爱奇艺从 2010 年开始开展大数据业务，相继上线了离线计算、实时计算、传统机器学习等多种计算框架来满足海量的数据处理和分析需求。近几年，随着 AI 应用的兴起，越来越多的业务利用深度学习等技术进一步挖掘数据的价值，从而提升业务效果。

如何利用现有的大数据基础设施，更好地促进 AI 应用，爱奇艺进行了大数据与 AI 技术相结合的探索，打造基于大数据的机器学习平台，打通 Bigdata+AI 流程。

本次演讲将建设过程的一些实践经验分享给大家，希望可以给与会者带来启发。

演讲提纲：

1. 爱奇艺大数据介绍
   • 爱奇艺大数据服务体系介绍
   • 爱奇艺大数据计算框架演进：离线计算、实时计算、AI 计算
2. 爱奇艺大数据 AI 应用
   • AI 应用及发展历程
   • AI 的典型业务流程
3. 爱奇艺基于大数据基础设施的AI流程
   • 复杂的特征计算流程
   • 模型训练（传统机器学习 & 深度学习）
4. 爱奇艺大数据机器学习平台建设
   • 整体架构介绍
   • 特征管理介绍：特征元数据、特征计算、数据校验
   • 实验流程介绍：模型训练、模型管理、工作流调度、AB 测试
   • 其他功能介绍：JupterLab 集成、调参助手
   • 业务应用及优化实践
5. 未来展望

你将获得：

1. 了解爱奇艺大数据计算服务体系和 AI 应用实例；
2. 了解大数据场景下深度学习的落地、优化经验和平台化建设实践。

作为 eBay 的核心利润引擎，智能营销部门（Customer Growth）每年为 eBay 引流数以百亿计，更是带来数十亿的利润。eBay 丰富的营销渠道涵盖了付费广告、消息营销、用户定向推荐等，产品涉及离线和在线场景，站内站外每天产生了大量的用户行为数据、系统跟踪数据、以及商业报表数据。如何在这海量数据之中挖掘有效信息，帮助智能平台背后的各类算法模型快速迭代、演进、产生商业效益，成为了算法团队和工程团队的共同挑战。

与此同时，随着算法团队的规模增长，模型的数量和复杂度不断提高，产生了现有平台无法满足算法团队特定需求的情况。算法团队更关注于海量数据的获取与模型的开发，eBay 现有的数据与算法平台方案较为分散，并且对算法团队有较高的工程技术要求，这些都成为了算法团队快速产出的障碍，这同样也是行业内所面临的共同痛点。

eBay 智能营销部门为其算法团队打造了一套量身定做的 AI 一体化大数据平台解决方案，试图在数据追踪获取、特征提取与处理、模型开发与迭代、以及模型上线后的A/B测试上提供一站式体验，降低模型开发的工程技术门槛，加速模型迭代与上线速度。

本次演讲将从智能营销的一系列场景与挑战出发，逐一介绍AI一体化解决方案中的各个产品模块，分享我们在实践中遇到的问题与思考，抛砖引玉，希望共同获得启发。

演讲提纲：

1. eBay 智能营销速览
   • eBay 智能营销场景与系统
   • eBay 大数据生态与算法应用
2. eBay 智能营销的特征平台
   • 特征计算的挑战
   • 特征平台关键性技术、领域与边界
   • 离线与在线特征的融合
3. eBay 智能营销的机器学习平台
   • 大数据和机器学习平台介绍
   • 算法团队心中的理想开发环境
   • 机器学习平台的底层核心——工作流引擎
   • 异构环境中的大数据处理
4. eBay 智能营销的模型A/B测试平台
   • 性能指标的离线计算
   • 在线实时分析和可视化
5. 未来展望

你将获得：

1. 了解在智能营销场景下，AI 一体化大数据平台生态系统的落地方案以及运用案例
2. 了解 eBay 智能营销各级算法平台的建设实践

搜索和推荐是当今各大互联网公司进行商业活动的最主要承载者，以淘宝为例，每天都有海量的用户通过淘宝这个平台进行购物，随之会实时生成海量的用户行为：搜索、浏览、点击、加购、购买等，如何高效实时的收集、加工处理这些海量的数据，并且准确快速的被在线系统学习到用户瞬息万变的行为，最终及时的调整线上算法模型，推荐用户更合适的商品，成为了各公司所面临的挑战。

本次演讲将提出一种新型的深度学习个性化推荐系统架构，基于 Flink 流处理框架，降低整个训练、推理阶段的延迟，再通过引入一个基于 HSAP（Hybrid Serving/Analytical Processing）理念设计的实时数仓，大大简化整个实时推荐系统的架构，进而降低整个链路的运维成本以及存储成本。

演讲提纲：

1. 经典离线推荐系统简介
   • 经典离线推荐系统架构
   • 经典离线推荐系统的不足
2. Flink 流处理框架简介
3. HSAP（Hybrid Serving/Analytical Processing）理念介绍
   • HSAP 理念的出现背景
   • HSAP 的架构设计及应用场景
4. 新型的深度学习个性化推荐系统架构介绍
   • 实时特征计算与实时推理
   • 实时特征拼接
   • 实时模型训练
5. 未来展望

你将获得：

1. 了解 HSAP 数仓的设计理念
2. 为实时个性化推荐系统架构提供新的思路

演讲提纲：

1. 第四范式在落地机器学习实时应用过程中遇到的问题
   • 实时场景的特征工程落地
     • 离线探索特征方案
     • 实时特征方案翻译: 性能、沟通成本和一致性等问题
2. OpenMLDB 早期的解决方案
   • FeQL
     • 优点：统一的 DSL，满足性能和一致性的需求
     • 缺点：DSL 的设计上对用户不友好，学习成本较高
   • 自动特征工程带来的问题
     • 特征的复杂度提升
       • 性能问题
     • 人类视角的解读困难
3. OpenMLDB 今天的方案
   • FeSQL：易用易学
   • 面向机器学习应用优化的 SQL 引擎
     • 进一步的性能提升
   • 面向机器学习应用优化的 In-memory 存储引擎
4. 案例分析：某银行事中交易反欺诈
5. OpenMLDB 的未来规划

你将获得：获取开发机器学习应用新的思路，以及了解当前机器学习应用开发面临的挑战。