专题演讲嘉宾：宋东辉

在现在的业务中对数据的监控是必不可少的。主要体现在这两个方面：一是数据正确性直接影响服务正确性和算法效果，监控是拦截数据问题的“最后防线”；二是数据问题破坏力和感知时长成正相关，及早感知问题可以最大限度减少破坏。

而大数据监控的痛点也很常见，主要体现在“检测难”“分析难”和“收敛难”这三的层面。

• 检测“难”：监控覆盖难，表数量大，指标量更是倍数放大，监控覆盖量是很难完成的工作；监控准确难，上游表异动、复杂的业务逻辑、业务变更、业务非规律波动等都在挑战“人工监控规则”准确性。
• 分析“难”：定位难，业务表本身具有复杂的业务逻辑，告警定位难；追踪难，业务表一般依赖复杂的上游表，这些表大多具有“业务逻辑”背景，“跨业务”追踪问题的壁垒难。
• 收敛“难”：根据监测难和分析难可知，缺少问题“检测感知”+“分析追踪”的闭环治理，大数据监控收敛难。

基于此，网易云音乐团队的解决方案对症下药：

• 智能监控的目标是“全业务线自动覆盖，数据问题准确召回”，实现数据问题低人工成本的闭环治理。
• 智能监控模型方案：以指标历史数据和人工处置结果为训练数据，结合统计模型和监督训练模型设计为融合模型。
• 指标归因方案：利用数据血缘获取表上下游依赖关系，然后基于贝叶斯和Adtributor模型共同决策指标异动影响因子。
• 工程化落地方案：辅助验证阶段：以人工监控规则为主，智能监控告警为辅。用智能监控辅助用户分析告警，进而拿到智能监控的效果支撑数据。平台化阶段：“一键监控”实现监控高效覆盖、低误报、高召回，提供“指标归因”能力辅助用户快速定位原因；依靠平台能力回收用户处置结果，实现模型闭环优化！

效果说明这部分，也是我即将在ArchSummit会议上重点介绍的：

• 项目效果：23H2拦截数据问题比23H1提升46.8%；数据异常召回率83%（23H1召回率70%）；核心监控跟进率87%（H1跟进率60%）。
• AI 监控模型效果：相比人工规则监控，智能监控召回率100%，误报量下降70%以上。
• 业务影响力：网易云音乐内部试点，推动网易用户使用进行中。

演讲提纲：

1. AI 浪潮下，云音乐大数据领域的探索方向
2. 云音乐大数据监控治理的必要性和痛点
3. 云音乐智能监控方案
4. 云音乐智能监控工程化落地
5. 效果收益
6. 后续规划

听众收益点：

• 云音乐智能监控的技术细节，具备全业务线复制的可行性
• 打破层层阻力的工程化落地的方案