使用微信扫一扫分享到朋友圈
AI智能、算力、云计算、大数据、数字化转型、生态发展、技术创新等先进数字技术成为加速企业转型的支撑力量,团队引入成熟人才,部署和解化适合企业层面的数字平台,数字化平台与全行业结合,产业互联网逐渐近向"数字孪生“,而软性工程最本质的东西,要时刻重的,技术依日是为业务提供服务,企业数字化在未来三年又是一个关键时期,内生动力是企业需要与产业发展相结合,使用数字技术,需要回归业务本质,本次峰会将以算力+智能为主旨,云原生架构、应用现代化、数字化产品、可观测、研发效能、组织效能等数字技术进行全面解析,帮组企业构建和借鉴适合自身的技术实践。
开幕致辞
笑含 CSDI发起人,百林哲创始人兼CEO
计算的物质科学
敬请期待神秘嘉宾
企业数字化基石:智能化数据中心运营
高性能计算集群:AIGC算力的底座
〇 分享简介 〇
数据、算法、算力共振推动AIGC发展,随着AIGC应用场景的不断扩大和数据量的不断增加,需要更强大的算力来支持大模型的训练和优化。高性能计算集群作为一种强大的计算资源,可以提供更高效、更快速的计算能力,帮助大模型更快地训练和优化,从而提高模型的准确性和泛化能力。因此,算力的不断提升是AIGC发展的必要条件之一,也是人工智能技术不断进步的重要保障。
本次分享将从算力云化的演进出发,阐述在AIGC引发的大模型时代,高算力和高智能对基础设施的挑战和实践中探明的一些发展方向。
〇 分享收益 〇
目标
云上输出大模型训练优化经验与实践能力
成功要点
1、 网络拓扑结构的优化;
2、 训练框架与通信库的优化;
3、 硬件故障处理流程;
4、 全方位监控体系;
启示
大模型训练算法复杂、模型参数量大,需要大规模的高性能计算算力,高速、低延迟的网络传输能力和高性能的存储能力,才能达到计算性能高,网络交换快,存储延迟低的性能目标。这种有效缩短训练时长,高效、稳定完成大模型训练任务,AIGC算力基础将有高性能计算加持。
〇 分享亮点 〇
1 AIGC场景下,大模型趋势的演进以及对算力的诉求;
2大模型训练算力解决方案简介
a. 高性能计算
b. 高性能网络
c. 高性能存储
3行业前景以及未来算力发展方向
4.高性能计算集群在人工智能领域的重要性和发展前景
国产“ChatGPT”和大模型研究现状与未来发展
智慧金融技术
大模型产品矩阵智能化服务应用
AIGC生成式大模型
弹性计算:集计算、存储网络一体智能化
互联网是一个真正技术密集型产业,在人口红利已经见顶的情况下,研发效能相关的工作,不管是端到端devops平台的建设,效能洞察驱动过程改进,还是强化单兵能力,提高跨团队协作能力,必须全面综合各种手段提升研发效能已经成为行业共识,尤其2023年伴随chatgpt的横空出世,对传统软件研发模式的冲击迅速而来。研发质量效能更加夯实产品研发基础设施,赋能组织持续高质高效地交付产品价值和质量。
本专场将邀请多位效能领域专家,从平台,文化和流程等多维度视角展现效能提升改进思路,同时对AI for Dev领域也进行一定延伸和研讨。
出品人:白伟 快手研发工具链团队负责人
技术战略模型下的研发效能度量及其治理
编程现场现代化助力研发效能提升
〇 分享简介 〇
编码是研发过程中投入时间和精力最多的环节,编码环节的提效对于整体研发效能的提升是至关重要的。但从过往来看,针对编码环节的提效工作做的是偏少的,随着云和大模型技术的兴起,开发环境的云化、编码过程的智能化成为了行业重要的课题,
百度在多年的现代化编程现场的探索和实践中,总结了其三大特征:高效、智能、持续演进,和四大方向:在线化、一体化、数字化、智能化。并针对于此,构建了云IDE平台,当前已覆盖厂内80%的工程师,实现了开发环境的即用即得。编程现场大数据结合文心大模型,打造智能编程助手Comate,帮助工程师实时续写和生成代码、注释、单测,更快更好的完成开发任务,当前已覆盖70%工程师,高活用户采纳率将近50%,提效效果非常明显。
本次分享旨在给参加者对于现代化的编程现场一些启示,帮助参与者对于编码环节提效产生一些思路和投入的方向,使用云和大模型技术帮助企业实现软件生产力的提升。
〇 分享收益 〇
目标:
了解研发提效的关键环节,编码环节的提效方向,以及百度多年在研发在线化、编码智能化的探索和实践
成功(或教训)要点:
1、通过开发环境的云化,实现研发全流程在线,开发环境随时随地,即用即得,可以很好的解决开发环境部署困难、不一致、难复现、性能差以及跨OS开发困难等常见开发问题
2、研发工具和服务一体化集成到云IDE中,可以提升工程师的专注度和研发效率
3、基于大模型和编程现场大数据构建的智能研发助手,通过帮助工程师实时续写和生成代码、注释、单测等能力,可以极大提升工程师的编码效率和质量
