Yurtiçi sorunları çözmek için yabancı tekerlekleri kullanan bu teknik uzmanlar yakında Pekin'de uçacaklar.
Belli bir alanda büyük ilerleme kaydeden teknik insanlar, fikirleri analoji ile uygulanabilir mi?
Yabancı ülkelerde karşılaştığımız teknik sorunların daha iyi bir çözümü var mı?
Bu insanlarla yüz yüze tanışmanız için size çok nadir bir fırsat verin, Ar-Ge fikirlerini yerinde değiştirebilir, soru ve düşüncelerinizi ortaya koyabilirsiniz.
Nisan ayında düzenlenecek QCon Beijing 2018'de yurtdışı teknik uygulamaları ve düşünce paylaşımını değerlendireceğim.
Teknologlar değişimi yönlendiriyor
Neal Ford
Neal Ford, çok uluslu bir BT danışmanlık şirketi olan ThoughtWorks'te yönetici, yazılım mimarı ve kültürel gen iletişimcisi (Meme Wrangler) olarak görev yapıyor. Çeşitli programlama dillerinde uzmandır ve ana danışmanlık işi, büyük ölçekli kurumsal uygulamaların tasarımı, yapımı ve mühendislik uygulamalarıdır. Aynı zamanda uluslararası üne sahip bir öğretim görevlisidir ve dünya çapında çeşitli geliştirici konferanslarının sahnesinde yer almıştır.
"The Effective Programmer" ve "Functional Programming Thinking" dahil olmak üzere çok sayıda çok satan kitabın yazarıdır. Yakın zamanda "Bina Evrim Mimarileri: Sürekli Değişimi Destekleyin" yayınlandı.
Bruce Eckel
Bruce Eckel, "Thinking in Java" (Java programlama düşüncesi) ve "Thinking in C ++" (C ++ programlama düşüncesi) gibi en çok satan kitapların yazarıdır. 1986'dan beri 150'den fazla bilgisayarla ilgili profesyonel makale yayınladı ve ayrıca 6 kitap yazdı. C ++ Standartları Komitesi üyesi olarak görev yaptı.
"C ++ 'da Düşünmek" adlı kitabı 1995'te "En İyi Yazılım Geliştirme Kitabı", "Java'da Düşünmek" 1999'da Java Dünyası'nın "En Çok Okuyucunun En Sevdiği Kitap" seçildi ve editörün ilk tercihini kazandı. ödül.
Georges Saab
Bay Saab şu anda Oracle Java Platform İş Grubunun Başkan Yardımcısıdır ve departmanı Java dilinin, çekirdek sınıf kitaplıklarının ve Java sanal makinesinin tanımlanması ve uygulanmasından sorumludur. Saab, 20 yıldan fazla programlama dili ve platform geliştirme deneyimine sahiptir. Aynı zamanda Swing Group ve Java Webstart'ın yaratıcılarından biridir ve JRockit JVM'nin geliştirilmesine öncülük etmiştir.
Mark Billinghurst
Mark Billinghurst, Güney Avustralya Üniversitesi'nde insan-bilgisayar etkileşimi profesörüdür. 2002 yılında Washington Üniversitesi'nden doktorasını aldı. Giyilebilir bilgi işlem, artırılmış gerçeklik (AR), mobil etkileşim ve diğer alanlarda 300'den fazla makale yayınladı.
Güney Avustralya Üniversitesi'ne katılmadan önce, Yeni Zelanda'daki Canterbury Üniversitesi'nde İnsan-Bilgisayar Etkileşimi Laboratuvarı'nın yöneticisiydi. AR araştırma ve ticarileştirmeye yaptığı olağanüstü katkılardan dolayı 2013 yılında IEEE VR Teknik Başarı Ödülü'nü kazandı. Aynı yıl, Yeni Zelanda Kraliyet Cemiyeti üyeliğine seçildi.
Mads Torgersen
Mads, Microsoft'ta C # programlama dilinin Program Yöneticisidir ve C # tasarım sürecinden ve dil belirtimlerinin korunmasından sorumludur. Microsoft'ta 12 yıl boyunca C # 5 versiyonunun tasarımında yer aldı. Aynı zamanda TypeScript, Visual Basic, Roslyn ve LINQ gibi dillere ve teknolojilere de katkıda bulunmaktadır. Microsoft'a katılmadan önce bir üniversitede öğretim üyesi olarak programlama dili tasarımı okudu ve ayrıca Java jeneriklerine katkıda bulundu.
