该系列文章讲述设计团队与产品运营团队是如何进行深度合作，在暑期内容（影视、游戏、体育）运营战场中助力业务目标达成。 本期以影视类目为例，拆解设计解题思路，思考可复用之术。
得物的服务端监控是比较全面和有效的，除了上报原始日志数据，还通过数据分析制定线上告警机制，调用链路分析，而针对前端项目这一块，还是不够全面的。对前端线上问题感应不及时，靠人肉发现，没有告警机制等问题，所以就有个前端监控这个项目。前端监控也确实很有必要，我们需要对线上的页面有个全面的把控，而至于怎么做监控，做数据上报，以及数据分析，如何针对监控数据分析出有用的核心链路的告警等也能有个全面的认识。本文主要是介绍得物针对监控做了哪些事情以及对前端底层监控手段做个总结。
本文是vivo互联网大数据团队《BI数据可视化平台建设》系列文章第1篇 - 交叉表组件。 交叉表在数据分析里应用广泛，通过本文，你将了解到： 交叉表的基本概念，以及BI可视化平台常见术语。 我们的表格类组件的演化过程，以及如何通过技术调研和优化实现大数据量下渲染性能，一步一步从原先的~10s降低到3~4s。 交叉表的一些特定场景，提供了一些技术实现简易描述，对这些场景有一些宏观认识。 Worker，虚拟滚动，微应用等关键技术的实现细节。
分布式链路追踪系统在企业的APM体系中扮演着重要的角色。本文分享了去哪儿旅行构建分布式链路追踪系统的实践经验。从APM整体架构设计入手，讲述了日志收集、Kafka传输和Flink任务处理等环节的性能优化实践和踩坑经验。 同时，作者结合丰富的分布式系统架构经验，探讨了APM系统和Trace数据的价值。通过阅读本文，你将了解到去哪儿旅行在构建APM体系中所面临的挑战，并学习如何应对这些挑战，实现更高效的性能监控和管理。
随着人工智能技术的快速发展，B站已经有非常多的AI算法可以用来助力多媒体业务，诸如超分辨率、人脸增强、视频插帧、窄带高清等等。如今，以扩散模型（Stable Diffusion）和大语言模型（LLM）掀起的生成式AI浪潮又给多媒体业务带来了更多技术可能。相对于各类AI算法模型的研发，模型推理与视频处理框架在多媒体业务部署中的重要性更为凸显，是工程化”基座“的存在。一个优秀的多媒体AI算法工程化框架，不仅可以提供更高的运行性能、异构计算及多平台支持等功能，同时也增加代码复用率，提升开发效率，加速了业务部署上线。为此，我们研发了一套多媒体业务算法工程化SDK，Bilibili Vision Toolkit (简称BVT)，为B站的各类点/直播业务提供AI算法支撑，已在线上提供了上亿量级的视频稿件处理。另外，BVT是对之前同样也是我们研发的一款视频处理引擎BANG做了重新设计和全面的改进升级，集成了更多的算法，提供更广泛的推理引擎支持，改善多平台兼容性，以及增加可自定义任务流等特性。
Modular 公司在 9 月正式对外发布了 Mojo，这是一门面向 AI 领域的新型编程语言，号称比 python 快 68000 倍，而且会“着火”，真有那么猛吗？跟随着这篇文章咱来一探究竟......