启示
编码是研发过程中投入时间和精力最大的环节,编码环节的提效至关重要。开发环境的云化和编码过程的智能化可以极大的赋能编码提效,实现编程现场的现代化
〇 分享亮点 〇
1 研发提效的关键场景:编码
1)寻找研发提效的方向
2)推进编程现场从小作坊到现代化
2现代化编程现场的特征和探索方向
1)三大特征:高效、智能、持续演进
2)四大方向:在线化、一体化、数字化、智能化
3百度现代化编程现场的实践和案例
1) Dev in Cloud
2)代码智能化
3)未来的规划和畅想
4 QA
质效一体:测试环境治理在Devops中的应用
数字化质量工程:质管中大数据创新应用实践
AI终端声效果一线测试实践及探索
近年来,随着企业数字化转型浪潮的兴起,传统的运维方式已无法适应,由运维主导的DevOps研效提升、面向运维工具研发的平台工程、围绕业务稳定性的SRE、面向云原生的运维以及借助人工智能、大数据的AIOps等运维新模式,正逐步成为运维领域发展的趋势。
本专场以探讨在企业内落地研发运维运营一体化,整体提高业务团队研发效率、降低成本、优化用户体验等方面的最佳实践。包括研发运维经典的实践以及成功案例,以及自动化运维、DevOps、大数据运维、AIOPS等方面的案例分析和实践经验。让业务场景化和极具稳定性,端到端持续交付来提高研发效率以及交付质量。
出品人:党受辉 腾讯助理总经理
大型企业数字化新运维实践
京东超大规模下的大数据运维实践
大型互联网端到端稳定性运维建设实践
〇 分享简介 〇
DevOps第一阶段许多企业最关注提效,通过容器化,借力元原生,加强内部工具和自动化建设之后,交付的效率和质量通过度量数据(需求数、研发周期、延期需求、BUG、故障数、处理时效等指标)发现不再是我们的主要矛盾,此时次要矛盾(稳定性)会成为主要的矛盾。
应用生命周期里,从开发、测试,部署上线之后的运营,影响稳定性的因素有很多,代码质量、测试质量与覆盖面、规范与流程,操作和责任心,都会息息相关。
本次分享重点围绕着三个方面来展现稳定性建设方面的经典实践,以SRE为主导的组织升级,让部门协助的组织架构有明确管理、高效沟通、高效负责;以度量体系 建立指标体系,让发现、追踪、跟进、复盘等良性循环;以专项 治理和机制,运动式解决当前主要矛盾,同时智能监控与报警机制,不断优化召回率,以达到先于精准发现问题的能力。
〇 分享收益 〇
目标:
1、明确组织升级在稳定性建设中的价值体现 ,包括SRE职责、Oncall机制、Oncall人员能力建设及职责;
2、建设可以发现问题的方法和能力,从可观测的指标,通过专项治理的动作,定期的Review ,成解决问题的一整套机制。
成功要点:
1、打破各部门的边界,串联起测试、运维、开发、其他等多部门,都需要往前迈一步的思想和动作,同时,明确解决问题的第一负责人,从全局视角看待稳定性,不放过任何一个影响稳定性的风险点。
2、专项治理:每家企业主要矛盾不完全一样,但,寻找问题的方法是相似的,度量指标看问题,专项治理解决问题
启示:
稳定性治理关键核心要点
1、SRE,从被动支持,到主动驱动,从只看部门内,扩展到整个公司
2、流程与工具、平台约束提升稳定性至关重要,收好口,是减少误操作或乱操作的有效方法。
3、通过量化数据解决核心矛盾,结合每家实际情况。规范治理动作。
〇 分享亮点 〇
1、建立稳定性度量指标,通过指标看阶段性主要矛盾
2、从运维到SRE,完成组织升级,组织升级带来的组织变革。
3、专项治理实践:运动式当前主要矛盾、机制(流程、规范)和平台(约束),让同类型的问题得到根治
其中,完善SOP,设置必要的checklist,确保从治理一刻开始,后续不再出现漏添加等问题,除监控与报警,以及异常检测中大于n秒接口、异常状态码、SQL治理、元数据治理等专项。
4、通过治理引发的效果及可复制应用实践
5、稳定性的一些发展思考
6、QA
京东超大规模下的智能运维实践
中大型企业AIOPS落地实践
从IoT到机器人,从区块链到Web3,从5G到边缘计算,从虚拟现实到元宇宙,从大数据到AIGC,让人应接不暇。
数字技术加速融入并深刻改变每一个产业,各行各业的价值链被数字技术重塑,数字化转型成为各行各业的共识。在这一变革过程中,技术与业务的关系正发生根本性的转变,技术开发和交付方式也随之升级。技术研发组织是数字化转型的引擎,是企业数字化转型重要的支撑力量。同时,研发组织自身也面临着数字化的转型。
本专场将专注于数字化转型背景下,研发组织需要做出怎样的改变,它要求技术团队在各个方面进行转变和重构,一方面是软件研发的组织形式及流程设计,建立符合数字化时代快速反应的组织结构,另一方面是面向业务价值交付能力设计,高效地做好需求及价值共识,最后效能洞察及支撑的数字化研发工具体系,及时有效地充分利用技术升级带来的效能红利等,全面提升组织效率,来满足业务的要求。
