云原生大数据的不同选择

大数据全面上云趋势下,一方面头部企业在全力推进存算分离改造,另一方面中型企业也在探索多云环境下的最优性价比,以及云和Hadoop集群的融合,同时在数仓、SQL、中台的资源适配与效率优化也将是长久的命题。这些要点都将在云原生大数据迭代论坛中,由来自顺丰、阿里云、字节、永辉超市的专家进行分享。欢迎参加DataFunCon2023·深圳站线下大会,探讨大模型时代,Data+AI的变与不变。


论坛详情


嘉宾&议题

曾昭正 顺丰科技 大数据平台技术专家个人介绍:10年以上大数据底盘研发经验,2017年加入顺丰科技,负责dataPaaS相关工作,主要涉及大数据混合云弹性扩缩容、云原生实时数湖等业界创新型技术在顺丰的探索和落地。演讲题目:混合云原生大数据底盘演讲提纲:1、背景与趋势2、顺丰混合云原生数据架构升级3、顺丰大数据架构应用案例听众收益:1. 多云融合的大数据基础设施如何做到低成本2. Hadoop 与云原生架构如何做融合3. 跨机房离线任务如何保障计算效率马吉辉 永辉超市 大数据架构师个人介绍:马吉辉,永辉超市大数据架构师,数据中台OLAP架构负责人,永辉CLICKHOUSE布道者,毕业于南京大学计算机系,2019年加入永辉云创数据智能产品研发部,从0到1构建永辉线上大数据计算体系,离线、准实时、实时数仓架构,2020年主导并参与了永辉数智化转型之路,构建永辉数据中台,数据中心"蓄水池",高效赋能业务增长。多年大数据从业经验,对数据基础架构服务、数据资产化、数据应用具有深刻的洞见。目前专注于数据治理,自助取数分析-人人都是数据分析师的体系建设落地。基于永辉"极光"平台实现业务输出。演讲题目:零售行业永辉超市云原生数据中台的探索与实践演讲提纲:1. 永辉数据中台的经路历程2. 以数据赋能零售业务的探索与实践3. 数据治理思维驱动数据中台稳定高效4. 未来展望听众收益:1. 了解零售业数据中台私有云建设的探索与实践2. 了解数据治理在数据中台中的思维体现3. 了解数据如何赋能复杂的零售业务变化4. 对零售业技术的未来的探索与实践雷春蔚 阿里云 MaxCompute SQL 引擎技术专家,Apache Calcite PMC个人介绍:雷春蔚,Apache Calcite PMC,具有多年大数据从业经验,主攻 SQL 引擎性能优化,先后负责了阿里云 MaxCompute 物化视图、dynamic filter、索引等核心功能的设计和开发。演讲题目:物化视图在 MaxCompute 中的探索与实践演讲提纲:物化视图是将查询预先计算并存储的一张特殊的物理表,当执行相关查询时,可以复用预计算结果,提高查询性能,是降本增效的妙招;本次演讲将从物化视图创建、物化视图维护、物化视图应用和物化视图推荐及自动物化视图4个方面介绍物化视图在 MaxCompute 中的探索和实践。任强 火山引擎 ByteHouse 技术专家个人介绍:任强,2020年7月加入火山引擎 ByteHouse 团队,一直从事实时导入相关研发工作,目前负责实时导入模块。演讲题目:火山引擎 ByteHouse 的云原生探索与实践演讲提纲:近年来,随着云基础设施的成熟和数仓技术的发展,云原生数仓凭借按量付费、按需弹性的特点越来越受到客户的青睐。字节跳动在云数仓领域有十多年技术经验积累,并基于开源 ClickHouse 推出的云原生数据仓库 ByteHouse。本次分享将从云数仓历史和前沿出发,介绍 ByteHouse 云数仓的整体架构和亮点,以及存算分离的关键设计与实践。主要包括以下内容:1. 数仓架构演进历史2. 云数仓演进中的技术难点和问题3. ByteHouse 云数仓架构设计以及存算分离的关键技术4. ByteHouse 存算分离的实践与优化听众收益:1. 了解云原生数仓的发展与核心价值2. ByteHouse 云数仓的架构设计与技术亮点3. 云原生数仓的挑战和展望

扫码报名咨询

更多最新详情,点击阅读原文,查看大会官网!

相关推荐

  • 淘宝推荐场景的利器:融合复杂目标且支持实时调控的重排模型
  • 齐了!Data+AI的技术大佬
  • 免费使用 GPT-4,无广告,还不是套路满满!
  • 奖学金18万/年!香港科技大学(广州)数据科学与分析方向招收全奖博士生
  • TPAMI 2023 | 图神经网络在分布外图上的泛化
  • 港大联合百度 WSDM 2024 | 如何让LLMs助力推荐系统?图数据增强
  • 公司业务,全线爆发!
  • 【NLP】大模型最全八股和答案(下)
  • 【Python】如何使用Python自动运行你的代码?
  • 2023人工智能教育与产教融合高峰论坛(11月24-25日,海口)
  • 清华特奖答辩,一年一度的神仙打架来了!
  • 也看更省显存的大模型微调方法:可调参数比LoRA小10倍的VeRA实现思路
  • 深度学习attention机制中的Q,K,V分别是从哪来的?
  • 深度学习需要掌握的 13 个概率分布(附代码)
  • 太实用了!大语言模型(LLM)主流应用技术解析
  • 阿里云发生大面积故障
  • 8个流行的Python可视化工具包
  • 建议收藏!早期人类驯服『图神经网络』的珍贵资料
  • 手握六篇顶会一作?!神仙打架我偷师!
  • 36个重要数据分析方法与模型