这节课开始，我们一起来探索目前AIRC系统中已经成熟的一些范式。
它不仅是AI大模型影象增强和可信人工智能的主要组成部分，也是许多大模型系统设计范式的来源，相信学完这一讲，你对AIGC系统的核心事情会更加熟习，后续的学习也会对症下药。

AIRC 系统你该当已经很熟习了，谷歌的搜索引擎、抖音的推举系统，还有阿里妈妈的打算广告系统，这类系统的统称是“内容推举系统（AIRC）”，它们已经渗透到了我们生活的方方面面。

但是，提及这类系统的架构，我们充其量只是借助Netflix的架构图，看到过它的一些外面特色。
而这个形状只是 AIRC 系统的冰山一角，并没有交代它的紧张寻衅和问题是什么。

以是随着这样的架构图去建立系统，相称于随着简笔画去学习如何素描，这是不太现实的。
你看一下后面的图片就会明白了。

只有亲自经历过的人才知道，AI系统的背后隐蔽着无数的技能细节。
从业务指标的建模到系统架构的设计，从数据的网络和处理，到算法的选型和实验，这里的每一个环节，都要精心地设计、不断地优化。

那为了帮助你瞥见AIRC系统的原貌，节制核心事理和设计原则，为学习AI大模型系统，打下一个良好的根本，我将带你学习AIRC系统架构的建模方法。

那根据我的实践履历啊，AIRC系统可以分成三大部分的事情，分别是 策略建模、数据工程和模型工程，这三部分的事情，在后面的AI大模型系统当中也随处可见。

这节课我们就来聚焦策略建模这个部分。
策略建模起到了提要挈领的浸染，对业务目标进行数学建模，后面讲到的内容也险些都是为它而做事的。

从业务目标到终极的AIRC系统，要经由两次转化：首先是产品经理和算法专家将业务目标形式化，这一步会将业务上的玄学问题转变为明确的数学问题。
不才一步，算法专家和架构师会把数学问题解构成工程问题，工程转化过程中，最紧张的事情是召回、排序、掌握博弈和风控几个部分。

我们先从策略建模开始提及。
【如需全套完全AI大模型课程及配套源码课件等资料请+ xiaole45666】

首先是指标建模，我们先要确定“北极星指标”，它是业务追求的终极目标，虽然它可能根据实际情形的变革而变革。
但相对而言，在一段韶光内，它是最稳定、明确的指标，是我们后续行动的根本。
这里我以电商系统为例带你学习。

你可能听说过，电商系统常日把 GMV 指标作为北极星指标。
为了提升这个指标，算法工程师们会想尽办法，在用户进入产品时把他最可能购买的商品放在最显眼的位置。

思考一下，如果让你来卖力这个目标，你会若何实现它呢？

如果我换一种办法表达，你就会豁然开朗了。
我把前面这句话做个“中译中”，那问题就变成了“从海量商品中选出此人最可能成交的商品”。
这是你再熟习不过的排序算法了，排序的实体是商品，排序的值是商品被此人购买的概率。

在想清楚之后，你会创造，电商系统的实质是 对商品进行排序，优先展示排序靠前的内容。

是不是逐渐的明朗了？接下来，你只要关注两个问题，一个是如何得到排序的概率值。
第二是，如何对海量商品进行在线“实时”的排序。

我们先来办理第一个问题。
先回忆下你购物时的场景是若何的：首先你会打开运用，搜索商品，然后点击加购按钮，或者是直接下单，末了填写地址，进行付款。

刚刚的一系列动作就叫“转化漏斗”，由于用户在任何步骤停滞动作，都会打断成交的过程。
你可以看一下文稿，我画了一张图来帮助你理解。
那如果系统，能够预判你每一步发生的概率，就能打算出终极的成交概率了。

因此，某个商品对你展示过后的预期收益，可以用点击率，加购率，付款率和客单价的乘积来表示。
当然，这里的公式是一个简化版，实际系统更加的繁芜。

期望收益=点击率加购率付款率客单价， 点击获取完全全套AI大模型课程及配套资料：AI大模型课程

这样你已经找到了第一个问题的答案，那便是 将用户对每个商品的期望收益进行排序，将排名靠前的商品，展示给用户，早期的AIRC系统采取的便是这种办法。

那接下来，我们再来磋商第二个问题，如何对海量的商品做在线实时的排序。

现在的内容分发系统里面的物料总量每每非常弘大，比如谷歌现在的搜索文档规模已超过了62PB。
同时，为了更精确地预测，这类系统每每会对高维大规模数据，做深度模型的建模。
对付这么大的数据规模，在线实时打分排序是不现实的。

你可以对照文稿，来看看后面这张示意图。

以是，AIRC系统每每会拆分为召回和排序两个模块，这是在线系统中常用的效率权衡方法，接下来我们来学习这两个模块的事理，学完之后，你就会明白我为什么这么说了。