出品人:张燎原 阿里巴巴研发效能资深专家
“研发效能36计:构建面向价值交付的数字化研发体系
数字民工的产品数字化
智能化数字化转型创新实践
一把手工程:金融数字化转型
ChatGPT在智能投顾领域应用探讨
随着深度学习技术的不断发展,深度自然语言处理(Deep NLP)的应用和研究正在迅速发展。本专场着重探讨深度自然语言处理应用和研究的三大趋势:
1、大模型范式:随着计算资源的不断增强,研究者们可以构建规模更大的深度学习模型,例如BERT、GPT、Transformer-XL等。这些模型在自然语言理解和生成方面表现出色,使得机器翻译、智能问答、文本生成等任务得以更好地完成。
2、多模态应用:自然语言处理与图像、音频、视频等多模态数据的结合被视为深度自然语言处理领域的重要趋势。例如,在自然语言生成中,结合图像或视频等多模态数据可以使生成的文本更加生动形象。在自然语言理解中,多模态数据可以帮助模型更好地理解自然语言。
3、算力和架构挑战:深度学习需要大量的计算资源来训练和优化模型。随着模型规模的不断增加,训练一个大模型需要巨大的算力和存储资源。同时,知识蒸馏可以将大模型的复杂知识压缩到小模型中,从而实现小模型的高性能和高效率,这种方法在计算资源有限或需要在嵌入式设备等资源受限的环境下特别有用。
给予AI从业者全方位的借鉴和提高。
出品人:杨浩 华为2012 文本机器翻译实验室主任
Deep NLP在多类2C/2B 的实践
AGI赋能工业制造的技术及应用
同传算法研究和优化
华为全栈的机器翻译平台
蔚来汽车深度学习算法实践
大数据架构向云原生演进是行业重要趋势,也在企业数字化转型中成为支撑企业经营和业绩增长的主要手段之一。通过升级云原生架构,可以为大数据在弹性、多租户、敏捷开发、降本增效、安全合规、容灾和资源调度等方向上带来优势。
传统的大数据架构存在诸多问题,大数据业务和在线业务使用独立的资源池,导致资源流转困难,进而导致利用率低,成本上升;传统大数据组件繁多,安装运维复杂,在生产中使用需要大量的专家人力支持;传统大数据架构没有 CICD 机制,缺乏测试和质量控制流程;传统大数据缺少开箱即用的高可用、多租户、日志、监控、告警、认证、授权、审计、计费等能力。
本专场将邀请云原生大数据的一线技术专家分享在大数据云原生化方向进行的深入实践.
出品人:李亚坤 火山引擎云原生计算技术负责人
云原生大数据架构实践
存算分离的架构设计
云原生大数据引擎实践
大数据业务实践
金融数据中台演进之路
进入数智化时代,云上创新是企业加速数字化转型、提升竞争力的必经之路。作为诞生于云计算时代的新技术理念,云原生拥有传统 IT 无法比拟的优势,可以在资源管理、调度、弹性等方面做到更细粒度,帮助企业实现成本优化。
云原生能从技术理念、核心架构、最佳实践等方面,帮助企业 IT 平滑、快速、渐进式地落地上云之路。但我们也能看到一些行业因为种种原因,虽然认可云原生的价值,却因为遗留系统、技术债务等问题,还没有真正落地。一方面:企业对以容器为底座的云原生架构的启动效率、资源开销、调度效率、成本治理、故障定位等方面都会出现更高的要求。另一方面:企业需要采用平台工程的理念,重构研发组织文化和组织架构,将不同工作负载的统一管理,使得应用、中间件、AI和大数据等通过统一的基础设施进行治理。
本专场将邀请深耕云原生技术的一线专家,系统分享以Kubernetes为基础的云原生技术在Serverless、ServiceMesh、弹性和调度、企业级生产落地、云原生安全等架构创新方向的探索和落地实践。
出品人:汤志敏 阿里云云智能资深技术专家 容器服务ACK/ASK 技术负责人
Serverless Kubernetes 架构与AI应用实践
〇 分享简介 〇
以 Kubernetes 为代表的云原生实践已经成为企业上云的最短路径,越来越多的企业开始基于 Kubernetes 在云上构建自己的基础设施。伴随企业业务规模的增长,每个企业都希望在云上通过弹性提升资源使用率,降低成本。继传统的微服务应用之后,大数据和 AI 场景的应用也开始在 Kubernetes 基础之上构建。大数据场景的 Spark 应用开始逐从 Yarn 渐向 Kubernetes 迁移,而 AI 新型场景的分布式架构生产级实践几乎都是围绕这 Kubernetes 展开。
相伴而来大数据和 AI 场景的兴起,决定Kubernetes 架构的复杂性问题和面向资源的成本控制越来越难。大数据和 AI 场景的共同特征是资源需求量是波动的,不是稳定不变的。构建 Serverless Kubernetes 产品形态,一方面是形成标准化,另一方面是与云基础设施深度整合,让技术资源可以弹性灵活选择。凭借无服务器 Kubernetes 技术,多场景需求成为最灵活的技术支撑。
