公司簡介
杭州知衣科技有限公司是一家以人工智能技術(shù)為驅(qū)動的國家高新技術(shù)企業(yè)，致力于將數(shù)據(jù)化趨勢發(fā)現(xiàn)、爆款挖掘和供應(yīng)鏈組織能力標(biāo)準(zhǔn)化輸出，打造智能化服裝設(shè)計的供應(yīng)鏈平臺。知衣成立于2018年2月，同年獲得千萬美金A輪融資；2021年完成由高瓴創(chuàng)投、萬物資本領(lǐng)投的2億人民幣B輪融資，同年入圍“杭州市準(zhǔn)獨角獸企業(yè)榜單”。
知衣憑借圖像識別、數(shù)據(jù)挖掘、智能推薦等核心技術(shù)能力，不斷升級服務(wù)體系，自主研發(fā)了知衣、知款、美念等一系列服裝行業(yè)數(shù)據(jù)智能SaaS產(chǎn)品，為服裝企業(yè)和設(shè)計師提供流行趨勢預(yù)測、設(shè)計賦能、款式智能推薦等核心功能，并通過SaaS入口向產(chǎn)業(yè)鏈下游拓展，提供一站式設(shè)計+柔性生產(chǎn)的供應(yīng)鏈平臺服務(wù)。目前已服務(wù)UR、唯品會、綾致、赫基、太平鳥、海瀾之家、森馬等數(shù)千家時尚品牌和平臺。
方案架構(gòu)
當(dāng)前知衣在阿里云上的整體方案架構(gòu)如下，大致分為產(chǎn)品層、服務(wù)層、數(shù)據(jù)層以及大數(shù)據(jù)平臺。
產(chǎn)品層：知衣目前有多款A(yù)PP應(yīng)用，如主打產(chǎn)品知衣、增強(qiáng)設(shè)計協(xié)作的美念等。除此之外，我們還提供定制化API向第三方開放數(shù)據(jù)接口服務(wù)和以圖搜圖的功能。從數(shù)字選款到大貨成品交付的一站式服裝供應(yīng)鏈平臺也是核心的能力輸出。
服務(wù)層：相關(guān)產(chǎn)品的前后端系統(tǒng)都已經(jīng)實現(xiàn)容器化，部署在阿里云的ACK容器服務(wù)集群
數(shù)據(jù)層：主要保存原始圖片、業(yè)務(wù)系統(tǒng)產(chǎn)生的業(yè)務(wù)數(shù)據(jù)、以及OLAP數(shù)據(jù)分析服務(wù)
對象存儲OSS：保存原始圖片，構(gòu)建服裝行業(yè)十億級別款式庫
數(shù)據(jù)庫MySQL：OLTP業(yè)務(wù)數(shù)據(jù)
HBase：以KV格式訪問的數(shù)據(jù)，如商品詳細(xì)信息、離線計算榜單等數(shù)據(jù)
特征向量庫：由圖片識別抽取的向量再經(jīng)過清洗后保存在阿里達(dá)摩院開發(fā)的Proxima向量檢索引擎庫
ElasticSearch：用于點查及中小規(guī)模數(shù)據(jù)的指標(biāo)統(tǒng)計計算。設(shè)計元素標(biāo)簽超過1000個，標(biāo)簽維度主要有品類、面料、紋理、工藝、輔料、風(fēng)格、廓形、領(lǐng)型、顏色等
大數(shù)據(jù)平臺
日志服務(wù)SLS：用于緩存經(jīng)過圖片識別后的海量向量數(shù)據(jù)。SLS還有一個基于SQL查詢的告警能力，就是若向量數(shù)據(jù)沒有進(jìn)來會觸發(fā)告警，這對于業(yè)務(wù)及時發(fā)現(xiàn)問題非常有用。
離線數(shù)倉（DataWorks + MaxCompute）：通過DataWorks集成緩存了圖片特征向量的日志服務(wù)作為數(shù)據(jù)源，然后創(chuàng)建數(shù)據(jù)開發(fā)任務(wù)對原始特征向量進(jìn)行清洗（比如去重等）保存在MaxCompute，再通過DataWorks將MaxCompute清洗后的向量數(shù)據(jù)直接寫入ElasticSearch的Proxima
