顶尖区块链和AI设计：Facebook、Google、Netflix、阿里100+架构解读

盘点2017年，人工智能获得了120亿美元的风险投资。

进入2018年，区块链开始成为很多人讨论的热门话题。

毫无疑问，人工智能与区块链获得了近两年最大的关注，巨头的支持、风投的资金、学院的研究纷纷都集聚在这两项技术上。在这个技术面临大变革的时代背景下，InfoQ即将在7月6-9日深圳举办ArchSummit全球架构师峰会，已邀请了Google研究院技术专家、前Tesla深度学习负责人等国内外顶尖技术人前来分享新技术背后的架构实践和思考。

读者可进一步识别下方二维码获取大会演讲目录，目前大会8折报名中，本文简单列举大会已确定的技术分享，希望对你有所帮助。

区块链案例解析

微众银行：金融业务中区块链技术架构解析

此次ArchSummit深圳站邀请了微众银行区块链首席架构师张开翔前来分享《金融业务中区块链技术架构解析》。张开翔曾在腾讯工作多年，在分布式系统、网络安全、海量服务等技术领域有丰富的经验，目前致力于区块链平台系统建设、以及推动基于区块链的业务落地。

2016年5月，微众银行联合20多家机构发起成立了金融区块链合作联盟（简称：金链盟），2017年，微众银行联合万向区块链和矩阵元共同研发了区块链开源平台（BCOS），并联合金链盟的多家成员机构共同研发了BCOS的金融分支版本—FISCO BCOS。

微众银行已通过区块链技术，优化微粒贷业务中的机构间对账流程，实现了准实时对账、提高运营效率、降低运营成本等目标。截至目前，平台稳定运行1年多，保持零故障，记录的真实交易笔数已达千万量级，背后的架构设计敬请期待《金融业务中区块链技术架构解析》。

区块链安全实践

此次ArchSummit深圳站邀请了旧金山比特币初创公司Wyre的技术专家Neil Woodfine前来分享《区块链安全的核心》。

目前，很多公司在宣传通过区块链技术来对所有信息施行单向密码机制，加密过程不可逆，且每一段数据信息上都会有一个时间戳。想随意侵犯用户隐私和篡改用户信息都相当困难。可是，所有区块链真的有那么安全么？区块链实际用途范围到底有多广泛呢？

此次分享，Neil Woodfine会详细介绍区块链安全的核心概念，包括其中所隐藏的一些安全漏洞，同时也会通过数字货币案例分析，帮助大家在区块链技术应用过程中避免撞墙踩坑。

人工智能案例

前Tesla视觉深度学习负责人：自动驾驶中的计算机视觉技术

此次ArchSummit深圳站邀请了前Tesla视觉深度学习负责人徐雷前来分享《自动驾驶中的计算机视觉技术》。

自动驾驶是机器学习的集大成者，有广泛的市场和应用前景。

摄像头作为性价比非常高的传感器，在自动驾驶系统中起到了非常关键的作用，如何高效稳定的利用摄像头完成环境感知任务，是极具挑战的工作。通过以摄像头为主的基于计算机视觉的方案，一套低价格，高性能的自动驾驶系统可以大幅度提高用户对安全性的需求。

同时，随着机器学习的应用，尤其是卷积神经网络最近有了长足的进步，在一定程度上都促进了计算机视觉技术在自动驾驶领域的落地。此次分享会向听众讲解计算机视觉的关键技术研究内容，并向外界展示多个基于深度学习的障碍物检测、识别跟踪等领域的产品demo。

Google研究院：深度学习在大规模推荐系统中的应用

此次ArchSummit深圳站邀请了**Android应用商店、Google广告排名推荐系统负责人**Dekun Zou前来分享《深度学习在大规模推荐系统中的应用》及《TensorFlow在深度学习中的应用》。

随着电子商务和在线服务越来越普及，海量在线资源很多时候多到让用户无从选择，因此推荐系统的质量变得至关重要。

传统的线性回归方法在很多系统里应用广泛，只不过，随着深度神经网络在图像视觉领域的突破，很多研究人员开始利用神经网络搭建深度推荐系统，推荐质量显著超越传统基于线性回归系统，同时也简化了以往搭建推荐系统所需专家知识(domain knowledge)。