本次分享将让参会者理解 Serverless Kubernetes 构建的关键难点和解法,云上应用弹性的难点和解法,以及在典型 AI 场景中挑战和应对之策。
〇 分享收益 〇
1.目标:
构建 Serverles Kubernetes 的实践路径,以及在 Serverles Kubernetes 中构建AI应用的最佳实践,包括数据管理、模型训练和推理、工作负载调度等方面的方法和工具。
2.成功(或教训)要点:
1)Master免运维的难度:Kubernetes的master节点是集群的核心,需要处理API请求、维护集群状态,管理网络规则和路由等。实现免运维的难点在于如何设计自动化工具和流程来管理和维护这些核心功能。
2)Nodeless的挑战:在Kubernetes中,Nodeless是一种新的运行模式,它的目标是在不需要预先配置节点的情况下运行Pod。要实现这个目标,需要解决如何调度和分配资源,以及如何管理和隔离Pod。
3)模型管理和镜像秒级启动:AI 场景模型和镜像都很大,GPU 资源本身又很贵,所以按需使用资源在 AI 场景是刚需,而 AI 模型文件都很大,AI 应用的镜像也很大,这就给应用启动速度带来了很大的挑战,怎么解决大文件加载的冷启动问题在 AI 弹性场景是一个要解决的挑战。
3.启示
标准化与基础设施深度融合的 Serverless Kubernetes 形态是构建 AI 和大数据基础设施的最佳实践。
〇 分享亮点 〇
1. 分享Serverless Kubernetes价值应用
2. 构建 Serverless Kubernetes 的难点和挑战
3. 在Serverless Kubernetes中构建AI应用
4. Serverless Kubernetes的AI应用实践案例
5. 总结和展望
QA
基于MOSN的多运行时架构的生产落地实践
〇 分享简介 〇
ServiceMesh的发展,将RPC能力下沉到了Sidecar中,实现了应用与流量治理的解耦,应用不再需要关注限流、服务发现、服务注册等一系列复杂服务治理能力。但传统的微服务应用除了依赖RPC能力外,往往需要依赖多种分布式运行时能力,比如对象存储、消息队列、配置读写、缓存等能力。
伴随着上述运行时能力以及云服务提供商的多样化,导致了传统微服务应用在开发部署中面临了新的挑战。首先是移植性问题,传统微服务应用跟运行时能力强绑定,无法做到不同平台之间的无感迁移。其次不同编程语言的微服务应用无法共享一套SDK,需要重复性的“造轮子”。基于多运行时架构能力,可以实现将运行时能力下沉到Sidecar中,实现运行时能力与应用的解绑。
本次分享将让参会者理解多运行时架构发展建设的关键难点和解决方法,ServiceMesh与多运行时时架构的融合方案,多运行时架构落地实践中的痛点和解决方法。
〇 分享收益 〇
1. 目标:
多运行时架构和ServiceMesh的融合方案,以及如何在实际生产中落地多运行时架构的最佳实践,包括支持用户自定义拓展能力、性能优化、接口标准化定制等方面的方法。
2. 成功(或教训)要点:
接口标准化定义:基于多运行时架构构建的微服务应用,面向的不再是传统的SDK接口,而是一套基于GRPC的标准接口,因此接口的标准化定义决定了应用后期的可移植性。
与ServiceMesh相互融合:每引入一个Sidecar都会增加系统的复杂度,增加系统的运维成本,如何实现和ServiceMesh的融合,让ServiceMesh和多运行时架构融合在一个Sidecar中,降低应用部署和运维的复杂度至关重要。
用户自定义拓展接口:接口的标准化定义是一个漫长的过程,从Proposal到最终的敲定往往可能经历数月之久,如何在标准化的同时,支持用户自定义接口是一个需要解决的挑战。
3. 启示:
通过多运行时架构,实现将运行时能力下沉到Sidecar中与ServiceMesh相融合是当前云原生背景下构建微服务应用的最佳实践。
〇 分享亮点 〇
1. 分享基于MOSN的多运行时架构价值应用
2. 落地基于MOSN的多运行时架构的难点和挑战
3. 分享基于MOSN的多运行时架构的落地实践案例
4. 多运行时架构的未来展望
QA
大规模云原生容器应用编排的技术实践
基于Istio的Service Mesh最佳实践
企业应用管理云原生技术转型和实践
〇 分享简介 〇
