grand défi. Par exemple, au cours de la deux à onze carnaval d'achat, les entreprises et la plate-forme de promotion entraînera des changements importants dans la distribution de flux dans le flux normal du modèle de formation ne peut pas être un bon match pour ce trafic spécial. Comment mieux utiliser les grandes quantités de données de transaction efficace et à prédire avec précision l'intention, l'intelligence artificielle et les grandes données de l'achat de l'utilisateur dans les scénarios de commerce électronique doivent continuer à résoudre les problèmes techniques.

2018, Ali Mama Conférence mixte internationale sur le joint d'intelligence artificielle (IJCAI-2018) et Ali plate-forme cloud Tianchi, Ali Mama démarre l'algorithme international de la concurrence publicitaire Ali électricité publicité commerciale pour l'étude, fournissant la plate-forme de données de masse de la scène réelle, par les joueurs la technologie d'intelligence artificielle pour construire des modèles prédictifs, l'intention d'achat d'utilisateur estimé. Les gagnants ont non seulement des bonus énormes et le parrainage de Voyage, mais aussi la qualification principale IJCAI-2018 aura lieu en Juillet à Stockholm.

[] Joignez-vous à la communauté

Ji-won nouvelles technologies AI + industrie du recrutement communautaire, a accueilli les étudiants + industrie de la technologie AI a atterri intérêt, plus Little Helper Micro Signal: aiera2015_1 dans le groupe, si elle est approuvée seront invités dans le groupe, assurez-vous de modifier le groupe après avoir rejoint la communauté remarques (nom - société - emploi, groupe professionnel d'examen plus rigoureux, s'il vous plaît comprendre).