數(shù)據(jù)挖掘 & 算法推薦：部署在ACK里的一些Python任務(wù)，主要做推薦相關(guān)的內(nèi)容，比如用戶特征Embedding計算、基于用戶行為的款式圖片的推薦、相似性博主的推薦等
圖片識別服務(wù)：目前圖片識別服務(wù)主要還是部署在IDC機(jī)房，5~6臺GPU服務(wù)器對圖片進(jìn)行批量識別
大數(shù)據(jù)方案演進(jìn)
知衣的大數(shù)據(jù)方案也是經(jīng)過不同的階段不斷的演進(jìn)，滿足我們在成本、效率和技術(shù)方面的追求，本質(zhì)上還是服務(wù)于業(yè)務(wù)需求。
階段一：IDC自建CDH集群
我們的業(yè)務(wù)系統(tǒng)一開始就部署在阿里云，同時在IDC機(jī)房部署了10臺服務(wù)器搭建CDH集群，構(gòu)建Hive數(shù)倉。計算過程是先將云上生產(chǎn)環(huán)境數(shù)據(jù)同步到CDH，在CDH集群進(jìn)行計算后將計算結(jié)果再回傳到阿里云上提供數(shù)據(jù)服務(wù)。
自建CDH集群雖然節(jié)省了計算費用，但是也帶來不少問題。最主要的就是運維比較復(fù)雜，需要專業(yè)的人員進(jìn)行集群的運維管理。出現(xiàn)問題也是在網(wǎng)上到處搜索排查原因，效率比較低。
階段二：DataWorks + MaxCompute替換CDH集群
為了降低運維復(fù)雜度，我們將計算任務(wù)遷移到MaxCompute，直接基于DataWorks做任務(wù)編排調(diào)度。
階段三：ElasticSearch構(gòu)建即席查詢
知款聚焦于快速發(fā)現(xiàn)時尚趨勢靈感，集成了社交平臺、品牌秀場、零售及批發(fā)市場、淘系電商、時尚街拍五大圖源，海量的設(shè)計靈感參考，幫助服裝品牌及設(shè)計師快速準(zhǔn)確地預(yù)判時尚風(fēng)向，掌握市場動態(tài)。其中趨勢分析板塊就需要對某個季度下各種組合條件下的設(shè)計要素標(biāo)簽進(jìn)行統(tǒng)計分析，并輸出上升、下降以及餅圖等指標(biāo)。這也是我們數(shù)據(jù)量最大的查詢場景，掃描分析的數(shù)據(jù)量量級會接近百萬。
阿里云托管版ElasticSearch相比較開源版本最大優(yōu)點就是開箱即用免運維，特別的就是支持達(dá)摩院的Proxima向量檢索引擎，非常適合我們業(yè)務(wù)的多維查詢和統(tǒng)計分析場景。后面會在圖片識別展開講述Proxima向量引擎。
圖片識別
我們的核心功能場景是以圖搜圖，前提是需要對海量的圖片庫數(shù)據(jù)進(jìn)行識別。我們以離線的方式對圖片庫的所有圖片進(jìn)行機(jī)器學(xué)習(xí)分析，將每一幅圖抽象成高維（256維）特征向量，然后將所有特征借助Proxima構(gòu)建成高效的向量索引。
模型訓(xùn)練
圖片識別之前需要訓(xùn)練模型。由專業(yè)的服務(wù)行業(yè)背景的人員對圖片庫進(jìn)行標(biāo)注，然后線下部署的GPU集群從阿里云對象存儲OSS批量拉取已標(biāo)注的圖片進(jìn)行訓(xùn)練。為了降低標(biāo)注的成本，我們采用了主動學(xué)習(xí)（Active Learning）方法，即基于一部分已標(biāo)注的圖片由機(jī)器學(xué)習(xí)訓(xùn)練出一個模型，然后對未標(biāo)注的圖片進(jìn)行預(yù)測，讓人工對預(yù)測結(jié)果再次進(jìn)行確認(rèn)和審核，再將標(biāo)注的數(shù)據(jù)使用監(jiān)督學(xué)習(xí)模型繼續(xù)進(jìn)行模型訓(xùn)練，逐步提升模型效果。
批量圖片識別