随着企业信息化水平的不断提高,应用服务已成为现代企业的重要组成部分。对应用的有效管理,直接决定了企业业务能否顺利开展,以及能否在成本和效率之间取得价值最大化。近年来,以容器为代表的云原生技术发展如火如荼,为企业应用管理提供了新的技术体系,开拓了新的思路。但如何在成本、效率和稳定性之间平稳落地应用云原生技术、兼容已有服务管理体系依然是我们需要持续探索和解决的问题。
后起之秀的得物,在快速的业务发展过程中基础设施的规模不断增长,继而对效率和成本的关注度也越来越高。以提升资源使用率和技术交付效率为目标,开始基于云原生技术建设整个服务体系的高可用性、可观测性、高运维效率,同时要保证成本可控。容器化过程中我们遇到了很多的挑战,包括:如何将存量的服务在保持已有研发流程不变的情况下,做到容器化部署和管理;容器化之后如何做到高效地运维;如何针对不同的业务场景,提供不同的容器化方案等;此外,通过技术手段实现持续的成本优化将是长期目标。
本次分享将结合得物在推进应用容器化过程中的容器平台建设、混部、调度和稳定性治理等相关方案和实践过程,与大家一起探讨如何在企业应用管理过程中落地云原生技术。
〇 分享收益 〇
1目标
1)分享云原生相关技术在得物内部的实践过程,供业内同行参考和交流。
2)调度优化、混部技术介绍和最佳实践。
3)容器平台/云原生AI平台建设过程分享。
2成功要点
1)在上云的同时,企业需要有核心技术方案的自建能力。
2)面向不同的业务场景,容器化的过程需要给出不同的解决方案,避免将容器属性强加给用户。
3)降本提效是云原生技术在企业中的最大价值,也应该是容器化实践的长期目标。
3启示
降本提效是容器化在企业中的最大价值,也应该是云原生技术落地实践的长期目标。
〇 分享亮点 〇
1、得物容器化推进历程
2、容器服务管理(配置管理、CI/CD流程设计、效率提升手段)
3、容器成本优化实践(画像/调度优化/混部时间/弹性伸缩方案)
4、云原生AI场景建设
5、QA
从消费端到产业端,各个行业的数字化进程都在加快,企业及组织都在积极进行数智化转型与探索。数智技术与企业自身业务场景相结合,为产品的体验设计,带来了很多新的创新机会。与此同时,如何能真正的将这些新的技术应用到产品设计中,为用户真正创造价值,提升用户体验,也面临着很多挑战。精准识别和定义智能化的场景,智能交互技术如何融入其中,业界有着全新的智能交互设计范式,好的产品和体验管理,构筑用户满意度更高的壁垒。
本专场将智能技术设计体验融合到产品中,让消费端体验升级。让产品注入更多智能化的线上线下服务体验,提升产业链的整体智能化、用户的智能决策过程,自动化过程等,优化增效。邀请业界资深用户体验设计专家和产品专家,分享数智时代下的体验创新设计实践与思考。
出品人:蒋颢 用友用户体验部总经理
全体验管理:重塑客户体验之旅
AI变革之下B端产品的智能化创新设计
〇 分享简介 〇
随着火爆全网的GPT的出现,每个领域都开启了全新的Ai时代,越来越多的AI产品涌现出来,很多旧的工种或者能力会被AI取代,但随之而来的也会有更多新的机会涌现出来。一切的变革都是双向的,而如何将这个“危险”转化为”机会“。
在这个风口浪尖的时候如何快速将变革创新做准,做对,跑快至关重要。 在AI的行业应用层面,大家更多是聚焦在C端产品的体验和运用上,例如火出天际的midiourney,大家都在积极去探索和使用它,但真正应用在复杂的企业应用中却并不太多。
本次分享基于客户价值对复杂业务场景的B端产品智能化设计的应用进行分析及设计。从B端产品是如何将智能化的商业价值。到变化极快的时代怎样培养正确的创新思维、系统性的创新;同时,B端产品在客户旅程里的价值链,与关键业务场景怎么融合智能化设计,用产品体验能力为企业降本增效。
〇 分享收益 〇
目标:
1、了解B端产品的创新思路及系统性的创新方法;
2、了解B端产品复杂业务场景融合智能化设计
3、了解到B端的客户价值链。
成功要点:
面对B端复杂业务场景的产品进行创新设计,产品价值链条在客户旅程中,怎样让创新设计与客户价值匹配的天衣无缝。
启示:
建立从创新思维,到创新方法,典型产品应用场景的设计的整体设计思路全流程。
〇 分享亮点 〇
1 AI变革之下如何进行产品创新
1)AI时代交互变革分析
2)如何培养正确的创新思维
2)系统性的创新方法论
2 B端产品的客户价值链分析
1)B端产品与C端产品的差异化特性
2)B端产品客户画像特性
3)B端产品客户旅程价值链
3 B端产品基于客户价值的智能化设计
1)通用性场景智能化设计
1)财务场景的智能化设计
2)业务场景的智能化设计
数据时代的用户增长实践
AIGC智能设计能力
用户体验与系统创新设计
应用现代化反映了变迁演变的过程,云原生、微服务、DevOps等,能够让企业进行软件敏捷迭代、加速产品开发创新的新模式都是应用现代化的典型特征,它延伸到应用的架构模式、运维模型和软件交付的全流程。从传统应用到现代化应用,包含很多关键技术:组装式交付,数智驱动,DevOps,服务化架构,安全可信,韧性等,本专场旨在向听众呈现最新的技术和实践经验,探讨现代化应用开发的最佳实践。
