大数据技术最新发展趋势将走向何方?大数据云原生化将面临哪些挑战?又有怎样的解决之道?腾讯、英特尔、bilibili、作业帮、Alluxio等厂商正在战略加码哪些前沿技术领域?所有这些问题答案,您将在8月19日举办的腾讯云大数据峰会上找到答案。
届时,腾讯云还将重磅发布全新一代大数据产品矩阵和品牌愿景,并全面分享腾讯云在云原生、数据治理、国产化等方面的最佳实践。
国内大数据领域权威专家包括中国信通院大数据与区块链部副主任姜春宇、英特尔大数据技术全球CTO戴金权、bilibili OLAP-ES平台负责人王星轶、作业帮大数据平台架构负责人孙建业、Alluxio公司创始成员&开源社区副总裁范斌、腾讯云副总裁黄世飞、腾讯云副总裁刘煜宏、腾讯TME数据资产平台负责人吴泽君、腾讯云大数据平台产品中心总经理徐晓敏、腾讯云大数据基础产品中心副总经理张昆等将共同参与本次大会。
瞄准最新趋势,腾讯云将重磅发布全新一代大数据产品矩阵
在最具代表性的Hadoop 体系下,传统的大数据业务因为本身是非容器化场景,导致任务运行环境隔离性差,同时,由于运维体系自成一套,组件数量众多且耦合紧密,导致企业在大数据运维过程中代价高昂。
大数据与云原生技术的结合成为解决这些问题的最佳选择,大数据云原生化也成为该领域最新的发展趋势。比如利用容器化的特性,能比较好的做到运行环境充分隔离,从而使不用担心资源争抢的问题出现;借助声明式 API等标准接口,实现标准化交付,自动容错,大大降低运维难度与成本。
虽然云原生大数据有着巨大的价值收益,但两者技术的结合依然充满挑战,在全球范围来看,真正可以称之为云原生大数据服务的企业依然凤毛麟角。
针对这些问题,本次峰会邀请到了腾讯云副总裁刘煜宏、英特尔大数据技术全球CTO、腾讯云TVP戴金权,两位业内顶级专家将展开现场对话,深入解读云原生大数据面临的挑战以及解决之道。
腾讯在大数据领域不仅汇集了国内领先的海量业务实践,在大数据技术领域的发展代表了国内顶尖水平。值得期待的是,经过一年的发展,腾讯云大数据全新一代产品矩阵全景图及品牌愿景也将在本次大会上公布,腾讯云正在通过全面的大数据服务助力企业实现从降本增效到数据治理与价值挖掘的价值提升。
聚焦最佳实践,国内顶级大数据专家分享最佳案例
除了云原生,数据治理的重要性也在逐渐凸显,越来越多的企业正投入大量精力来构建数据安全治理能力。在本次峰会上,中国信通院大数据与区块链部副主任、腾讯云TVP姜春宇将详细解读2022年数据治理发展趋势,从国内外政策情况、大数据技术发展趋势、国内数据治理方法论、数据安全治理体系等多方面进行分析,以深度洞见,为行业提供高价值的信息增量。
同时,多个来自业界的大数据最佳实践分享也将是本次峰会的一大精彩看点。
其中,腾讯TME数据资产平台负责人吴泽君将分享QQ音乐敏捷自助分析数据平台的建设实践。作为国内重点音乐流媒体平台,QQ音乐承载着每天万亿级新增数据,PB级的数据分析服务,为应对业务的加速发展,QQ音乐基于CDW ClickHouse实现了OLAP平台架构演进优化,实时数据日接入能力达到数百万亿以上,实时链路平均延时缩短在秒级以内,大幅提升了数据分析的时效性。
bilibili也借助腾讯云大数据产品实现了业务快速迭代。在会上,bilibili OLAP-ES平台负责人王星轶将分享其OLAP平台在数据接入上的实践,包括分库分表、多表关联,聚合,低代码与图形化配置等具体的挑战与解决方案。
作业帮大数据平台架构负责人建业也将分享其基于Iceberg的转型实践探索。目前,作业帮已实现了数据流转批、Hive表格式无缝迁移、查询性能针对性优化提升等,形成了一套相对完整的从计算引擎的批流融合到基础数据架构“仓转湖”的整体方案。
携手生态伙伴,云原生大数据技术生态联盟即将成立
虽然云原生在数字化浪潮中的角色逐步提升,成为业务创新发展的重要驱动力,但业界普遍存在概念不清晰、认知不统一、缺乏标杆案例等问题。在此背景下,腾讯云将携手英特尔、英伟达、Elastic、StarRocks、Apache Alluxio、SelectDB等多家大数据顶级企业和开源社区,共同发起成立云原生大数据技术生态联盟。
据腾讯云大数据基础产品中心副总经理张昆透露,联盟成立后,将在推动技术发展、攻坚技术难题、探索技术实践、践行技术普惠等四个方面展开合作。联盟成员将通过联合发布技术白皮书、共同举办技术交流会、深入融合产品方案、合作打造标杆案例等方式,推动云原生大数据技术的演进和普及。
未来,腾讯云大数据也将持续做好生态友好的云端数据链接器,为云原生大数据技术生态联盟的创新与实践提供平台土壤。
预约报名:首届腾讯云大数据峰会暨Techo TVP开发者峰会,8月19日开启线上同步直播 。识别下方图片二维码,即可预约观看!
好文章,需要你的鼓励
这项来自苹果公司的研究揭示了视频大语言模型评测的两大关键问题:许多测试问题不看视频就能回答正确,且打乱视频帧顺序后模型表现几乎不变。研究提出VBenchComp框架,将视频问题分为四类:语言模型可回答型、语义型、时序型和其他类型,发现在主流评测中高达70%的问题实际上未测试真正的视频理解能力。通过重新评估现有模型,研究团队证明单一总分可能掩盖关键能力差距,并提出了更高效的评测方法,为未来视频AI评测提供了新方向。
大模型时代,玛丽·米克尔(Mary Meeker)的名字可能大家不一定熟悉,但是在互联网时代,这位被可被誉为“互联网女皇”的。她是美国风险投资家和前华尔街证券分析师,专注于互联网及新兴技术领域。玛丽·米克尔(Mary Meeker)发了一份340页的《人工智能趋势报告》,粗粗看了一下,并没有非常轰动的观点,但是数据比较全面
这篇来自KAIST AI研究团队的论文提出了"差分信息分布"(DID)这一创新概念,为理解直接偏好优化(DPO)提供全新视角。研究证明,当偏好数据编码了从参考策略到目标策略所需的差分信息时,DPO中的对数比率奖励形式是唯一最优的。通过分析DID熵,研究解释了对数似然位移现象,并发现高熵DID有利于通用指令跟随,而低熵DID适合知识密集型问答。这一框架统一了对DPO目标、偏好数据结构和策略行为的理解,为语言模型对齐提供理论支持。