En son uygulamalar ve çözümler
Apache Kafka'nın geçmişi, bugünü ve geleceği
LinkedIn, 2010 yılında Kafka'yı geliştirmeye başladı. Kafka, 2011 yılında Apache açık kaynak projesi oldu. O zamandan beri Kafka'nın kullanımı çeşitli işletmelerde hızla artmıştır. Şu anda, Fortune 500 şirketlerinin% 30'undan fazlası zaten Kafka'yı kullanıyor. Çok popüler bir yayınlama-abone olma mesajlaşma sistemi nasıl kurulur ve gelecekte Kafka gerçek zamanlı bir akış veri işleme platformuna nasıl kurulur? Confluent'in kurucu ortağı ve Apache Kafka proje komitesi başkanı Jun Rao, QCon Beijing 2018'de bizimle paylaşacak.
Google: Istio ile artık tekerleği icat etmeyin
Kapsayıcılar, hizmetlerin çalıştırılması için tutarlı ve kopyalanabilir bir ortam sağlar. Kubernetes gibi Container Orchestration sistemleri, kapsayıcı kümelerini yönetmemize ve ölçeklendirmemize yardımcı olmak için tutarlı API'ler kullanabilir. Bu, gevşek bağlı mikro hizmet mimarisi için iyi bir başlangıç noktasıdır, ancak yeterli değildir. Hizmetler arasındaki trafik nasıl kontrol edilir ve stratejiler nasıl uygulanır? Hizmetler arasındaki bağımlılıklar nasıl görselleştirilir ve problemler nasıl hızlı bir şekilde belirlenir? Hataların üstesinden gelmek ve test etmek için doğrulanabilir hizmet özellikleri nasıl sağlanır? Geliştiriciler, mikro hizmetleri bağlamak ve yönetmek ve güvenliği sağlamak için kendi özelleştirilmiş çözümlerini uygulayabilir veya açık bir platform olan Istio'ya güvenebilirler. Bu derste Istio'nun temel özelliklerini öğrenecek ve mikro hizmet ağına katkısını anlayacağız.
Ayrıntılı Apache Spark akış bilgi işlem motoru: Yapılandırılmış Akış
Apache Spark, 2016 yılında, Spark SQL tabanlı yeni bir akış hesaplama motoru olan Yapılandırılmış Akış projesini başlattı ve kullanıcıların toplu programlar yazmak kadar kolay yüksek performanslı akış işleme programları yazmalarına olanak tanıdı. Bir yıldan fazla süren iyileştirme ve iyileştirmeden sonra, Yapılandırılmış Akış, Databricks içinde ve müşteriler tarafından yaygın olarak kullanılmaktadır. Bu ders temel olarak Yapılandırılmış Akış projesini ve gelişmiş özellikleri ve yüksek performanslı akış işleme uygulamaları oluşturmak için Yapılandırılmış Akışı nasıl kullanacağınızı anlatır.
Gerçek zamanlı bir reklam tüketim sistemi oluşturmak için Kafka Akışlarını kullanın
Pinterest, reklam tüketim sistemini tasarlarken bazı baskı ve zorluklarla karşılaştıktan sonra, yeni ortaya çıkan bir akış işleme teknolojisi olan Kafka Streams'i cesurca denedi ve kullandı ve bunu reklam sisteminin gerçek zamanlı bilgi işlem temeli olarak başarıyla uyguladı. Akış işleme neden bir reklam sistemi değil Vazgeçilmez bileşenleri, bir akış işleme sisteminin nasıl tasarlanacağı, nasıl verimli ve istikrarlı operasyon ve bakım yapılacağı, akış işleme teknolojisinin kullanımının nasıl optimize edileceği, Pinterest reklam sistemi mimarı Chen Bojun'u tek tek paylaşacak. Gelecekte Çin bilgisayar endüstrisinde Kafka Streams'in daha büyük veri uygulamalarının olması beklenebilir.