将探讨现代化应用开发的技术趋势和实践经验,为参会者提供一个深入了解现代化应用开发的机会,并学习如何运用现代化应用技术来优化开发流程和提高开发效率。涵盖多个现代化应用技术领域,包括容器、Serverless、基础设施即代码、持续集成/持续交付、可观测性和监控平台,以及应用弹性等,呈现现代化应用开发的璀璨,从架构设计到实现,从开发流程到监控,为开发者打造完美的技术之旅。
出品人:王宇博 亚马逊云布道师
Passs智能驱动的DevOps
架构安全:DevSecOps进一步安全左移
〇 分享简介 〇
近些年DevOps在众多企业内进行了落地,用以提高业务交付的速度和质量,从而提升企业的竞争力。传统安全开发模式因跟不上DevOps的快速的交付模式,成为业务交付速度进一步提升的瓶颈。为了解决这一问题,DevSecOps应运而生。DevSecOps通过安全左移,实现了安全和软件开发过程的完美融合,在保证业务交付速度的同时,使得软件开发更安全。
目前的DevSecOps安全左移主要集中在开发和测试阶段。然而,许多安全风险和威胁并非直接产生于开发编码阶段,而是项目设计阶段。在软件开发的生命周期中,任何风险与漏洞暴露的越晚,其修复成本和修复难度也就越高。因此,我们需要在 DevSecOps 的实施过程中去引入一整套适合DevOps模式的安全风险评估体系,让安全进行更彻底的左移,帮助项目团队进一步实现高质量和更安全的持续快速的交付。
本次分享将通过实际案例,讲解在技术,流程和人等各个维度的改变,最终实现安全架构设计在DevSecOps模式下左移的具体实现。
〇 分享收益 〇
目标:
1. SDLC安全左移中的安全架构设计
2. 安全架构设计在DevSecOps中进一步左移的具体方案和应用
成功要点
1加速现代化开发,成熟的DevSecOps实现将具有坚实的自动化,配置管理、编排、容器、不可改变的基础架构甚至无服务区计算环境。
2将安全集成到开发过程的所有阶段,形成完善的防御技术,提前发现并修补安全漏洞,从而降低了团队在产品开发周期中花费大量时间调整和修复的需要,成本效益更高。
启示
架构安全左移让DevSecOps团队及早发现潜在的安全风险,并在开发初始阶段确保消除安全威胁,从而进一步保障了产品的安全性并且减少了修复成本。
〇 分享亮点 〇
1 DevSecOps的行业价值解析
2 SDLC安全左移
3 DevSecOps技术和工具实践
4 经典案例: DevSecOps模式下进行安全架构设计左移
5 QA
微服务/serverless
低代码与 AIGC 融合打造低门槛、高上线业务平台
AIGC低代码创新智能研发(开发、资产场景)
随着企业业务的不断发展,对系统的可靠性和稳定性的要求越来越高。SRE将软件工程的方法应用于运维领域,能够更好地诊断和解决问题,提高系统的可靠性和稳定性,从而提升企业的业务水平和竞争力。
可观测性作为SRE中非常重要的一环,在现代化的软件系统中,系统规模越来越大,复杂度也越来越高,要求系统的可观测性非常高。可观测性在各种监控、日志、指标等手段来获取系统状态的实时信息,可更好地了解系统的运行情况、诊断问题和进行优化,基于可观测性的基础上,能够实现在变更、容量、压测、性能、容灾、应急定位等各类稳定性高可用场景下的实践和应用。
本专场以SRE构建大型IT系统可靠性工程,以及可观测性领域重要的时序数据库等基础设施和具体场景上的实践经验,进一步分享相应技术架构演进与性能优化实践,让与会者了解整个SRE领域最重要的可观测性相关的基础技术。
出品人:月凡 蚂蚁智能变更和AIOps负责人
大数据SRE技术运营体系建设之路
强业务韧性的云原生可观测运维技术
高预警IT系统可观测建设实践
SRE效能体系建设的实践与反思
金融级产品全链路SRE实践
后疫情下,无论个人日常生活还是政府的社会治理,数字化渗透的程度都产生了明显的改变,同时,在企业管理上,特别是研发型企业组织中,“项目”作为实现战略、交付价值最重要的手段,项目管理的数字化也发生了长足的进步:割裂的产研活动信息在被打通、全链路的价值效率在被度量和分析、产研的工作方式正在被重构、更加精细化的组织管理和运营成为可能。
本专场将聚焦互联网组织里的项目管理数字化转型,通过解析不同互联网公司在项目管理数字化上的理念思考、架构设计及实践案例,给参会者从多个视角全面概览“项目管理数字化”这个话题的机会,希望帮助大家在这个话题上能刷新认知,并对其他公司的组织管理改进提供参考、带来启发。
出品人:鲁佳 大淘宝PMO高级项目管理专家
