演讲提纲：

1. AI 时代，如何更深入地发掘数据潜在的价值

2. 云原生分布式 Data Warebase 开启处理数据的新范式

3. 构建云原生分布式 Data Warebase 的要素

4. 数据涌现智能，一个系统满足业务全方位数据需求

听众收益：

• 了解数据领域最新发展趋势
• 如何借助新一代数据系统更好地提升业务价值
• 了解AI 时代应当搭建什么样的数据底座

随着数据驱动决策在商业、金融和科技领域的日益普及，对实时数据分析的需求也随之增加。OLAP 数据库具备高性能的存储以及完备的 SQL 查询能力，而流式数据处理技术为低延迟的实时数据分析提供新的技术方案，通过对 OLAP 数据库的存储和查询引擎进行流批融合处理的改造，可以有效地将流式数据处理的实时性与 OLAP 数据库的高效存储及 SQL 能力相结合，从而使得 SQL 数据查询可以从单纯的对历史数据的批处理查询转换为更加灵活的跨流式数据 / 历史数据的融合查询，大大简化实时分析技术方案。本次演讲将从业务场景出发（如：实时数据集成及 ETL，实时指标分析场景等），并结合真实的应用（如：Timeplus Cloud 实时可观测性，头部证券公司量化交易指标实时监控），阐述相关的技术方案以及其中涉及到的流式数据处理和 OLAP 数据库技术如何结合等问题.

演讲提纲：

1. OLAP 数据库 VS 流式数据处理

2. OLAP 数据库的流批融合应用场景

3. OLAP 数据库的流批融合的技术挑战

4. OLAP 数据库的流批融合技术方案

5. OLAP 数据库流批融合案例分析

听众收益：

• 了解 Timeplus 在 OLAP 数据库流批融合技术的最新进展以及实践经验
• 了解新的解决实时分析问题的思路和方案
• 了解实时分析技术的发展趋势与前景

方案痛点：

• Streaming SQL 的标准化
• Streaming Only 场景下的数据存储冗余

与传统关系型数据库相比，图数据库在处理复杂关系数据时具有显著的优势。特别是在需要进行深度搜索及图模式识别的场景中，如金融风控、推荐系统等。尤其是在金融风控领域，图数据库可以帮助金融机构快速识别风险和机会，提升风控能力和效率。但在业务系统对实时性的需求越来越高，同时伴随着越来越复杂的业务模型，图数据库的功能、稳定性和性能仍经受很大挑战。

本次分享，我们将深入探讨图数据库的现状及其在大数据应用中的技术挑战与应对方案，分享用图数据库支撑实时业务系统的先进解决方案、图的查询优化的一些技巧，以及图数据库时序图的典型应用场景，并结合在金融风控场景下的多种图模式的应用，深入探讨图数据库在这些场景中的独特优势。我们还将分享一些图数据库在金融风控系统中的实践案例，展示图数据库的强大功能和应用价值。

YDB is a versatile open-source Distributed SQL Database that combines high availability and scalability with strong consistency and ACID transactions. It provides services for ML-products and goes ahead of vector search.

Outline：

The database is used for industrial operations within Yandex. Among its clients, Yandex Market, Yandex Alice, and Yandex Taxi. They are some of the largest and heaviest AI-based applications.

The database provides true elastic scalability, capable of scaling up or down by several orders of magnitude.

At the same time, the database is fault-tolerant. It has been designed to work across three availability zones, ensuring that the database continues to function even if one of the zones becomes unavailable. The database automatically recovers after a disk failure, server failure, or datacenter failure, with minimal latency disruptions to the applications.

Currently, work is underway to implement accurate and approximate nearest neighbor search for machine learning purposes.

Takeaways：

• Architecture of a distributed fault-tolerant database
• Approaches to the implementation of vector search on large amounts of data