得物 App 作为互联网行业的后起之秀，在快速的业务发展过程中基础设施规模不断增长，继而对效率和成本的关注度也越来越高。我们在云原生技术上的推进历程如图所示，整体上节奏还是比较快的。

本文探讨登录认证技术的演进历程，并介绍在终端设备上实现便捷登录的设计与实现方法，以供各位同学参考。我们希望通过这篇分享，能够帮助读者深入了解和应用新型的登录认证技术。

我们之所以写这篇文章，一是觉得国外传到中国来的PMO守则、指导方针等，存在水土不服的问题，我们现在遇到的问题甚至可能都比国外还要复杂。二是，我们在得物飞速发展的过程中结合理论与实战积累了一些经验，希望可以跟相关从业者探讨和交流。

本文通过搜索推荐项目进行外卖搜索广告弱供给填充，提高流量变现效率。我们提出外卖多场景异构大图、异构大图在线建模技术演进路线，解决外卖搜索推荐业务多渠道、即时化的挑战。联合机器学习平台搭建大规模图训练、在线推理引擎GraphET，满足近百亿边规模、复杂图结构的多个业务落地。

本文将介绍滴滴在国际化出行场景中对数据指标体系建设的优秀实践。主要围绕以下三点展开：1. 国际化出行的业务场景；2. 国际化业务场景的指标建设痛点；3. 国际化业务场景的指标建设方案。

宁畅发布“全局智算”战略，并揭幕了包括“AI算力栈”在内的一系列战略性新品与系统解决方案，旨在有效解决大模型产业落地的全周期问题。

金融风控特征是在金融领域中用于评估和管理风险的关键指标。它们帮助金融机构识别潜在风险，降低损失，并采取措施规避风险。例如，用户最后一次授信提交时间就是一个重要的金融风控特征。

在全球化经济中，货运行业至关重要；有效的价格策略是企业提升竞争力的关键。然而，传统整数规划和因果推断方法因数据局限性和模型偏差，难以适应多变市场。电子商务的兴起为货运企业带来新机遇与挑战，要求价格策略能吸引客户、提高流通效率以实现盈利最大化，但是动态的复杂多变的环境，为该目标带来了诸多难题。

业务系统数据一般需要经过数据传输/同步进入到大数据平台开展后续的加工。数据经过传输后是否和源表数据一致？中间有没有丢失？一般发生这种情况，首先要比对业务系统和大数据平台两个表的数据。在这个场景下，手工的处理成本非常高：需要两边按同样的逻辑计算，人工进行比对。

场域变革背景下，为了应对更复杂算法的高算力需求，京东零售广告技术团队针对高并发、低延时的在线推理场景特点，从异构计算框架和GPU高性能推理计算方面，进行深度算力优化探索实践。

作为一家互联网出行平台，主要提供了网约车、顺风车、专车等一些出行服务。打车为其主要的一个业务场景。用户会在我们的平台中去进行下单，然后我们的系统会给司机进行派单，接到订单之后，进行履约服务。结束一次订单服务后，乘客会在平台做出支付。

GitLab作为支撑技术部门各种研发平台工具的核心系统之一，系统的稳定性保障尤其重要！内部的研发相关的工具平台大部分都底层依赖GitLab系统，可以试想一下：一旦GitLab系统挂了，哪些系统受影响？哪些研发活动不能正常进行？

毫不夸张地说，Flink 指标是洞察 Flink 任务健康状况的关键工具，它们如同 Flink 任务的眼睛一般至关重要。简而言之，这些指标可以被理解为滴滴数据开发平台实时运维系统的数据图谱。

KV 存储作为美团一项重要的在线存储服务，承载了在线服务每天万亿级的请求量，并且保持着 99.995%% 的服务可用性。在 DataFunSummit 2023 数据基础架构峰会上，我们分享了《美团大规模 KV 存储挑战与架构实践》，本文为演讲内容的整理。

知易行难，双活过程中遇到了非常多的问题，但是回过头看很难完美的表述出来，之所以这么久才行文也是这个原因，总是希望可以尽可能的复现当时的思考、问题细节及解决方案，但是写出来才发现能给出的都是多次打磨、摸索之后的我们认为偏合理的方案；不过换个角度看，给大家展示出来一个正确答案，是否有更积极的参考价值呢？

为什么要建设流式预测？其中一个主要原因是新的决策调用场景的接入，原有的决策调用场景主要是通过RPC接口调用触发的，而流式预测承接的场景主要由kafka等消息中间件来调用，这些场景都存在调用量大的特点，单个场景有上千、万QPS调用。

在快速迭代的软件开发周期中，用户界面的自动化测试已成为提高效率和确保产品质量的关键。然而，随着应用程序变得日益复杂，传统的UI自动化方法逐渐显露出局限性。在这个背景下，本文提出一个创新的视角：通过实时调试技术，显著提升AI编写的UI自动化脚本的有效性。

携程内部会有大量的部门或团队需要在App新版本、新站点完成研发阶段所有功能测试后，在上架前(Post Release)阶段，再进行无拘束的从客人视角验收的诉求。对于已经上架的版本，我们的客服人员在客人协助、新员工培训等场合，也有着使用生产资源来获得与客人同一视角的环境诉求。

本文整理自美团技术沙龙第80期《美团内容智能分发的算法实践》，分享内容主要包括三部分。第一部分介绍了大众点评内容搜索的场景特点以及面临的挑战；第二部分介绍了为应对这些困难和挑战，技术团队在链路各环节上做的实践优化，包括内容消费和搜索满意度的优化等等；第三部分是总结和对未来的展望。

这篇文章介绍了酒店机器学习工程团队，围绕效率、成本、效果三个方面，通过技术驱动在酒店排序广告推荐的实践和优化思路。经过近一年的摸索建设和实践，填充引擎已经建立起完善的架构体系、一站式的服务流程，为酒店排序广告推荐业务的算法迭代提供了高效可靠支撑。