LinkedIn: büyük ölçekli sistemler için performans optimizasyonu
Yüksek performanslı çevrimiçi bilgi işlem ortamlarının ve veri merkezlerinin optimizasyonunu sağlamak için doğru ve verimli İnternet hizmeti kapasitesi ölçümü çok önemlidir. LinkedIn, otomatik sistem kapasite ölçümü ve performans darboğaz analizi gerçekleştirmek için "Redliner" adlı bir sistem kullanır.Bu sistem, çevrimiçi ortamda gerçek zamanlı trafiği doğrudan uygular, akıllı trafik yeniden yönlendirmesini kullanır ve sistem performans göstergelerini gerçek zamanlı olarak izler. Hizmet sisteminin kapasite sınırını elde etmek ve sistemin potansiyel performans boşluklarını analiz etmek için ölçümün yoğunluğunu ve süresini ayarlayın ve sistem kapasite planlaması ve performans optimizasyonu hakkında önerilerde bulunun.
Bu sistem yüzlerce LinkedIn hizmetine uygulanmaktadır. Günlük ölçüm ve testler sayesinde, mikro hizmet sistemini verimi artırmak, sistem kaynak tahsisi için optimizasyon planını bulmak ve veri merkezinin kaynak uygulama oranını iyileştirmek için hızlı bir şekilde optimize etmek için mikro hizmet sistemindeki potansiyel performans darboğazlarını zamanında keşfedebiliriz.
Oracle: GraalVM ve ekosistemi
Graal, Java ile yazılmış yüksek performanslı bir tam zamanında derleyicidir. Java 9'daki AOT derlemesinin uygulama temelidir ve deneysel bir tam zamanında derleyici olarak Java 10 ile piyasaya sürülecektir. GraalVM, çeşitli yönetilen diller (Java, JavaScript, Ruby ve R gibi) için üstün en yüksek performans sağlayan kendi ekosistemine sahiptir. Graal, genel Java HotSpot sanal makinesi veya SubstrateVM üzerinde çalışabilir. İkincisi, yüksek başlangıç performansı ve düşük bellek alanı elde etmek için GraalVM tarafından sağlanan bir çözümdür.
Microsoft: Web uygulamaları oluşturmak için bulut ve yapay zeka teknolojisini kullanın
Yapay zeka ve makine öğrenimi teknolojisi, büyük miktarda veriden bilgi edinmemiz için bize büyük fırsatlar sağlıyor. Bulut bilişim ve yapay zeka yardımıyla, büyük ölçekli verileri arayabilir ve analiz edebilir ve onlardan bilgi alabiliriz. Verilerden anlamlı bilgiler bulmak en büyük zorluklardan biridir.
Bu konuşma, TypeScript ve React kullanarak altyapıdan UI oluşturmaya kadar her şeyi kapsayan, yapay zeka ve makine öğrenimi yardımıyla akıllı bulut çözümlerinin nasıl oluşturulacağını paylaşacak. Metin, belge ve resim aramayı destekleyen bir web uygulamasının nasıl geliştirileceğini gösterecektir. Son olarak sunum, çözümü oluşturmak için kullanılan Azure Arama ve Bilişsel Hizmetlerin dahili bileşenlerini tanıtacaktır.
Airbnb'nin flaş rezervasyon işlevi ve büyüme stratejisi
Anında Rezervasyon işlevi, Airbnb misafirlerinin ev sahibinin onayı olmadan rezervasyon yapmasına olanak tanır, bu da rezervasyon başarı oranını büyük ölçüde artırır ve ziyaretçilerin bekleme süresini azaltır. Şu anda Anında Rezervasyon işlevi, küresel aile yanında konaklama endüstrisindeki standartlardan biri haline gelmiştir. Airbnb, flash rezervasyon işlevini, flash rezervasyonun teknik ve ürün zorluklarını nasıl yarattı ve Airbnb, kısa bir süre içinde% 10 flash rezervasyondan% 70 flash rezervasyona geçişi nasıl gerçekleştirdi. Ürün oluşturma dahil olmak üzere eksiksiz bir ürün büyüme vakası paylaşımı, Uygulama sırasında karşılaşılan büyüme stratejisi, ekip işbirliği ve teknik ve teknik olmayan zorluklar oluşturun.
