通過建立與Google及Google云平臺（GCP）的合作伙伴關系，Ocado Techonology公司發(fā)布了一種新的方法，用在對Ocado的50多萬用戶及來自這些用戶的海量電子郵件請求的處理中。該方法使用了TensorFlow及宿主于GCP上的TensorFlow Python API，重點在于解決電子郵件的自動分類問題。

　　Ocado認為對于電子郵件分類問題，非常適合于使用工業(yè)規(guī)模的機器學習和自動化，更具體的說就是自然語言處理（NLP）。很多的企業(yè)支持中心為讓工作一致和可靠，采用了依靠工作人員手工處理電子郵件隊列的工作流程。在企業(yè)的業(yè)務迅速成長時，或是整體客戶支持量所需的支持人員日益增長時。這種方法并不能很好地擴展，這會導致郵件響應的延遲，客戶不滿意度也隨之增加。

　　Ocado的做法是將所有的電子郵件匯集到同一處，然后通過分析郵件內容為郵件打標簽，例如標記為客戶投訴的則需要立刻反饋，標記為一般性反饋的則具有稍低的優(yōu)先級可稍遲反饋。此外，郵件標簽還包括：重發(fā)貨請求、退款請求、支付問題或網站問題、新商品查詢等。

　　Ocado想要在分配標簽類別時，盡可能地減少需用戶及支持人員手工輸入的域和標簽的數(shù)量。因為這種手工輸入不僅容易產生偏差并生成噪聲數(shù)據，而且也占用了支持人員的寶貴時間，這些時間是本可用于根據客戶請求的優(yōu)先度服務于客戶的。

　　Ocado科技的高級軟件工程師Marcin Druzkowski今年八月在Datasciencefest大會上的演講上，給出了Ocado訓練神經網絡所用的各種模型的一些細節(jié)。其中的方法包括：使用詞袋的邏輯回歸、使用嵌入（embedding）的卷積神經網絡（CNN）、使用嵌入的長短期記憶模型（LSTM）。

　　Druzkowski指出深度學習并非一定要使用GPU，考慮到CPU芯片的相對低成本、云計算的可擴展性和并行計算模型訓練，沒有必要再采用特定的GPU寫入和訓練模型。他也指出通過以軟件工程為中心的數(shù)據科學方法，他們的TensorFlow圖以數(shù)據矩陣和圖定義的方式部署，這不同于數(shù)據科學軟件所使用的一般方法，那些方法已被證明在部署和易于集成到生產環(huán)節(jié)的實現(xiàn)上存在著挑戰(zhàn)。Druzkowski在演講中提到的特性還包括：可移植性和依賴性管理、代碼質量、測試覆蓋度、版本管理和持續(xù)集成。

　　圍繞著測試模型，還出現(xiàn)了其它的一些新挑戰(zhàn)。這些測試模式需給出隨機性、可接受結果值范圍和良好模型性能的組成目標。此外，挑戰(zhàn)也存在于如何在后臺數(shù)據集發(fā)生改變時，重新訓練和測試模型。在確定一個模型是否有價值時，需額外考慮的變量是數(shù)據集改變的比例和速度。當前測試的運行使用了pyTest和TensorFlow，但是Ocado拒絕了提供示例代碼的請求。