大数据是干什么的
人工智能应用
场景概述
2016年AlphaGo横空出世，4:1战胜李世石，17年又以3:0战胜世界围棋冠军柯洁，此后三年，星际，Dota2，德州扑克等均涌现出超高水平AI。人工智能应用在其中起到了不可替代的作用。
游戏智能体通常采用深度强化学习方法，从0开始，通过与环境的交互和试错，学会观察世界、执行动作、合作与竞争策略。每个AI智能体是一个深度神经网络模型，主要包含如下步骤：
1、通过GPU分析场景特征（自己，视野内队友，敌人，小地图等）输入状态信息（Learner）。
2、根据策略模型输出预测的动作指令（Policy）。
3、通过CPU单线程模拟玩家，每个玩家（Actor）执行不同的策略。
4、不同策略对应不同结果，不同结果产生不同的Reward（奖励分数）。
5、该奖励分数作为参数用来更新策略模型，再进行新一轮学习。
客户瓶颈
1、实时性与长期性：AI不仅要做出实时的操作决策，还要做出长期的规划决策，通常对于游戏时间30分钟左右的STG游戏，对应的决策步数（Policy）超过7000步，这意味着Actor执行Policy的时间成本较高。
2、复杂的动作空间：玩家需要同时操作移动方向、视角方向、攻击、姿态（站、蹲、趴、跳、跑）、交互（救人、拾取、换弹）等操作，产生复杂的组合动作空间，可行动作数量在10^7量级。对于CPU计算能力要求较高。
3、训练任务快速部署：客户进行AI强化学习时，需要短时间（10mins）拉起上万核CPU，对动态扩容能力要求较高。
竞享实例的应用
该AI学习引擎采用竞享实例提供CPU资源。得益于竞享实例的快速扩容与成本优势，引擎可以短时间生成超大规模AI（Actor）同时执行更多的策略，缩短模拟时间。而凭借竞享实例的强劲性能（全系C类型）该引擎训练一天相当于人类玩家打10万年。
图1 人工智能应用架构图
Learner：学习集群，一般是多个GPU显卡组成训练集群
Actor：采用竞享实例提供CPU，每个线程作为一个AI玩家，用于测试策略的执行效果
Policy：Learner的输出结果，游戏AI的策略
Reward：Actor的执行结果的反馈，提供给Learner
大数据分析学习课程与认证
课程结合实践，借助配套的实验环境，一站式学练考，轻松Get新知识
大数据分析与应用知识图谱
包含大数据入门、大数据分析、大数据平台应用、大数据分析工具讲解等相关课程及培训内容
-
大数据在线课程学习
初学者入门课程
初学者入门课程
-
大数据权威职业认证
HCIP-Big Data Developer
HCIP-Big Data Developer
-
大数据场景微认证
包括初级和中级认证
包括初级和中级认证
-
HCIP-Big Data DeveloperHCIP-Big Data Developer
-
HCIA-Big DataHCIA-Big Data
-
HCIE-Big DataHCIE-Big Data