Prometheus: tasarım ve uygulama
Prometheus benzersiz bir izleme sistemidir ve birçok tasarım seçeneği izleme sistemlerinden farklıdır. Diğer sistemlere alışkın olan birçok insan için bu, kültürel çatışmalara neden olabilir, insanlar genellikle sorar, neden "daha iyi görünen" bir uygulamayı seçmiyorsunuz?
Bu konuşma, itme veya çekme, çok boyutlu veri modeli, etiket, gösterge adlandırma vb. Dahil olmak üzere Prometheus temel bileşenlerinin tasarımının arkasındaki tasarım kararlarını paylaşacaktır. Prometheus, açık kaynaklı bir izleme alarm sistemi ve zaman serisi veritabanıdır. Giderek daha fazla şirket, işletim ve bakım izleme için bu sistemi tercih ediyor. Buna ek olarak, Prometheus'un kurucusu aynı zamanda gömme noktaları, alarmlar ve sorgular yönlerinden başlayacak, Prometheus'un en iyi uygulamalarını ve ortak tuzakları paylaşacak.
Silikon Vadisi'nde yapay zeka alanında keşif
Google Translate doğal dili anlamaya yardımcı olur
Doğal dil anlama (NLU), yapay zekanın sınır alanıdır ve makine çevirisi, dil boşluğunu kapatmak için güçlü bir araçtır. Derin öğrenme teknolojisinin kullanıma girmesiyle Google, makine çevirisi alanında önemli ilerleme kaydetti. Dr. Tian Yenin açılış konuşması, makine çevirisi derin öğrenme modellerinin gelişimi ve mühendislik uygulamalarına ve bunların Google platformundaki birçok üründe nasıl yeri doldurulamaz bir rol oynadıklarına odaklanacak. Milyarlarca kullanıcıyla Google Translate, yüzden fazla dil arasında çeviriyi destekler ve başarılı bir AI iniş uygulaması olarak piksel tomurcuklarında, word lensinde ve diğer ürünlerde görünür. Ve Cloud AI, Google'ın en iyi makine çevirisi motorunun bulut platformu üzerinden paylaşılmasına olanak tanır, böylece kullanıcılar onu büyük ölçekte kullanabilir veya ilgili uygulama senaryolarına uygun kişiselleştirilmiş eğitim verebilir.
Linkedin'den Türetilmiş veri platformu
Bu paylaşım, Linkedin'den türetilmiş veri platformunu ve LinkedIn'in makine öğreniminin sonuç veri setini daha iyi yönetmesine nasıl yardımcı olduğunu tanıtacaktır. Linkedin makine öğreniminin temel sürecini dahil etmek, sonuç veri setinin bir çevrimiçi uygulamaya nasıl uygulanacağına odaklanmak ve orijinal sürecin acı noktalarını açıklamak; türetilmiş veri platformunun genel tasarımını ve toplu iş ile gerçek zamanlı verilerin nasıl birleştirileceği gibi birkaç önemli teknik noktayı tanıtmak . Veri standardizasyonu ve korelasyon hesaplaması gibi birkaç örnekle, türetilmiş veri platformunun büyük sonuç veri setlerini nasıl sakladığını ve çevrimiçi uygulamalar için yüksek düzeyde erişilebilir ve yüksek performanslı hizmetler sağladığını tanıtacağız. Son olarak, kullanıcı algısı olmadan geçişin nasıl gerçekleştirileceği gibi yeni platformun başlatılması ve taşınması sürecindeki bazı deneyimleri özetleyeceğiz.
Uber Eats yemek dağıtım hizmetinde makine öğrenimi ve yapay zeka uygulaması
Aralık 2015'te Toronto'daki lansmanından bu yana, Uber Eats 30'dan fazla ülkede 200 şehirde başlatıldı ve hızla büyümeye devam ediyor. Bu konu, makine öğrenimi ve yapay zekanın Uber Eats'teki uygulamasını ve son iki yılda yaşanan hızlı büyümede karşılaştığımız zorlukları tartışacak. Uber yemek dağıtım hizmetlerinde yapay zekanın yinelemesini ve etkisini anlamak için restoran önerileri, dinamik fiyatlandırma, zaman tahmini, akıllı gönderim ve bazı vaka paylaşımlarının tanıtılmasıyla ve mühendislerimizi ve veri bilimcilerimizi her zaman ve her yerde Uber Eats yapmak için anlayın. Yapılan çabalar hızlı, güvenilir ve verimli bir şekilde yerine getirilebilir.
