本文介绍了百度数仓融合计算引擎的整体设计原理、优化及实践，阐述了在互联网产品快速迭代的趋势下，基于一层数仓宽表模型的数仓模型如何做到数十秒级查询的技术方案，并从互联网业务变化特性、传统计算引擎存在的问题、融合计算引擎的原理及优缺点、引擎应用场景和效果等角度进行了较为全面的分析，最终通过引擎设计和优化实现了提升查询性能的同时节约数仓存储的目标，降低了用户的数据使用成本。
在实际工作中，我们经常会遇到一堆数据，对数据的有效分析至为关键，而数据的分布就是一种非常重要的数据属性，需要通过合适的可视化手段进行分析。本文参考[1]，基于seaborn库介绍一些常用的数据分布可视化方法。
随着AI技术的发展，越来越多的产品尝试结合AI进行功能升级，作为设计师的你是否也在面临这样的问题：如何将AI技术与场景需求更好的结合，为用户提供顺畅的AI原生设计体验呢？ 本文将以AI装扮项目为例，分两部分介绍我们是如何通过深入分析用户痛点与需求，结合公司内部能力支持，找到AI创新突破口。同时发挥设计优势，在没有行业参考前提下，探寻出一条AI创新实践之路，设计主导创新方案优化落地。
4年前在《AutoDiff理解》 之第一篇“自动求导技术在深度学习中的应用”[1]中打算写一个关于autodiff的系列文章，因为工作和学习上比较忙碌（Lan Duo :P），就一直拖到了现在。刚好最近又在学习OPEN MLSYS[2]，借此机会将静态图中的autodiff笔记也一并写完吧。如有谬误请联系指出。
贴吧的商业化变现之路一直是坎坷的，传统的广告变现效果是短平快，但对百度贴吧这样的社区产品并非最优选择：过多广告会影响用户交流和创作，进而阻碍优质内容生产，损失的还是社区自身的流量和声誉。 为了实现商业收入与用户体验的双赢，我们在贴吧探索非广告变现的尝试中，将目光聚焦在游戏行业。贴吧天然聚集了在游戏上有共同话题的吧友们，并且既往广告收入中，游戏也是占比最大的。因此，无论从用户层面还是从商业层面，游戏垂类都是我们探索非广告变现新模式的最佳实验田。
随着互联网和物联网的高速发展，产生了大量的结构化、半结构化数据。在百度集团内部， BTS（Baidu Table Storage） 成为处理这些半结构化数据的关键产品。随着技术的不断发展和业务需求的多样化，BTS 在百度内部经历了从支持单一 Table 能力到支持宽表、时序等多模能力的演进。 BTS 是百度智能云的半结构化存储产品，对内支撑百度核心业务（搜索、Apollo、凤巢、feed、系统监控等），对外提供高性能、低成本的 NoSQL 表格存储服务。 BTS 可用于丰富的场景，比如横向业务场景（分布式存储、结构化、聚合、高性能检索）、纵向行业场景（互联网、广告、feed、物联网、大数据、时序）以及一体化解决方案（大数据分析生态，监控）等，支撑业务创新。并且提供了多种 API、SDK 和可视化的 Web 管理平台供研发人员快速接入。通过 Batch 写、并发读、多级 Cache 加速等方式，打破性能瓶颈。通过热备副本、实时 Failover 和表回收站技术保证数据库高可用。另外，BTS 还提供企业级安全保障，服务可用性高达99.9%，数据可靠性达到了 99.99999999%（1
2023 年对于 AI 工作者来说是非常不平凡的一年，这一年算是 AI 原生时代的起点。 对百度智能云来说，这一年非常卷。从年初大家可能还不知道大模型是什么的时候，我们开始卷怎么选模型、怎么评模型，再往后大家大概知道大模型可以干什么了，我们开始卷怎么训练模型。而再往后发展的时候，大家也不再过度关注如何训练模型，更多开始关注 AI 时代下非常关键的事情——怎么基于模型做应用。这也是今天我要给大家带来的分享，就是 AI 原生时代的应用如何开发。 先来看下面这张图。下图是在过去三个月时间内，关于 AI 原生应用各种各样的需求关键词。比如说希望推荐简历、做英语口语的交流、协助创作智能海报、写 PPT、生成工作日报等。我们可以看到，大家对 AI 原生时代能够带来什么已经迸发出非常多的想象力。这也意味着，AI 原生应用需求的爆发，我们正在加速奔跑进入繁荣的 AI 时代。
移动互联网经历2012年到2016年的快速增长期，目前已经到了增长大幅放缓的阶段，据《2022年中国移动互联网发展报告》显示，截至2021年12月底，中国手机网民规模达10.29亿人，全年增加了4373万人，同比增速已经放缓。在这样的大环境下，如何保持产品用户规模持续增长是业务团队面临的主要挑战之一。
