Kubernetes是管理集群环境中容器化应用的系统，基于用户负载编排计算、网络和存储基础设施。它集合了平台即服务（PaaS）的简洁和基础设施即服务（IaaS）的灵活，还支持跨基础设施提供商移植。Kubernetes提供了一个容器和微服务平台，可以快速、可预测地部署和伸缩容器化应用。

演讲中，我们先重温一下Kubernetes的架构，介绍预期状态管理、服务和部署解耦，了解市面上面向Kubernetes的各种基础设施产品。理解为什么说Kubernetes和云提供商为开发者创建了最好的开发和部署PaaS和IaaS。最后，我们将通过一个Demo演示Kubernetes在公有云和私有云上的应用。

Kubernetes is a system for managing containerized applications in a clustered environment.  It orchestrates computing, networking, and storage infrastructure on behalf of user workloads.  It provides the simplicity of Platform as a Service (PaaS) with the flexibility of Infrastructure as a Service (IaaS), and enables portability across infrastructure providers.  Kubernetes offers a container and microservices platform that can deploy and scale your containerized applications quickly and predictably.

This talk will go over the architecture Kubernetes, introduce the key concepts of desired state management and decoupling of service and deployment, survey the landscape of varies infrastructure offerings for Kubernetes.  We will look into the values cloud providers bring to the table and why Kubernetes and cloud providers creates the best development and deployment PaaS and IaaS infrastructure for the developers in the coming years.  We will go over a quick demo on both AWS and PKS (Pivotal Container Services) to show Kubernetes in action in both public and private cloud providers.

自然语言理解（NLU）是人工智能的前沿领域，而机器翻译又是弥合语言鸿沟的利器。随着深度学习技术的引入，Google在机器翻译领域取得了长足的进展。田野博士的主题演讲将着重阐释机器翻译深度学习模型的演进、工程实现，以及它们如何为Google平台上的许多产品中发挥着不可替代的作用。作为拥有十亿级用户的Google Translate，支持一百多种语言互译，做为AI落地的成功应用出现在pixel buds、word lens等产品中。而Cloud AI更是通过云平台使Google顶尖的机器翻译引擎实现了共享，使得用户们可以大规模的使用，或者在其基础上进行适合各自应用场景的个性化训练。

本次分享将介绍Linkedin derived data platform以及其如何帮助Linkedin更好的管理机器学习的结果数据集。

主要内容

1. Linkedin机器学习的基本流程，着重于如何将结果数据集应用于线上application，并阐述原有流程的痛点。
2. 介绍derived data platform的整体设计以及几个关键技术点，例如如何合并批量和实时数据。
3. 通过几个实例，例如数据标准化和相关性计算，来介绍derived data platformr如何存储海量结果数据集，并为线上application提供高可用，高性能的服务。
4. 最后将总结在新平台上线和迁移过程中的一些经验，例如如何进行对用户无感知的迁移。

本次主题演讲将着重介绍如何利用开源分布式存储系统Alluxio 来有效的分离计算与存储。首先跟听众分享开源分布式存储系统Alluxio的设计理念，以及其在大数据与AI生态系统中的位置。之后将介绍存储与计算分离这样一个大数据与AI领域新的架构趋势，并从系统搭建、数据本地化、云部署等多方面分析Alluxio在这个架构上的优点，以及如何使用Alluxio搭建一个高效灵活的去耦大数据与AI训练平台。在演讲结束之前，讲师还将分享设计，构建与实现Alluxio分布式系统过程中的心得与思考。

随着深度学习的广泛发展，人脸识别的准确率有了巨大的飞跃。计算机通过自我学习得到的人脸特征更为可靠。将深度学习应用到人脸特征提取，使得人脸识别的精度有了进一步的提高。 VGGNet、GoogLeNet、ResNet是现今普遍流行的深度卷积神经网络（CNN）架构，基于这些架构训练出的的人脸识别模型，在公共数据集LFW（Labeled Face in the Wild）都得到了不错的效果。研究发现ResNet残差网络的结构可以加快收敛速率，提高训练速度和性能。而GoogleNet中的Inception模块，通过同一层中不同大小的卷积核可以得到不同尺度的特征。将GoogleNet中的Inception模块和ResNet相结合得到新的架构，可以进一步提高人脸识别模型的精确度。我们在此架构的基础上，训练出的新的人脸识别模型，在人脸识别公共数据集LFW达到了99.63%的准确率。

在金融数据领域，彭博用三十多年的时间从一个向用户提供部分美国公司金融数据的公司成长到了现在覆盖全球基本上所有公司的全方面的超大型集成平台。这些金融数据都需要从不同的格式中被尽可能快速并且准确的提取出来，标准化，最后通过统一的格式反馈到市场。在本次演讲中，我们将讲述在神经网络领域最新的突破如何帮助彭博对文件进行自动化处理，并将展示其在数据提取及分析方面体现出来的更高准确度和更快处理速度。

听众受益

1. 了解大数据背景下金融相关行业的一些独特挑战和问题，包括源数据源格式多样性及不规范性，准确性和低延时的高要求等；
2. 深入理解神经网络如何帮助从文件中识别和提取有用的金融信息；
3. 了解如何满足大型神经网络对数据和运维的海量需求；
4. 探讨如何高效率的大规模部署深度学习模型。