为了解决传统 Hive 数仓的问题，B 站的 OLAP 平台团队基于 Iceberg 打造了湖仓一体平台，使其兼具数据湖的灵活和数仓的高效，并提供智能化服务降低用户使用门槛。

本议题将介绍我们如何借助湖仓一体提升用户的用数取数体验，以及我们在预计算和星型模型优化方面取得的最新进展。

演讲提纲：

1. 为什么需要湖仓一体
2. 如何通过湖仓一体支持高效的交互式分析场景
   • 数据组织优化
   • 索引
   • 预计算
   • 星型模型优化
3. 经验总结与未来展望

你将获得：

• 了解湖仓一体能解决的问题以及其架构
• 了解基于 Iceberg 进行查询加速的思路

在美团 AdHoc 场景中有两个查询引擎，Spark 支持复杂查询场景，Presto 来支持简单高性能场景，对分析师使用成本很高，我们通过结合机器学习算法实现智能路由策略、SQL 方言自动改写等方法降低用户使用成本。

本议题我将详细介绍架构选型和实现原理，期待给你带来收获。

演讲提纲：

1. 为什么需要统一引擎
2. OneSQL 统一引擎整体架构
3. OneSQL 实现原理
   • 解析层统一
   • 引擎预测
   • 方言改写
   • 异常诊断
4. 未来展望

你将获得：

• AdHoc 不同场景下多引擎语法函数兼容性、引擎选择实践经验
• 查询统一引擎实现思路

上线机器学习模型是非常具有挑战的。事实上，大量的机器学习项目未能顺利地上线，最困难的问题之一就是数据。大多数 AI 平台都与数据平台脱节，这使得保持特征的不断更新和实时可用，就变得很困难。离线/在线偏差会阻止模型在实时场景的应用，甚至更糟糕的是，在生产中引入了错误和偏差。

鉴于以上的问题，在 eBay 的机器学习部门，我们探索并构建了完整的数据解决方案，我们称之为统一特征仓库。我们的特征仓库不仅支持传统的离线特征，还支持实时特征，并且在平台层就保证了离线/在线的一致性。另外，我们还做了针对特征的专门的生命周期管理。通过统一特征平台，我们大大简化了数据科学家对特征的使用，十倍提升了特征的 TTM (time-to-market) ，从根本上加快了机器学习模型的开发和上线。

演讲提纲：

1. AI生产化的数据痛点
2. eBay的统一特征仓库
   • 离线特征处理
   • 实时特征处理
   • 特征的回溯和模拟
   • 特征的生命周期管理
3. 特征仓库在业务部门的落地

你将获得：

• 了解如何使用特征仓库来简化机器学习模型的开发与上线
• 学习如何构建企业级的特征仓库

对于社交网络、金融风控等大数据领域，业务一般会利用 Graph 系统（如 Google Pregel、Spark GraphX 等）来高效地执行复杂的图算法，其比传统的 Data 系统更快。但随着相关领域大数据业务的发展，基于 Spark GraphX 的图计算方式存在一些问题，例如这种方式需要先通过 Spark Streaming 接收流式数据并进行清洗，然后周期性的全量构图，最后使用 Spark GraphX 做全量图迭代，这样实现一方面会导致业务链路较长，另一方面实时性无法满足。在蚂蚁内部，我们实现了一套自研的流式图计算引擎 Geaflow，天然契合金融风控等业务场景需求，能有效满足业务秒级时序增量的要求，同时为业务带来显著收益。

本议题将为你分享自研的流式图计算引擎 Geaflow 的技术实践，希望能够为你带来启发。

演讲提纲：

1. 时序图介绍
   • 什么是图
   • 图的优势
   • 图的场景
   • 时序图
2. Geaflow - 蚂蚁流式图计算引擎介绍
3. 蚂蚁场景应用
   • 实时团伙挖掘
   • 实时反套现
   • 图计算 + AI融合
4. 总结
   • 蚂蚁图计算 TuGraph 系统

你将获得：

• 了解蚂蚁流式图计算引擎
• 了解图计算在金融风控大数据领域中的重要价值和优势
• 了解基于 Geaflow 大规模时序图计算系统在金融风控领域中的应用实践经验