模型生成以后打包到Docker鏡像，然后在GPU節(jié)點上運行容器服務(wù)就可以對海量的服裝圖片進(jìn)行識別，提取出高維的特征向量。因為提取的特征向量數(shù)據(jù)量很大且需要進(jìn)行清洗，我們選擇將特征向量先緩存在阿里云日志服務(wù)SLS，然后通過DataWorks編排的數(shù)據(jù)開發(fā)任務(wù)同步SLS的特征向量并進(jìn)行包含去重在內(nèi)的清洗操作，最后寫入向量檢索引擎Proxima。
因為一次批量識別圖片的工作量很大，線下的GPU服務(wù)器計算性能有瓶頸，所以我們就借助云上彈性的GPU資源做計算資源的補充。線下GPU和云上GPU組成一個計算資源池，共同消費同一批需要進(jìn)行圖片識別的計算任務(wù)，效率大大提升。云上我們購買的是GPU搶占式實例，一般是按量價格的2~3折，可以進(jìn)一步降低成本。
單次圖片識別
我們以在線serving的模式在web前端提供單次單張圖片識別功能，比如用戶上傳一張圖片，通過模型的推理輸出如下結(jié)果。
以圖搜圖
構(gòu)建好服裝圖片的特征向量庫，我們就可以實現(xiàn)以圖搜圖的功能。當(dāng)用戶上傳一張新圖片的時候，我們用之前的機(jī)器學(xué)習(xí)方法對其進(jìn)行分析并產(chǎn)出一個表征向量，然后用這個向量在之前構(gòu)建的向量索引中查找出最相似的結(jié)果，這樣就完成了一次以圖片內(nèi)容為基礎(chǔ)的圖像檢索。選擇合適的向量檢索引擎非常重要。
Faiss
Faiss (Facebook AI Similarity Search) 是Facebook AI 團(tuán)隊開源的向量檢索庫引擎。初期我們也是選擇Faiss部署分布式服務(wù)，在多臺GPU服務(wù)器上部署特征向量搜索匹配服務(wù)，將搜索請求分發(fā)到每臺GPU子服務(wù)進(jìn)行處理，然后將TOP N的相似結(jié)果數(shù)據(jù)匯總返回給調(diào)用方。
在使用Faiss的過程中，我們也遇到了實際的困難。當(dāng)然這并不是Faiss本身的問題，而是需要投入更多人力開發(fā)運維分布式系統(tǒng)才能匹配業(yè)務(wù)需求。
穩(wěn)定性較差：分布式GPU集群有5~6臺，當(dāng)某一臺機(jī)器掛了會拉長整個接口響應(yīng)時間，業(yè)務(wù)的表現(xiàn)就是搜圖服務(wù)等很久才有結(jié)果返回。
GPU資源不足：我們采用的是最基礎(chǔ)的暴力匹配算法，2億個256維特征向量需要全部加載到顯存，對線下GPU資源壓力很大。
運維成本高：特征庫分片完全手動運維，管理比較繁瑣。數(shù)據(jù)分片分布式部署在多個GPU節(jié)點，增量分片數(shù)據(jù)超過GPU顯存，需要手動切片到新的GPU節(jié)點。
帶寬爭搶：圖片識別服務(wù)和以圖搜圖服務(wù)都部署在線下機(jī)房，共享300Mb機(jī)房到阿里云的專線帶寬，批量圖片識別服務(wù)占用大帶寬場景下會直接導(dǎo)致人機(jī)交互的圖搜響應(yīng)時間延長。
特定場景下召回結(jié)果集不足：因為特征庫比較大，我們?nèi)斯⑻卣鲙觳鸪?0個分片部署在多臺GPU服務(wù)器上，但由于Faiss限制每個分片只能返回1024召回結(jié)果集，不滿足某些場景的業(yè)務(wù)需求。
Proxima
Proxima是阿里達(dá)摩院自研的向量檢索引擎（https://developer.aliyun.com/article/782391），實現(xiàn)了對大數(shù)據(jù)的高性能相似性搜索，也集成在我們之前在用的阿里云托管版的ElasticSearch。功能和性能上與Faiss相比各有千秋，主要是針對Faiss使用上的困難，ElasticSearch + Proxima幫助我們解決了。
穩(wěn)定性高：開箱即用的產(chǎn)品服務(wù)SLA由阿里云保障，多節(jié)點部署的高可用架構(gòu)。到目前為止，極少碰到接口超時問題
