T3 出行-李京峰-通往 CTO 之路

总结

归宿

• 云+Iaas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，工程效能测试自动化，测试先行。
• CI/CD：中间件、数据库（分布式vs传统，PaaSvs自运维）、消息队列、数据组件（KV，Redis，ES，MongoDB）、质量代码、测试、数据、运维。
• 硬件：深度理解硬件一旦生产不可更改，硬件碎片化，软件栈自主可控，硬件质量把控，BOM成本核算和把控，摊销。
• 数据层技术选型：业务层适度微服务化，容器化，编程语言通用化（Java，Python等），应用层核心价值是积累数据，统一数据中台，从数据烟囱变成数据中台，循序渐进，全公司统一，随时紧跟最新技术，理解每个技术的优劣对比。
• 展现层：iOS，Android，Web，小程序，鸿蒙，跨端（Flutter，nApp，Weex等）。
• 架构分离：展现层、数据层、底层分离（BFF，Node，网络，污染，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。

语言模型

• 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，cost function，指标，NDCG。

协同过滤，知识图谱

• 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

• 以终为始，流程闭环。
• 要适度，过犹不及。

业务用户洞察

• Core driving force of the company。

产品定义、生产和经营

• 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。