哈啰出行在各业务领域的业务推进和拓展过程中运用了大量的机器学习算法、运筹规划算法等，算法的研发效能日益成为业务发展的关键一环。

本次演讲将为大家介绍哈啰出行算法中台的演进以及在提升算法研发效能方面的实践经验，以及具有哈啰出行特色的新算法、新引擎在一体化算法中台的落地。

演讲提纲：

1. 算法研发效率的困难与挑战
2. 哈啰算法中台的建设和演进之路
3. 开源生态下云原生算法中台的实践
4. 哈啰时空引擎助推出行业务发展

听众受益点：

1. 了解算法中台领域最新发展趋势；
2. 获得提升企业算法研发效能的方法和经验；
3. 了解与开源生态兼容的云原生算法工程的实践和经验。

在过去几年字节跳动各业务的数据建设，经历了分业务“烟囱式”建设到中台集中建设的历程，同时在这个过程中业务保持高速的增长、新业务百花齐放，在这个过程中数据中台如何应对这种变化并保持高速响应业务的能力就变的由为重要。

本次分享将从数据中台支持业务的视角，讲述字节的数据平台到中台的差异化实践，在落地过程中是以怎样的团队阵型去应对变化，在支持业务的过程中面临哪些常见的痛点问题，以及我们对应的解决方案。

演讲提纲：

1. 数据中台和平台的区别，为什么中台要服务化
2. 面临业务不同阶段要解决的问题和支持的差异
3. 如何构建服务化中台
   • 团队解决方案
     • 中台团队如何深度服务业务
     • 组织能力优势
   • 技术解决方案
     • 如何解决多元化数据应用场景下的口径一致性问题
     • 不同时效性场景下的指标计算方案选型
   • 典型落地场景
4. 未来的探索和机会

听众受益点：

1. 数据平台和中台在落地上的差异
2. 在字节是如何构建数据中台服务能力的
3. 在构建服务化中台过程中遇到的问题和思考

为了解决网易集团内部业务（严选、云音乐、传媒等）数据研发效率、质量和成本问题，我们构建了完整的数据中台支撑技术体系，支撑了网易各个业务线数据中台的构建。

数据中台使得网易业务的数据需求平均响应时间从一周缩减到3天内，数仓设计我们从规范性、完善度、复用性层面制定了多个关键指标，实现数仓模型设计可度量化，规范化管理；通过数据地图和自助取数平台，解决了数据找不到，非技术人员取数难的问题；通过全链路数据稽核监控，数据质量得到明显提升改善。通过全链路资源消耗分析，我们从应用、报告、指标、人的维度，消灭低价值的数据，实现了成本优化20%的目标。

数据中台无法直接体现业务价值，需要通过数据产品，来实现数据到决策、再到业务系统的闭环。为此，在数据中台的基础上，网易构建了数据产品体系，提出“人人用数据，天天用数据”的企业文化。

本次分享将重点结合数据中台在网易落地的具体案例，聚焦实现技术和流程规范，帮助大家深入了解数据中台在企业的落地过程。同时，结合数据产品，为大家介绍数据是如何借助中台+数据产品的方式，在企业成为新的生产力的。

演讲提纲：

1. 网易为什么要建数据中台
2. 网易数据中台建设之路
3. 网易为什么要从数据中台走向数据生产力
4. 网易数据生产力的最佳实践

听众受益：

1. 全面掌握数据中台支撑技术体系全貌
2. 了解数据中台支撑技术相关的系统设计和实现
3. 掌握基于数据中台支撑系统的日常研发流程规范
4. 了解如何基于数据中台构建数据应用场景

本次分享将从芯片技术，软件工程来推演数据库架构的演进历程。包括关系型数据库，并行数据库，分布式数据库，以及其索引，预读，缓存技术。软件工程和硬件工程都是在不同的数据读写场景上做取舍，从底层的物理限制，到上层的工程妥协，进而引入多模态数据库的概念，和其设计思路。

同时也会结合具体的案例来分析，什么样的场景适合使用多模态数据库，与业务该如何结合？会遇到什么问题，该如何解决？

演讲提纲：

1. 硬件与软件
   • 芯片如何运作
   • 软件的定义
   • CPU执行效率
2. IO瓶颈和解决办法：
   • 网络IO
   • 磁盘IO
   • 内存IO
   • 寄存器IO
3. 数据库架构演进：
   • 关系新数据库
   • 并行数据库
   • 分布式数据库
4. 多模态数据库核心架构：
   • 数据模态
   • 存算分层
   • 统一存储管理
5. 数据中台应用案例
   • 逻辑数据，物理数据
   • 元数据统一

听众受益点：

更好的理解技术层和业务层的关系。能够了解数据库的演进趋势，分析其⼯程取舍，其次是服务层，在进⾏数据开发时不同部⻔之间的信息壁垒。最后为何⼤家都在搭建中台，以及中台真正解决的问题。

在云上每天会产生海量的结构化数据，例如机器的监控指标，云服务的订单，这些结构化的数据每时每刻都在产出，峰值的读写压力可以达到数千万 TPS，如何高效低成本的存储这些数据呢？对于业务来说，满足数据基础的存储需求之外，如何提供实时的分析能力，基于分析结果发现潜在监控异常或者是订单增长趋势呢？这些读写，实时分析能力都是数据中台需要必备的能力。

对于阿里云来说，存储计算分离架构下的云原生结构化数据存储引擎满足这些多样化的存储和计算需求的方法是什么？在高吞吐写入存储这些数据的同时，实现数据的实时计算和交互分析查询又是如何完成的？随着数据的积累，如何进行存储分层？降低成本诉求的同时，如何满足历史数据离线分析？

本次演讲将介绍全新的云上 Lambda 架构，分享阿里云的结构化存储引擎解决这些问题的方法，并打造出具有独特优势的云上大数据存储分析架构。

演讲提纲：

1. 业务发展对数据中台提出的新的需求和挑战，结合开源架构和业务场景分析结构化存储需要提供哪些能力：
   • 海量数据实时存储
   • 海量数据实时计算
   • 计算结果交互分析
   • 全量历史数据离线分析
2. 阿里云自研结构化数据存储引擎在支撑数据中台需求的产品迭代思考：
   • 云上流批一体 Lambda 架构
   • Tablestore CDC 设计和思考
   • Tablestore CDC 对接流计算
   • MPP 引擎对接 Tablestore
   • 行列混合交互分析能力
   • 基于 Data Lake 数据分层架构
   • 云上结合 OSS 的数据分层方案
   • Delta Lake 演进
3. 结构化存储数据中台在阿里的业务效果：
   • 业务数据下沉至数据中台，由中台提供统一的存储
   • 中台承载大流量复杂查询和分析，以及无限制的存储
   • 存储计算分离架构，流批一体存储，让计算的灵活度大大加强
   • 线上业务数据规模
4. 未来的探索
   • 统一 SQL 查询
   • 结构化大数据架构的演进趋势看未来
   • 结合 Lambda、Kappa、Lambda plus 以及 Data Lake

听众受益点：

1. 数据中台的云上架构和核心能力
2. 云上大数据架构细节
3. 存储引擎的设计思路
4. 阿里内部数据中台的实践