数据治理与安全典藏版合集(260页).pdf

数据治理与安全典藏版合集(260页).pdf
这份文档主要介绍了数据治理与安全、微众银行在联邦推荐算法上的应用、京东的开源联邦学习解决方案,以及爱奇艺数据中台的建设实践,贝壳商业化算法中台架构实践。 数据治理与安全: 阐述了数据治理的重要性、数据质量常见问题,以及美团酒旅数据治理实践,重点在于解决数据质量问题。通过组织、标准规范、技术、衡量指标等内容,以及数据治理的实现路径,例如标准化规范和组织保障、技术体系、数据质量、数据运营效率、数据成本,保证数据治理长期向好的发展。 提出了数据治理策略,包括被动、主动、自动三个阶段。 微众银行在联邦推荐算法上的探索及应用: 介绍了联邦学习的基础知识。联邦学习的目标是在保证数据隐私安全及合法合规的基础上,实现共同建模,提升 AI 模型的效果。 讨论了联邦学习面临的安全挑战:参与方过少带来的问题,纵向联邦学习带来的问题。 京东开源联邦学习解决方案-9N-FL: 介绍了京东开源联邦学习解决方案-9N-FL,包括项目背景、9N-FL 总体架构、具体的优势、9N-FL 项目时间轴以及9N-FL 联邦学习的模型。 9N-FL 技术创新:业界前沿技术自主研发,在营销推荐领域技术落地,实现分布式异步框架、故障控制等多种机制。 爱奇艺数据中台的建设实践: 爱奇艺数据中台的定位和价值在于,解决大数据快速发展过程中所遇到的各种问题。 重点介绍了爱奇艺数据中台的组成、以及数据中台的特点。 核心是统一的数据服务层,并介绍了统一服务层面对的问题,例如:数据和接口的复用性、数据的监管问题、数据的接入效率、以及服务使用审计。 贝壳商业化算法中台架构实践: 主要介绍了贝壳商业化策略算法中台的架构演进过程,以及在商业化策略算法中台方面的探索与实践。重点探讨了贝壳商业化算法模型落地、架构设计、服务治理以及性能优化方面的问题。包括:业务场景对比、商业化产品的展示、以及算法中台的设计思路、核心功能、技术特点等。
下载完整报告 | 17.8 MB | 260页
阅读和下载会消耗积分;登录、注册、邀请好友、上传报告可获取积分。
成为VIP会员可免费阅读和下载报告