字节跳动作为全球日活超20亿的互联网公司，产品侧收到了大量的离线反馈/IM/举报/电话投诉，加上外部舆情数据/应用市场数据，构成了泛客诉域数据全集。如何基于泛客诉域数据全集，快速识别高危安全风险，优化产品体验等，带来许多技术上的挑战。

SkyNet 天网平台自2019年立项研发，投入20+RD&PM，日接入超过50+业务线和150+数据源，覆盖离线反馈/IM/举报/舆情/工单/电话 ASR/应用市场等多渠道，专注于数据分析、问题挖掘（安全+体验）和智能监控告警，项目沉淀算法以及工程专利超过20篇。

字节跳动作为全球日活超20亿的互联网公司，产品侧收到了大量的离线反馈/IM/举报/电话投诉，加上外部舆情数据/应用市场数据，构成了泛客诉域数据全集。如何基于泛客诉域数据全集，快速识别高危安全风险，优化产品体验等，带来许多技术上的挑战。

SkyNet 天网平台自2019年立项研发，投入20+RD&PM，日接入超过50+业务线和150+数据源，覆盖离线反馈/IM/举报/舆情/工单/电话 ASR/应用市场等多渠道，专注于数据分析、问题挖掘（安全+体验）和智能监控告警，项目沉淀算法以及工程专利超过20篇。

演讲提纲：

1. 背景介绍
   • 安全+体验问题带来的挑战
2. SkyNet 天网平台架构
   • 天网的骨骼--架构
   • 天网的神经--调度
   • 天网的大脑--算法
   • 天网的血液--数据
   • 天网的皮肤--前端
   • 天网的喉舌--VoC
3. SkyNet 的落地推广与实践
   • 查询：构造千亿级数据量 OLAP 引擎
   • 定位：问题归因能力
   • 跟进:  闭环解决方案
   • 智能：AI 能力赋能智能化
4. SkyNet 天网平台核心算法能力介绍
   • 文本理解标签化
   • 多模态语义理解
   • 未知事件聚类
   • 多渠道数据 StoryLine 低频低热问题识别
   • 时序预测与智能告警
5. 总结与展望

你将获得：

1. 通过 NLP 技术对反馈进行情感分析和构建标签化体系
2. 通过 NLP 聚类与词频分析技术对反馈进行未知态势问题识别
3. 通过 NLP+CV 多模态技术提升问题挖掘能力
4. 通过时序预测+多种策略联合决策进行智能告警
5. 构建大数据 OLAP 引擎，对多类型数据源进行实时查询与消费，日均处理数据千亿级
6. 跟AB、画像、客户端 Trace、APM 等数据打通，构建基于场景和时间线的流事件分析能力

随着近年来算力的逐步增强，强化学习技术在游戏中逐步崭露头角，各个游戏大厂都已经开始在强化学习领域进行发力。2016年，AlphaGo 战胜世界围棋冠军李世石后，强化学习被推上新的高潮。

当游戏接入强化学习技术后，游戏 AI 机器人就会变得越来越智能，越来越像人类玩家的操作，而不是让人一眼看出来它就是个机器人。游戏与强化学习的碰撞，使得游戏产业进入了一个新的阶段。

本次演讲将从实际业务出发，讲解西山居中游戏 AI 如何与游戏相结合，碰撞出完美的火花。

演讲提纲：

1. 什么是强化学习
2. 强化学习与传统游戏 AI 的区别
3. 强化学习在游戏中的应用
4. 游戏中的强化学习架构方案
5. 游戏强化学习的一些经验总结

你将获得：

1. 了解强化学习的应用方向；
2. 了解目前业界强化学习的整体水平与落地情况；
3. 了解强化学习技术在游戏中的实际落地方案。

精排 CTR 模型对快手短视频推荐有非常重要的作用，主要算法也进行了几个版本的迭代。在2017年之前，快手的精排主要基于 Online LR 模型，特征工程是非常重要的一部分工作。2017年快手的精排模型从 Online LR 升级为 Online DNN，成功上线并取得巨大业务收益，快手精排模型进入 DNN 时代。在 DNN 时代，我们就如何提升模型的个性化表征能力做了非常多的工作，比如设计gating机制提升个性化，多源数据融合下的迁移模型，用户长短期兴趣建模等，并取得巨大收益。

演讲提纲：

1. 快手的精排模型演化历史
2. Online LR 时代的模型迭代
3. DNN 模型的迭代
   • DNN 模型的迁移
   • PPNet，DNN 参数个性化网络
   • EPNet，Embedding 个性化网络
   • 单双列时代的精排模型
4. 精排模型展望

你将获得：

1. 了解业界最先进的推荐模型实践
2. 针对业务特点的 CTR 模型实践经验
3. 推荐 CTR 预估模型演化展望

在诸如推荐系统，在线广告，风控反欺诈等机器学习应用中，数据分散在可能多达上百个零散的表中，且用户行为具有较明确的时序性。传统方法需要建模人员花费大量精力，进行繁琐的拼表、特征生成与选择等来提取有意义的特征。我们提出基于多表自动机器学习算法，能够根据表间关系，自动生成有用的时序特征和跨表特征拼接与聚合；并且在规定时限和资源消耗下，自动选择最佳的机器学习模型。凭借创新性的多表 AutoML 技术，我们能够产生更加高效的、实用的、端到端的自动机器学习方案。

演讲提纲：

1. 基于多表的自动机器学习背景综述
2. 自动拼表与特征
   • 类型推断
   • 多表视图与拼接
   • 特征衍生与选择
3. 资源感知的自动机器学习方案
   • 时间与内存预估
4. 多表自动机器学习落地案例

你将获得：

1. 了解自动机器学习，特别是多表自动机器学习现状和挑战
2. 了解多表自动机器学习技术（平台及应用案例）
3. 了解以上技术在工业界的落地情况