专场出品人：向宇
ProtonBase 技术副总裁
曾就职于星网锐捷、百度和阿里巴巴，拥有丰富的嵌入式语音网关、支付系统、搜索引擎及大数据领域经验。
2010年加入阿里巴巴，作为阿里云实时数仓产品 Hologres 的创始团队成员，亲历了 Hologres 从零到一的创新过程，主要负责 Hologres 存储模块及底层基础设施的设计与优化工作。
专注于底层系统软件、大数据技术、性能优化、调试与系统架构等方面，具备深厚的技术功底和解决复杂技术问题的能力。
专场：AI时代数据架构的演进
随着人工智能技术的飞速发展，企业数据架构正面临前所未有的挑战与机遇。传统的数据管理模式已难以应对AI对数据处理速度、存储容量、计算能力及智能化应用的高要求。
本专场将聚焦AI时代下数据架构的创新趋势与实践案例，探讨如何构建灵活、高效且高度可扩展的数据架构，以应对海量数据处理、实时分析和智能决策的需求。议题将涵盖实时数据湖与数据仓库的融合、多模数据管理与向量检索技术、智能数据分析平台的建设等前沿话题。通过本专场的深入探讨，与会者将获得构建高性能数据架构的关键洞察，助力企业在AI时代提升业务效率、加速创新进程，并实现更精准的数据价值挖掘。
本专场将聚焦AI时代下数据架构的创新趋势与实践案例，探讨如何构建灵活、高效且高度可扩展的数据架构，以应对海量数据处理、实时分析和智能决策的需求。议题将涵盖实时数据湖与数据仓库的融合、多模数据管理与向量检索技术、智能数据分析平台的建设等前沿话题。通过本专场的深入探讨，与会者将获得构建高性能数据架构的关键洞察，助力企业在AI时代提升业务效率、加速创新进程，并实现更精准的数据价值挖掘。
孙旭锋
AI重塑数据生态：从元数据治理到智能决策的架构演进
曹操出行 数据仓库团队负责人 数仓架构师
曹操出行数据仓库架构负责人，曾就职于用友、京东、菜鸟、虾皮等公司，持续深耕大数据。主导公司PB级湖仓一体化架构设计与落地，擅长通过数据架构优化支撑出行业务场景，曾推动数据查询效率提升300%，成本下降40%。
随着生成式AI与LLM技术的爆发式发展，大数据架构正在经历从“被动响应”到“主动智能”的范式转变。本演讲聚焦大模型技术如何赋能数据架构的核心场景。
演讲提纲
1. 元数据管理的标准化落地：AI驱动的数据治理革命
2. 智能诊断：从故障排查到预测性运维
3. 指标异动的快速感知与归因：大模型的实时决策引擎
4. 未来展望：未来的数据架构将是“会思考的智能中枢”，从被动执行指令转向主动预判业务需求，驱动企业从数据驱动迈向AI驱动
王森林
AI 时代的数据架构变革：构建灵活、高效、智能的数据底座
ProtonBase 资深技术专家
毕业于浙江大学计算机系，获硕士学位，具有丰富的核心系统设计和研发经验。2013年加入阿里巴巴，曾任高级技术专家，负责搜索引擎，交互式引擎Hologres等系统的底层设计和研发。现专注于数据库的底层存储和高可用等方面的设计和研发工作。
随着人工智能技术的飞速发展，企业数据架构正面临前所未有的挑战与机遇。传统的数据管理模式已难以应对AI对数据处理速度、存储容量、计算能力及智能化应用的高要求。本次演讲将深入探讨AI时代下数据架构的创新趋势与实践案例，聚焦如何构建灵活、高效且高度可扩展的数据架构，以应对海量数据处理、实时分析和智能决策的需求。
内容大纲
1. 从湖仓一体到实时 AI 湖仓
1.1 湖仓一体架构的演进
1.2 传统数据湖与数据仓库的局限性
1.3 如何解决数据孤岛问题，实现数据的高效管理与分析
1.4 AI 时代的湖仓架构需求
1.5 实时数据处理：AI 应用对实时数据流的需求，如实时推荐系统、实时定价等
1.6 大规模并行计算：支持生成式 AI 和大模型的训练与推理
1.7 数据流动性：如何在数据湖仓中实现高效的数据流动，支持实时特征工程
2. AI 数据架构的基础：在线特征库的关键作用
2.1 机器学习与传统 AI：离线特征库的角色
2.2 传统 AI 系统中，离线特征库的作用及其局限性
2.3 离线特征库在批处理场景中的应用，如邮件营销、用户画像等
2.4 生成式 AI 和大模型的崛起对特征工程带来的冲击
2.5 实时特征工程：生成式 AI 和大模型对实时特征提取的需求
2.6 在线特征库：如何通过在线特征库支持实时推理和实时决策
2.7 特征新鲜度：从分钟级到亚秒级的特征更新需求
3. 实时 AI 湖仓的架构特点
3.1 实时特征工程的要求与在线特征库的技术挑战