深度推荐系统被广泛应用于Google多项面向用户的产品，一次又一次的突破质量瓶颈。此次分享会由浅入深探讨如何构建基于深度学习的推荐系统，并讨论最新的技术发展。

机器学习案例

热门微博背后的个性化推荐技术

此次ArchSummit深圳站邀请了新浪微博算法总监朱红垒前来分享《热门微博：AI时代精准的个性化推荐》。

新浪微博每天有上亿条内容产生并在万亿级关系的社交网络上进行传播。目前“热门微博”能够大幅降低用户使用微博的阅读成本，并有效提高用户在线时长。本次分享将主要围绕主流前沿机器学习技术在热门微博中的应用成果，并探讨如何打造适合自己产品的推荐系统，分享大纲如下：

• 个性化推荐引擎框架：基础层/推荐层/排序层；

• 特征挖掘与特征工程：超短文本内容特征构建/超大规模关系特征提取；

• 大规模实时协同推荐；

• 大规模多目标机器学习排序：千亿级排序模型/多目标排序模型

• 深度学习在推荐场景的应用；

Facebook：万亿级混合复杂时空数据的处理决策

此次ArchSummit深圳站邀请了Facebook技术领导宾理涵前来分享《万亿级混合复杂时空数据的处理决策》。

大规模空间数据除了在规模上的挑战以外，还有一些独特的问题需要解决，例如：

• 经纬度，直线距离和弧面距离的区别

• 同样的经纬度差在两极和赤道的面积差等。

这些特性既是挑战也是性能优化上的机遇。随着越来越多的移动设备，物联网设备产生海量的时空数据，如何有效存储，检索，实时的k-nearest查询，关联性排序，如何高效的解决在离线大规模空间数据分析中常用到的Spatial Join都是我们要解决的问题。

Facebook Location Infrastructure团队处理大规模时空数据过程中，在内部技术和开源技术之间采取折中而务实的办法。此次分享将会涵盖经过验证的，在处理每天万亿级混合复杂操作的时空数据背后的多个设计决策，和架构选型内容（包括在线和面向分析的用户案例），分享大纲如下：

• 处理Facebook级别的时空数据所要面对的挑战

• Facebook数据仓库一览

• 深度剖析Facebook大规模时空数据

• 安全和隐私方面的考虑

更多架构案例讲解

1. Facebook：机器学习技术在安全性和完整性方面的探索

2. Google：设计下一代主流语言-Go/Go2

3. eBay：QE团队向工程效率团队转型的实践之路

4. IBM：Istio - Weaving, Securing and Observing microservices

5. Netflix：Severless与FaaS实践

6. Pinterest：搭建一个大规模高性能的时间序列大数据平台

7. 阿里：使用标准的ANSI SQL驱动大数据流计算

8. 腾讯：深度学习在信息融合和欺诈风险识别中的应用

9. 华为：开源版Spark距离公有云服务有多远

...

深度培训

除了7月6日-7日的上百场分享之外，感兴趣的同学也可以额外报名参加7月8-9日由三位专家带来的深度培训课程：

1.Alibaba Blink流计算平台架构和案例解析

此次邀请了阿里时流计算平台Blink的产品专家陈守元、阿里巴巴高级专家金晓军前来为大家讲解企业流计算平台设计。

随着大数据处理已经逐步深入各行各业，市场需求从简单的大数据处理开始要求数据处理量更大、速度更快、计算模型更加复杂。当前阶段下，越来越多的企业对于实时流数据技术架构感兴趣。从批处理向流计算架构的转型，是企业关于如何使用数据的一次技术革命。阿里集团在过去几年的时间内投入人力和研发了一整套实时数据技术栈。在课程中，会讲解阿里实时大数据产品(Blink)架构、并结合一些实际案例讲解阿里基于Blink的应用案例。

2.Facebook机器学习及其实践应用

此次邀请了Facebook软件开发经理徐斌前来为大家深入浅出机器学习理论及实践，徐斌目前在Facebook带领Business Integrity的机器学习团队和机器平台架构团队，此次培训大纲如下：

• 机器学习、特征工程实践问题及步骤解析

• 监督学习：分类、回归、深度学习、模型性能

• 无监督/半监督学习

• 其他机器学习应用（备份、个性化、预测）

• 工业机器学习应用

• Facebook、Microsoft、Amazon的机器学习应用实践

更多大会的分享、培训内容，欢迎识别下方二维码了解大会完整目录。

目前大会8折报名即将结束，可点击下方阅读原文立即报名，如在报名过程中遇到任何问题，敬请联系咨询大会票务经理豆包（微信：aschina666），或直接致电：010-84780850。