精准的推荐模型是许多互联网产品的核心竞争力，短视频 App、电商推荐、在线广告系统、推荐模型都是产品体验进化的核心 AI 能力。百度不仅是业内首先突破万亿参数模型大规模应用瓶颈的公司，更在深度学习应用中持续保持业内最优的技术水平。近年来，信息流和视频 App 的兴起，为万亿参数模型大规模落地和进一步技术演进提供了广阔的产品场景和空间，是百度实现搜索推荐双引擎战略的核心技术基础。

本次分享会介绍百度近年来在万亿参数推荐模型应用中面临的技术挑战、尝试的技术创新以及核心的产品应用等，希望年轻工程师能借此了解深度学习在视频和信息流领域的核心技术，更希望为资深的机器学习工程师带来一些机器学习与系统设计相结合的新思路。

演讲中的主要技术内容已经成撰写论文并发表在 KDD2021 - JIZHI: A Fast and Cost-Effective Model-As-A-Service System for Web-Scale Online Inference at Baidu，论文链接：https://arxiv.org/pdf/2106.01674.pdf

演讲提纲：

1. 推荐系统简介
2. 万亿参数模型及应用的技术挑战
3. 基于学习的深度学习预估架构
   • SEDP
   • 异构混合数据服务体系
   • 预估值的时效性拟合
   • 资源分配的自动调优系统
   • 多租户模型服务
   • 应用和收益
4. 进一步展望

你将获得：

• 了解百度在万亿参数推荐模型应用中面临的技术挑战以及尝试的技术创新
• 了解深度学习在视频和信息流领域的核心技术
• 获得机器学习与系统设计相结合的新启发