3.2 低延迟数据处理：如何在亚秒级内完成特征提取和更新
3.3 高吞吐量：支持大规模并发的实时数据处理
3.4 一致性保证：在分布式环境下如何保证数据的一致性和可靠性
4. AI 时代的数据架构变革意义
4.1 灵活性：支持多样化的数据处理需求，从批处理到实时处理
4.2 高效性：通过分布式计算和向量化执行提升数据处理性能
4.3 智能化：通过在线特征库和实时特征工程支持生成式 AI 和大模型的广泛应用
1.1 湖仓一体架构的演进
1.2 传统数据湖与数据仓库的局限性
1.3 如何解决数据孤岛问题，实现数据的高效管理与分析
1.4 AI 时代的湖仓架构需求
1.5 实时数据处理：AI 应用对实时数据流的需求，如实时推荐系统、实时定价等
1.6 大规模并行计算：支持生成式 AI 和大模型的训练与推理
1.7 数据流动性：如何在数据湖仓中实现高效的数据流动，支持实时特征工程
2. AI 数据架构的基础：在线特征库的关键作用
2.1 机器学习与传统 AI：离线特征库的角色
2.2 传统 AI 系统中，离线特征库的作用及其局限性
2.3 离线特征库在批处理场景中的应用，如邮件营销、用户画像等
2.4 生成式 AI 和大模型的崛起对特征工程带来的冲击
2.5 实时特征工程：生成式 AI 和大模型对实时特征提取的需求
2.6 在线特征库：如何通过在线特征库支持实时推理和实时决策
2.7 特征新鲜度：从分钟级到亚秒级的特征更新需求
3. 实时 AI 湖仓的架构特点
3.1 实时特征工程的要求与在线特征库的技术挑战
3.2 低延迟数据处理：如何在亚秒级内完成特征提取和更新
3.3 高吞吐量：支持大规模并发的实时数据处理
3.4 一致性保证：在分布式环境下如何保证数据的一致性和可靠性
4. AI 时代的数据架构变革意义
4.1 灵活性：支持多样化的数据处理需求，从批处理到实时处理
4.2 高效性：通过分布式计算和向量化执行提升数据处理性能
4.3 智能化：通过在线特征库和实时特征工程支持生成式 AI 和大模型的广泛应用
听众收益
通过本次演讲，与会者将获得构建高性能数据架构的关键洞察，助力企业在AI时代提升业务效率、加速创新进程，并实现更精准的数据价值挖掘。
韩雨轩
玩转AI数据资产：多模态体系建设、数据合成方法到Agent应用
阿里国际 数据科学技术专家
......
AI技术的迅猛发展正不断冲击传统数据架构的边界，结构化数据的局限性在多模态时代愈发凸显。此次分享将深度剖析企业如何从零构建适应AI需求的数据资产体系：首先需重构数据处理流程，融合文本、图像等多源异构数据的清洗与标注技术；其次通过数据合成方法扩充稀缺场景样本，解决训练数据枯竭问题；同时搭建智能检索平台实现数据的高效流转与应用。在质效平衡方面，强调从“数据规模竞赛”转向精细化质量管理，建立覆盖从模型训练、业务效果评测到持续迭代的全生命周期数据闭环。最后以Web Agent开发为例，展示AI数据平台如何缩短智能体训练周期，验证“数据即生产资料”的核心价值，为行业提供可复用的落地路径。
演讲内容
1. AI时代下传统数据架构面临的挑战
2. 从结构化数据到多模态数据：如何从0到1构建AI数据资产？
2.1 数据处理体系、数据合成方法、数据检索平台
3. 数据资产作为AI应用的生产材料
3.1 从"大数据"到"精数据"的范式迁移
3.2 数据在训练-部署-迭代闭环中的价值流转
4. 用例分享：基于AI数据平台搭建Web Agent
1. AI时代下传统数据架构面临的挑战
2. 从结构化数据到多模态数据：如何从0到1构建AI数据资产？
2.1 数据处理体系、数据合成方法、数据检索平台
3. 数据资产作为AI应用的生产材料
3.1 从"大数据"到"精数据"的范式迁移
3.2 数据在训练-部署-迭代闭环中的价值流转
4. 用例分享：基于AI数据平台搭建Web Agent
敬请期待
敬请期待
......
......
......
SECon组委会是由业界多位资深技术专家发起，负责组织技术指导委员会，并和委员会的专家一起挖掘全球软件工程领域的创新技术，同时依托智盟创课国内领先的人才能力提升服务供应商，组织专业的会务服务团队，全面推进会议的顺利落地，保证参会者体验。
服务总线：400-183-9980
商务合作：151-2264-3988 木子
票务联系：186-0005-0529 丽媛
E-mail：speaker@secon.com.cn
关注SECon公众号
添加SECon小助手，获取
会议最新资讯
