飞鸽出海众所周知，TikTok 是一款视频分享应用，可让用户创建和分享短视频，对于不少人来说，虽然是一个日常的娱乐、刷刷视频的平台，但同时却也是能够变现的渠道，但是对于tiktok这个平台的具体运作是比较不清楚的，那么tiktok背后的AI怎么运作的呢?
tiktok背后的AI怎么运作的?
TikTok架构
TikTok推荐系统的架构包括三个组件：大数据框架、机器学习和微服务架构。
大数据框架是系统的起点。它提供实时数据流处理，数据计算和数据存储;
机器学习是推荐系统的大脑。使用一系列机器学习和深度学习算法与技术用于构建模型并生成适用
机器学习
这就是 TikTok 如何赢得家喻户晓的超个性化、令人上瘾的算法的核心。
在大量数据集涌入之后，接下来是内容分析、用户分析和上下文分析。TensorFlow等神经网络深度学习框架用于执行计算机视觉和本地语言处理 ( NLP )。计算机视觉将用照片和视频破译图像。NLP 包括分类、标签和评估。
使用了经典的机器学习算法，包括逻辑回归 ( LR )、卷积神经网络 ( CNN )、递归神经网络 ( RNN ) 和梯度提升决策树(GBDT)。应用了常见的推荐方法，例如基于内容的过滤(CBF)、协同过滤(CF)和更高级的矩阵分解(MF)。
TikTok用来读心的秘密武器是：
1. 算法实验平台：工程师对LR、DNN等多种机器学习算法的混合进行实验，然后运行测试(A/B测试)并进行调整。
2. 广泛的分类和标签：模型基于用户的参与度，例如观看时间、滑动以及常用的点赞或分享(你所做的作为你潜意识的反映比你说的更多地说明了你)。用户特征、向量和类别的数量超过了世界上大多数推荐系统——而且它们还在不断增加。
3. 用户反馈引擎：多次迭代获取用户反馈后更新模型。体验管理平台是建立在这个引擎之上的，并最终改善了灾难和建议。
为了解决推荐中的冷启动问题，使用了召回策略。就是从数以千万计的视频中挑选出成千上万的候选人，这些视频已经被证明是受欢迎的和高质量的。
同时，部分人工智能工作已移至客户端，以实现超快速响应。这包括在设备上进行的实时培训、建模和推理。在客户端使用机器学习框架，例如TensorFlow Lite或ByteNN 。
微服务架构
TikTok已经运用了云原生基础设施。推荐组件(如用户分析、预测、冷启动、召回和用户反馈引擎)用作 API。这些服务托管在Amazon AWS和Microsoft Azure等云中。作为系统的结果，视频策展将通过云推送给用户。
TikTok采用基于Kubernetes的容器化技术。Kubernetes 被称为容器编排器。它是自动化应用程序生命周期的工具集。Kubeflow致力于在Kubernetes上部署机器学习工作流。
作为云原生堆栈的一部分，Service mesh 是另一个处理服务到服务通信的工具。它控制应用程序的不同部分如何相互共享数据。它在平台层插入功能或服务，而不是在应用程序层插入。
由于高并发性的要求，服务是使用 Go 语言和 gRPC 构建的。在TikTok中，Go因其良好的内置网络和并发支持而成为服务开发中的主导语言。gRPC 是一个远程过程控制框架，用于有效地构建和连接服务。
Tiktok的成功在于，它将加倍努力提供最佳的用户体验。他们构建内部工具，以最大限度地提高低级别(系统级别)的性能。例如，ByteMesh是Service Mesh的改进版本，KiteX是高性能的Golang gRPC框架，Sonic是增强的Golang JSON库。其他内部工具或系统包括参数服务器、ByteNN 和 abase等。
正如TikTok机器学习负责人Xiang Liang所说，有时下面的基础设施比上面的(机器学习)算法更重要。
字节跳动于2017年在美国推出了TikTok，而tiktok的上市也在一夜之间成了香饽饽，不仅吸引了无数的用户前往使用，甚至也引来美国的注视，可以说火爆程度是不言而喻的。