Pinterest'te Görsel Arama
Aylık 200 milyondan fazla aktif kullanıcıya ve milyarlarca görsel depolama alanına sahip bir başlangıç şirketi olarak Pinterest, kullanıcıların fikirleri keşfetmelerine, depolamalarına ve bunları günlük yaşamlarına uygulamalarına yardımcı olmak için görsel arama ve önerilere güvenmeye kendini adamıştır.
Bu açılış konuşması, görsel özelliği vektör çıkarma, model eğitimi, dağıtılmış görsel arama kanallarının süreci ve Flashlight ve Len Your Look gibi önemli ilgili ürünlerdeki uygulaması dahil olmak üzere Pinterest'in görsel arama mimarisini ve arama sürecini tanıtacak.
İnsansız Mağazanın Yüz Tanıma Teknolojisi Tartışması
Derin öğrenmenin kapsamlı gelişimi ile, yüz tanımanın doğruluğu büyük bir sıçrama yaptı. Bilgisayarın kendi kendine öğrenme yoluyla elde ettiği yüz özellikleri daha güvenilirdir. Özellik çıkarma ile yüzleşmek için derin öğrenmenin uygulanması, yüz tanımanın doğruluğunu daha da iyileştirdi. VGGNet, GoogLeNet ve ResNet, yaygın olarak popüler derin evrişimli sinir ağı (CNN) mimarileridir. Bu mimarilere göre eğitilen yüz tanıma modelleri, genel veri kümesi LFW'de (Vahşi Yüzde Etiketli Yüz) iyi sonuçlar elde etmiştir. . Çalışma, ResNet artık ağ yapısının yakınsama oranını hızlandırabileceğini ve eğitim hızını ve performansını iyileştirebileceğini buldu. GoogleNet'teki Başlangıç modülü, aynı katmanda farklı boyutlarda evrişim çekirdekleri aracılığıyla farklı ölçeklerin özelliklerini elde edebilir. Yeni bir mimari elde etmek için Başlangıç modülünü GoogleNet ve ResNet'te birleştirmek, yüz tanıma modelinin doğruluğunu daha da artırabilir. Bu mimarinin temelinde, eğittiğimiz yeni yüz tanıma modeli, yüz tanıma genel veri seti LFW'de% 99.63 doğruluk elde etti.
Klavye yazımından sinir ağına - Bloomberg'de derin öğrenme uygulaması
Finansal veriler alanında, Bloomberg, kullanıcılara bazı Amerikan şirketlerinin finansal verilerini sağlayan bir şirketten dünyadaki hemen hemen tüm şirketleri kapsayan süper büyük bir entegre platforma doğru büyüyerek 30 yıldan fazla zaman harcadı. Bu finansal verilerin farklı formatlardan olabildiğince hızlı ve doğru bir şekilde çıkarılması, standart hale getirilmesi ve nihayetinde birleşik bir format aracılığıyla piyasaya geri döndürülmesi gerekir. Bu derste, sinir ağları alanındaki en son gelişmelerin Bloomberg'in dosyaların işlenmesini otomatikleştirmesine nasıl yardımcı olduğunu açıklayacağız ve veri çıkarma ve analizinde daha yüksek doğruluğunu ve daha hızlı işlem hızını göstereceğiz.
