T3 出行-李京峰-通往 CTO 之路

归宿 五六七 云+I D CI a a S o r Pa a S容 器 化混 合 部 署 网络内 外 网 分 离 ， 部 署 和 业 务 分 离硬 件 双 冗 余双 光 纤 工 程 能 效测 试 自 动 化 ， 测 试 先 行C I / C DA I 中 间 件 数 据 库 （ 分 布 式v s传 统 ，Pa a S v s自 运 维 ）消 息 队 列数 据 组 件 （K V，r e d i s，E S，M o n g o D B） 质量代 码 、 测 试 、 数 据 ， 运 维 硬 件 深 度 理 解 硬 件 一 旦 生 产 就 不 可 更 改硬 件 碎 片 化软 件 栈 自 主 可 控硬 件 质 量 把 控B O M成 本 核 算 和 把 控 ， 摊 销 数 据 层 技 术 选 型 业 务 层 前端 适 度 微 服 务 化容 器 化编 程 语 言 通 用 化（J a va，P y t h o n。 。 。 ） 应 用 层 的 核 心 价 值之一是 积 累 数 据统 一 数 据 中 台 ， 不 要等 到 大 数 据 层 ！从 数 据 烟 囱 变 成 数 据中 台循 序 渐 进 全 公 司 统 一 ，有 坑一 起 踩随 时 紧 跟 最 新 技 术不 要 做 小 白 鼠理 解 每 个 技 术 的 优劣 对 比 I O S，A n d r i o d，W e b， 小 程 序 ， 鸿 蒙 ，跨 端 （F l u t t e r，n i A p p，We e x . . .） 展 现 层 、 数 据 层 、 底层 分 离 （B F F，N o d e， 网 络 ， 渲 染 ，交 互 ， 埋 点 ， 加 固 ） 人 员 通 用 化 如何预计无穷尽的宕机可能性？ 大数据应用 工程架构 团队能力和意识 DB架构：分库分表，分布式，异构（SQL，noSQL，kv）：尽量统一Big data架构：ETL，流批一体，湖仓一体，存算分离OLAP，OLTP，HTAP：适合的才是最好的 AB测试数据分析算法应⽤经营指标制定 数据是目标不是过程数据采集意识要深入基因数据分析能力数据驱动 数据安全 一致性 不 要 迷 信 数 据观 点 决 定 数 据防 止 被 团 队 糊 弄 安全问题无处不在，构建专业团队做好基础管理：KMS，数据库密码管理，账号管理做好演练：红蓝军，白帽子范围：同时做外部防范和内部防范 DB+Big data+应用数据流设计：一体化存储，基于应用SLA构建多种视图，DWD，DWS层持续的数据治理埋点、上报、分析、可视化：⼀体化考虑 畀嫏㚷勆 语言模型（N-gram，NN，RNN，BERT，GPT），基础训练方法，Embedding，序列模型Seq2Seq，Attention+Transformer，文本分类，情感识别，主题分类，对齐，fine tune，生成算法LLM Query理解、分类，纠错，文档理解、索引、Forward+invert index，语义、向量索引，匹配特征，Pair-wise learning，costfunction，指标，NDCG 协同过滤，知识图谱，用户标签，文档标签，序列模型和Embedding，多目标优化，D&W 推荐架构：召回，多通道，兴趣探索，个性化，业务规则,online learning... 搜索架构：过滤，粗排，精排，个性化，向量检索 机器学习 CNN，RNN，LSTM，Attention+Transformer，D&W，Embedding，框架：PyTorch，TensorFlow 深度学习 算法不够产品凑算法不是万能的，配合业务，管理期望 通过实践了解算法能力边界算法的核心是数据和场景，而不是模型 原则 PMO的困境 以终为始，流程闭环 要适度，过犹不及 02 给用户用的东西：软件，app，小程序，甚至某项功能 能够给公司带来价值的东西（软件+硬件+服务+等等），能够让客户付费的东西，商业模式 业务用户洞察 Core driving force of the company 04 联合业务一起定义、生产和经营产品 技术服务产品，产品驱动业务作为技术型公司CTO，要能够带领公司做技术转型 05