光传输网络（简称OTN）是一种基于光纤技术的通信网络。它利用光纤作为传输介质，将信息以光的形式进行传输。其凭借DWDM（密集型波分复用）技术以及保护倒换技术，可以实现大带宽、低延迟、高可靠的数据传输，因此广泛应用于多个数据中心互联场景。国内外大型互联网公司通过租用运营商光纤自建传输网络，能够大大降低IDC之间数据传输的成本。同样，携程也拥有自建的光传输网络（简称TOTN），主要用于承载骨干网跨数据中心流量以及IT办公上网流量。 作为底层物理网络，TOTN直接面对运营商光缆，需应对频繁出现的光缆故障。众所周知，国内基建仍处于发展阶段，运营商光缆经常被施工挖断。据美国运营商Level3的统计，其光纤网络大概每年每千公里就会中断1次；中国电信大概每年会发生50次以上干线光缆中断；而在印度，几乎每天都会中断几次甚至十几次。可见，光缆中断的次数与当地社会经济的发展程度密切相关。 携程TOTN自建成以来，平均每年监测到20余次光缆中断。因此在提供大容量传输的同时，如果能够在发生光缆故障的时候，光网络可以自动切换，使业务带宽不受影响，甚至不感知故障，将极大的提升网络可靠性。
随着OpenAI的ChatGPT火遍全球，大语言模型（Large Language Model，下文简称LLM）成为了人工智能领域的热门话题。大语言模型是一种基于深度学习的自然语言处理技术，它能够模拟人类的语言能力并生成连贯的文本。这种技术的出现引起了广泛的关注和应用。大型语言模型在机器翻译、文本生成、智能对话等领域发挥着重要作用。在这些领域中，它们能够理解和生成自然语言，使得机器能够更好地与人类进行交流和合作。 无论是在学术研究还是商业领域中，LLM都有潜力成为一个强大的工具，帮助我们更好地理解和利用自然语言。但由于ChatGPT是闭源且信息安全存疑，并不适合在企业内部的所有业务场景使用。此外，最近有大批优秀的开源大语言模型涌现，比如Llama-2。因此，很多企业构建属于自己领域的LLM和配套系统，应用在自身的业务场景中。为了适应旅游场景的应用，我们也构建了一套训练、推理LLM的系统，充分利用LLM的强大能力。
元数据MetaData狭义的解释是用来描述数据的数据，广义的来看，除了业务逻辑直接读写处理的那些业务数据，所有其它用来维持整个系统运转所需的信息／数据都可以叫作元数据。比如数据表格的Schema信息，任务的血缘关系，用户和脚本／任务的权限映射关系信息等等。 在数据仓库的建设质量的评估中，一个必不可少的评价指标就是数据产出的及时性，特别是对于P0级别的流程，及时性指标的好坏一方面决定了下游应用方能否准时地获取所需的业务指标，直接影响到业务的工作效率；另一方面也反映了相应指标的数据架构的合理程度。 数据及时性，顾名思义就是测试数据需要按时产出。及时性重点关注的三个要素是：定时调度时间、数据任务优先级以及数据产出deadline。其中任务的优先级决定了它获取数据计算资源的多少，影响了任务执行时长。数据deadline则是数据最晚产出时间的统一标准，需要严格遵守。这三要素中，属于业内统一认知且在质量保障阶段需要重点关注的是：数据deadline，这也是我们优化数据流程产出的最终评判标准。
大模型的出现标志着人工智能发展进入了新阶段。去哪儿作为OTA行业的先行者，对人工智能的研究和应用始终十分重视。 今年，去哪儿更是成立了人工智能委员会，从内部推动人工智能赋能业务，从外部广泛接纳、吸收前沿的人工智能信息和各类研究成果，为旅行业务的智能化发展和转型全力以赴。近期，人工智能委员会联手产研学习中心面向全司举办的 AIGC Hackathon 大赛正在火热开赛中。 为此，产研学习中心特邀请人工智能委员会主席——孙斌进行访谈，带大家深度了解AIGC在旅游行业的现状及未来，了解人工智能委员会、了解AIGC Hackathon大赛。
近年来短视频的火爆，让内容创作类的APP获得了巨大的流量。用户通过这类工具编辑自己的短视频，添加各式各样的炫酷特效，从而呈现出更加丰富多彩的视频内容。本文将会介绍如何使用移动端原生API，将图片添加转场特效并且最终合成为视频的基本流程。
IVR（交互式语音应答，Interactive Voice Response）系统，是指用户通过拨打指定号码后可以根据语音提示，收听和点送所需语音信息，并且协助完成自助服务。通过不断完善IVR交互逻辑，可以实现客户来电自助操作，减轻客服座席压力，使之仅处理确实需要人工处理的呼叫。 本文将主要分享携程机票IVR可视化系统的探索与实践。
互联网行业中，有许多关键指标直接影响公司未来的规划与决策，比如流量、订单量、销售额等。有效地预测这些关键指标能够辅助公司提前做出相应的预算、规划、决策，实现收益的最大化。 预测关键指标实际上是个典型的时间序列预测问题，即基于指标的历史真实数据来预测未来一段时间的值。在携程也有一些相关的业务场景，本文将以预测流量、订单量、GMV为例，介绍我们在时间序列预测方面使用的一些方法与思考。
携程火车票包含1000+的业务指标，人工监测指标的异常情况耗时费力，而由于业务差异，基于规则和简单统计学的检测方案只能覆盖到单个指标或者单类指标，并且不能随着新业务上线或者功能变动灵活动态的调整相应的规则，并不适用于大量不同业务线的指标。我们希望使用AI算法来代替人工，对指标进行全自动的监控，旨在发现指标的异常和导致异常的潜在原因。 具体来说，对于异常检测，使用六种无监督检测算法计算异常得分，根据时间序列特性和指标的业务特点计算异常阈值，集成多种算法的异常结果进行硬投票，得到异常结果。对于根因定位，集成了Adtributor、Hotspot等四个算法做硬投票系统，按投票次数降序输出根因结果。此外根据指标的重要程度，设置不同的投票规则，来权衡精召率。