协同目标管理的项目管理
大型互联网PMO多项目管理实践
OKR项目管理实践
OKR项目管理实践
数智化项目管理和组织能力
生成式大模型成为了近期AI技术研究热点,也是一次AI技术的变革,会迎接到几大技术趋势:生成式AI进入应用爆发期,将极大推动数字化内容生产与创造;城市数字孪生在大规模趋势基础上,继续向立体化、无人化、全局化方向演进;基于多模态的预训练大模型将实现图文音统一知识表示,成为AI基础设施。融合运筹优化和机器学习的双引擎智能决策,将推进全局AI动态资源配置优化等等
智能浪潮下,任何一个领域都有被重塑的可能,本次专场将讨论生成式大模型相关技术的发展趋势,并探讨在各个行业和领域应用的机会和挑战。
出品人:张佶 阿里巴巴达摩院资深算法专家
生成式AI对话大型语言模型
AI背后的技术:云、AI大模型融合应用
垂直大语言模型的技术演进与应用实战
大模型技术在AIGC领域的应用探索
企业级智能搜索算法大模型研发实践
近期,国家积极发布数据要素、数字经济、数字中国方面的政策,全力推动数字经济和数字中国发展。数据科学是为数字经济和数字中国提供基础与技术支撑的学科,它以大数据为研究对象,以机器学习、统计学和数据可视化等学科为主要理论基础,运用建模、分析、计算和机器学习等方法研究从数据到信息、从信息到知识、从知识到决策的转换,释放数据价值,最终实现生产力的提升。
本专场将结合政务、金融、工业等领域的数字化转型实践,向业界呈现如何利用数据科学释放大数据要素价值、构建数据智能应用,并最终支撑数字经济的发展。
出品人:刘译璟 百分点集团技术副总裁兼首席架构师
业务驱动的搜索推荐构建大模型算法应用
数据挖掘与机器学习
营销领域AIGC前沿技术发展和挑战
投放算法模型与存量经营算法模型实践
基于Iceberg的EB级机器学习样本存储优化与实践
随着新一轮科技革命和产业变革蓬勃兴起,互联网、大数据、云计算、人工智能、区块链等新技术与各行业加速融合,数字化转型成为企业发展中的热门话题,先行企业在数字化转型中逐步验证了在助于提高企业的创新产出和创新效率。数字化转型通过数字技术整合到企业的各个方面,使其能够适应不断变化的市场需求,数据服务在数智化转型中及担任数据赋能的重要抓手,同时也是以终为始促使数据整合、创新的源头,承担着承上启下的重要职责,如数据计算、数据仓库与数据湖数据分层的组织、对外部提供数据服务满足业务需求,数据服务附加的实践能力包括数据开发体系、数据资产地图、元数据是重要的能力承接。在数据服务架构体系中既对架构师提出了数据生命周期全盘统筹的思考,又要满足在企业业务满足中的最优实践,涵盖应用接入层、数据服务层、数据层等多方面内容整合。
本专场将围绕“让数据发挥大价值,数据服务架构最佳实践”主题,探讨数字化转型的形势下,企业如何运用数据服务架构的最佳实践打造助力于业务创新增长、发挥数字资产核心价值。帮助客户在大数据服务体系化演进、数据资产构建的应用实践、数据价值的创新挖掘、数据服务大规模挑战下优化等展开,拓展数据服务在数智化转型中扮演的角色,获得行业在落地过程中的优秀实践。
出品人:梁福坤 京东科技数字城市群总架构师
新一代云数据平台架构
大规模数据服务优化实践
AIGC时代的超级个体:业务、架构和实现的融合
〇 分享简介 〇
AIGC正在给软件研发的形态带来根本性的改变。分工越来越细、框架、基础设施越来越复杂的趋势,将会被从根本上扭转。具有业务能力,同时,有效掌握了架构技术和实现能力的超级团队和超级个体,生产力将会获得数量级的提升。在这样的时代,我们需要更多架构能力支撑战略。
本次分享将从软件开发的价值创造过程出发,结合一线实践,分享AIGC在精益需求分析、领域建模、接口和契约以及演进式设计等若干方面将会带来的关键变革,以及软件架构师和开发人员应该为此奠定诸多良好技术基础。
〇 分享收益 〇
1. 目标
(1) 建立大语言模型时代的软件开发人员能力图谱。
(2) 理解价值为导向的精益软件设计方法论的关键实践和实践之间的联系。
2. 成功要点
在AIGC时代,建立高效的方法论,更有效地和大模型协同,发挥架构师的核心价值,有效提升生产力。
3. 启示
(1) 探索和发现仍然是软件开发的本质问题。AIGC可以加速探索和发现,但是人类仍然是探索和发现的主体。
(2) 围绕业务目标的快速构建和探索将会更加高效。领域模型在其中将扮演重要的角色。
契约是设计的核心,需要予以更多的关注,技术细节的影响将会弱化。
〇 分享亮点 〇
1. 审视软件设计的全过程:以探索和发现为中心
(1) 案例研究
(2) 领域模型、由外而内和设计契约
(3) 组件开发和复用
2. 利用好第二大脑:软件各个环节的副驾驶
(1) 需求分析和迭代规划环节的辅助
(2) 领域模型作为输入还是输出?