算法優(yōu)化：基于圖的HNSW算法不需要GPU，且與Proxima集成做了工程優(yōu)化，性能有很大的提升（1000萬條數(shù)據(jù)召回只需要5毫秒）。目前業(yè)務(wù)發(fā)展特征向量已經(jīng)增長到3億。
運維成本低：分片基于ES引擎，數(shù)據(jù)量大的情況下直接擴(kuò)容ElasticSearch計算節(jié)點就可以
無帶寬爭搶：以圖搜圖的服務(wù)直接部署在云上，不占用專線帶寬，圖搜場景下沒有再出現(xiàn)超時查詢告警
召回結(jié)果集滿足業(yè)務(wù)需求：Proxima也是基于segment分片取Top N相似，聚合后再根據(jù)標(biāo)簽進(jìn)行過濾。因為segment較多，能搜索到的數(shù)據(jù)量就比原先多很多。
技術(shù)架構(gòu)升級展望
OLAP分析場景優(yōu)化迭代
隨著數(shù)據(jù)量的不斷增長以及業(yè)務(wù)需求的不斷變化，OLAP分析場景越來越復(fù)雜，對算法和技術(shù)方案選型要求越來越高。舉個業(yè)務(wù)場景的例子：
10萬博主發(fā)布的圖片數(shù)量有1億多，用戶可以對博主進(jìn)行關(guān)注訂閱，關(guān)注上限是2000個博主。用戶關(guān)注的2000個博主對應(yīng)的圖片量級會在200萬左右。需要對用戶關(guān)注的圖片進(jìn)行實時多條件統(tǒng)計分析（每個用戶關(guān)注博主不同）
以上例子在使用Elasticsearch實現(xiàn)查詢的時候需要9秒，顯然不滿足業(yè)務(wù)需要。那有沒有更好的方案呢？近期在調(diào)研完Clickhouse之后，對數(shù)據(jù)進(jìn)行預(yù)處理產(chǎn)生大寬表再查詢，查詢時延已經(jīng)降低到2秒以內(nèi)，很好的滿足了業(yè)務(wù)需求。阿里云Clickhouse開箱即用，降低業(yè)務(wù)試錯成本，幫助我們快速響應(yīng)業(yè)務(wù)需求。
規(guī)范數(shù)據(jù)建模和數(shù)據(jù)治理
目前DataWorks主要是用來做數(shù)據(jù)集成和任務(wù)調(diào)度，也有些少量的基于規(guī)則判斷數(shù)據(jù)質(zhì)量，團(tuán)隊內(nèi)部的約定更多的是文檔化的開發(fā)規(guī)范，缺乏一些有效工具的輔助。隨著業(yè)務(wù)場景越來越復(fù)雜，集成的數(shù)據(jù)源越來越豐富，數(shù)據(jù)開發(fā)人員也越來越多，制定全部門統(tǒng)一的開發(fā)規(guī)范非常必要。DataWorks的數(shù)據(jù)建模通過工具和流程建立數(shù)據(jù)標(biāo)準(zhǔn)，可以實現(xiàn)結(jié)構(gòu)化有序的統(tǒng)一管理。數(shù)據(jù)治理模塊可以通過配置檢查項檢測不符合數(shù)據(jù)規(guī)范的開發(fā)流程，基于多項治理項的健康分度量項目健康度以及治理成效。目前我們正在結(jié)合自己的業(yè)務(wù)試用數(shù)據(jù)建模和數(shù)據(jù)治理，期待能幫助我們更好的管理數(shù)據(jù)，實現(xiàn)數(shù)據(jù)價值的最大化。
圖搜方案進(jìn)階合作
在服裝行業(yè)領(lǐng)域圖片識別和以圖搜圖是我們的核心競爭力。阿里云機(jī)器學(xué)習(xí)PAI也提供了相似圖匹配的圖像檢索解決方案（https://help.aliyun.com/document_detail/313270.html）只需要配置原始圖像數(shù)據(jù)，無需標(biāo)注就可以在線構(gòu)建模型，這點對我們來說比較有吸引力，后續(xù)可以考慮進(jìn)行測試對比，展開在服裝圖片建模領(lǐng)域的合作。
