过去的几年里，机器学习退却了黑魔法的光环，逐渐成为软件开发的常规武器。行业的关注点，逐渐从机器学习能做什么，过渡到如何有效地管理机器学习项目的交付流程上来。我们亲眼目睹了，机器学习类项目从脆弱的实验性流程，逐渐变成敏捷的工程化流程。而技术雷达忠实地记录了这一变化的过程。

平台构建是现代商业战略的核心，但也是一个充满不确定性的领域。即使是在企业内部，对于平台是什么、有何用途也是众说纷纭。结果是，尽管平台令人兴奋，但是对于平台的投资结果往往令组织感到失望。这不仅源于平台构建本身的难度，更源于对不同平台类型的认知和其所要实现的价值的不同认识。都有哪些常见的平台类型？都是如何演进发展而来？其价值又有什么不同？如何基于成效与价值，结合企业的自身定位，选择与应用不同类型的平台进行建设，并规避平台建设中的陷阱，充分发挥和实现平台潜力，本次分享将围绕这些问题展开，期待一起探讨和碰撞。

开源从一小群黑客发起的“自由软件运动”发展到今天，已经成为一股吞噬世界的力量。从纯粹技术的角度，已经无法解释开源世界的很多现象了。我们需要引入经济学视角，考察开源世界里的生态模型、竞争模型，以及开源战略模型。也许这样会更加有助于我们理解当今的开源世界，应对今后的变化。

在未来已来，躲也躲不掉的后疫情时代，很多人依然有一个误区，觉得「远程办公」和「集中办公」这两种模式可以随时切换，但当管理者把集中办公时的经验直接复制到远程中时，团队往往开始争吵变多，效率下降，士气低迷。这背后到底是什么原因呢？答案就是：远程团队管理是一件严肃且专业的事儿。它是对信任的冲击，对思维的转变，对各种制度的更改，对人员能力要求的差异。

本话题带你从思维到能力，工具到业务一起探索：
1. 【思维 & 工具】如何用最短的时间「搭建」远程协作团队？
2. 【业务流程】远程协作中的产品设计 / 需求管理 / 敏捷研发该「优化」哪些流程节点？
3. 【能力招聘】最后彩蛋：远程团队的招聘需要「新增」哪些考核点？

成功在企业落地AI有诸多挑战，更多的注意力都集中在算法和模型上，作为模型训练最为关键的数据往往被忽视。Data-centric AI会从系统化工程的视角，解读如何夯实机器学习应用的基石。

企业在实施数据管理时，常常遇到框架高高挂起，落地困难的挑战。在集中式的权责和数据架构下，随着数据产生和数据消费需求不断增长，数据管理的复杂度急剧上升。Data Mesh提出了分布式的数据架构范式，按照领域划分数据所有权，将数据开发的复杂度尽可能地局部化，同时降低数据管理的复杂度。本次分享以Data Mesh为主线，讨论当今主流的各种分布式数据架构与其衍生的方案和产品，帮助大家找到适合自己的分布式数据架构解决方案。

分布式计算，MPP/HTAP数据库，流式计算等等技术，对于数据从业者而言早已熟悉，但随着大规模的数据分析和开发在企业内实施，企业很快面临成百上千的ETL的开发和维护工作。如何高效的完成数据开发，有效的维护大量ETL，快速交付变更，让数据开发过程更有章可循，成为了大部分企业越来越关注的问题。与之相关的数据工程能力越来越显得重要。本次话题我们将基于多个实际项目总结的经验来讨论数据工程能力如何帮助企业实现规模化数据开发。