(3) 围绕设计契约的自动化构造和契约管理
3. AIGC时代的精益软件设计方法论
4. 未来探索:应用生态和应用架构的范式迁移
QA
数据产品架构优化
京东实时数仓治理与实践
数字化产品是以产业新的商业机会和产品商业逻辑,从单一技术的应用发展到整个产品产业结构的重构。这个过程中企业有大量的流程自动化、应用场景化、业务数据化到数据资产化。尤其是在数字化进程推进下,众多企业逐步改善了工作流程,解决了流程效率问题。
伴随着大数据、AI等技术的发展,在数字化经纬交错的画卷下,企业由“改造四肢”转向“改造大脑”,由此数字化产品逐步贯穿于企业经营的每个环节,完成全面的服务进阶。
本专场将以“数字化产品:数据驱动的服务进阶落地”为主题,围绕数字化产品落地建设经验,探讨数字化产品如何挖掘数据资产价值、赋能企业发展,并探讨产品和大数据产品从业人员面临的机遇与挑战。让企业找到适合进行数字化产品改造和发展需要的,以及数字化产品助力企业发展,铸就企业数字化产品落地的关键支点。
出品人:张小墨 58同城数据中台产品负责人
数字化产品的营销与推广
数字化产品经理实战
业务驱动的数字化产品体系建设
智能终端数字化产品应用设计创新
数据驱动的数字化集群产品中台实践
开幕致辞
计算的物质科学
企业数字化基石:智能化数据中心运营
高性能计算集群:AIGC算力的底座
国产“ChatGPT”和大模型研究现状与未来发展
智慧金融技术
大模型产品矩阵智能化服务应用
AIGC生成式大模型
弹性计算:集计算、存储网络一体智能化
技术战略模型下的研发效能度量及其治理
编程现场现代化助力研发效能提升
质效一体:测试环境治理在Devops中的应用
数字化质量工程:质管中大数据创新应用实践
AI终端声效果一线测试实践及探索
大型企业数字化新运维实践
京东超大规模下的大数据运维实践
大型互联网端到端稳定性运维建设实践
京东超大规模下的智能运维实践
中大型企业AIOPS落地实践
“研发效能36计:构建面向价值交付的数字化研发体系
数字民工的产品数字化
智能化数字化转型创新实践
一把手工程:金融数字化转型
ChatGPT在智能投顾领域应用探讨
Deep NLP在多类2C/2B 的实践
AGI赋能工业制造的技术及应用
同传算法研究和优化
华为全栈的机器翻译平台
蔚来汽车深度学习算法实践
云原生大数据架构实践
存算分离的架构设计
云原生大数据引擎实践
大数据业务实践
金融数据中台演进之路
Serverless Kubernetes 架构与AI应用实践
基于MOSN的多运行时架构的生产落地实践
大规模云原生容器应用编排的技术实践
基于Istio的Service Mesh最佳实践
企业应用管理云原生技术转型和实践
全体验管理:重塑客户体验之旅
AI变革之下B端产品的智能化创新设计
数据时代的用户增长实践
AIGC智能设计能力
用户体验与系统创新设计
Passs智能驱动的DevOps
架构安全:DevSecOps进一步安全左移
微服务/serverless
低代码与 AIGC 融合打造低门槛、高上线业务平台
AIGC低代码创新智能研发(开发、资产场景)
大数据SRE技术运营体系建设之路
强业务韧性的云原生可观测运维技术
高预警IT系统可观测建设实践
SRE效能体系建设的实践与反思
金融级产品全链路SRE实践
协同目标管理的项目管理
大型互联网PMO多项目管理实践
OKR项目管理实践
OKR项目管理实践
数智化项目管理和组织能力
生成式AI对话大型语言模型
AI背后的技术:云、AI大模型融合应用
垂直大语言模型的技术演进与应用实战
大模型技术在AIGC领域的应用探索
企业级智能搜索算法大模型研发实践
业务驱动的搜索推荐构建大模型算法应用
数据挖掘与机器学习
营销领域AIGC前沿技术发展和挑战
投放算法模型与存量经营算法模型实践
基于Iceberg的EB级机器学习样本存储优化与实践
新一代云数据平台架构
大规模数据服务优化实践
AIGC时代的超级个体:业务、架构和实现的融合
数据产品架构优化
京东实时数仓治理与实践
数字化产品的营销与推广
数字化产品经理实战
业务驱动的数字化产品体系建设
智能终端数字化产品应用设计创新
数据驱动的数字化集群产品中台实践