Bilgi işlem ve depolamayı etkili bir şekilde ayırmak için açık kaynak dağıtılmış depolama sistemi Alluxio'yu kullanın
Bu açılış konuşması, bilgi işlem ve depolamayı etkili bir şekilde ayırmak için açık kaynak dağıtılmış bir depolama sisteminin nasıl kullanılacağına odaklanacak. İlk olarak, açık kaynaklı dağıtılmış depolama sistemi Alluxio'nun tasarım felsefesini ve büyük veri ve yapay zeka ekosistemindeki konumunu izleyiciyle paylaşın. Bundan sonra, büyük veri ve yapay zeka alanındaki depolama ve bilgi işlemin ayrılması gibi yeni mimari trendini tanıtacağım ve Alluxio'nun bu mimarideki avantajlarını sistem yapımı, veri yerelleştirme ve bulut dağıtımı gibi çeşitli yönlerden analiz edeceğim ve verimli ve esnek bir yapı oluşturmak için Alluxio'nun nasıl kullanılacağı Büyük veri ve yapay zeka eğitim platformunun ayrıştırılması. Konuşmanın bitiminden önce öğretim görevlisi, Alluxio dağıtım sisteminin tasarımı, yapımı ve uygulanmasındaki deneyim ve düşüncelerini de paylaşacak.
Yapay zeka sistemlerinde güvenlik riskleri
Derin öğrenme, yeni bir yapay zeka dalgasına öncülük ediyor ve sektörden ve tüm toplumdan büyük ilgi gördü. Derin öğrenme sistemlerinin çeşitli alanlarda kademeli olarak tanıtılmasıyla, yapay zeka sistemlerindeki güvenlik sorunları yavaş yavaş ortaya çıkıyor. 360 güvenlik ekibinin derin öğrenme sistemi ve uygulamaları üzerinde yaptığı analiz, 2017 yılında, bir süre önce açıklanan derin öğrenme platformu çerçevesinin güvenlik açıkları da dahil olmak üzere çeşitli güvenlik açıkları buldu. Ancak yapay zeka sistemlerine ve derin öğrenme sistemlerine yönelik olası saldırı riskleri, platformlar ve çerçevelerdeki güvenlik açıklarından çok daha fazlasıdır.
Bu konuşma, derin öğrenme sistemlerinin veri akışını ve kontrol akışını kapsayan ve derin öğrenme görüntü tanıma ve diğer uygulamaları içeren çerçeve saldırıları dışındaki derin öğrenme sistemlerine karşı çeşitli saldırı yöntemlerini kapsamlı bir şekilde açıklayacaktır.
AI büyük veri çağında e-ticaret saldırı ve savunma: AI'ya karşı AI
AI büyük veri çağında JD ve diğer e-ticaret platformlarının karşılaştığı yeni riskler ve yeni sorunlar: Dahili ve harici tehditlere karşı koymak için AI teknolojisinin ve sistematik güvenlik yöntemlerinin nasıl kullanılacağı, bugün JD güvenlik araştırmacılarının karşı karşıya olduğu önemli bir sorun haline geldi. Yapay zeka büyük veri çağındaki güvenlik ile geleneksel güvenlik arasındaki farkı ve yapay zeka ile e-ticaret platformlarına dayalı mevcut saldırı ve savunma çatışmasını temelde analiz edin.
Intel SGX teknolojisi ile güvenli makine öğrenimi
Genel bulut platformlarında veya cep telefonlarında ve IoT cihazlarında giderek daha fazla makine öğrenimi eğitimi ve tahmin hesaplaması yapılmaktadır. Bu makine öğrenimi modellerinin girdi verileri ve model parametreleri genellikle yüksek bir değere sahiptir ve saldırganlar için kolay hedeflerdir. Bununla birlikte, bu bilgi işlem platformlarının veri korumada kusurları olabilir ve saldırganların model ve model parametrelerinin giriş ve çıkışlarını çalmasına izin verir. Bu nedenle, makine öğrenimi modelinin nasıl korunacağı, çözülmesi gereken acil bir sorundur. Bu konuşma, güvenilir ve güvenli bir makine öğrenimi platformu oluşturmak için Intel SGX güvenilir bilgi işlem teknolojisini makine öğreniminde birleştirmeye odaklanıyor.
Daha fazla birinci sınıf teknik uzman paylaşmak için lütfen QR kodunu belirtin veya görüntülemek için "Orijinal metni okuyun" u tıklayın Şu anda, QCon konferansında kayıttan% 10 indirim, anında 680 yuan indirim. Herhangi bir sorunuz varsa, lütfen bilet yöneticisi Hanna'ya danışın, Tel: 010-84782011, WeChat: qcon-0410.
