HDFS中默认的3副本方案在存储空间和其他资源（例如网络带宽）上有200％的开销。对于冷数据，使用纠删码（ErasureCoding，EC）存储代替副本存储是一种非常不错的替代方案。EC存储在保证容错能力不低于副本存储的同时，有着更低的存储空间消耗。HDFS EC在滴滴内部稳定落地已超过半年，为公司节约了大量的存储成本。本文将介绍EC在滴滴内部的实践情况。

LogI-KafkaManager脱胎于滴滴内部多年的Kafka运营实践经验，是面向Kafka用户、Kafka运维人员打造的共享多租户Kafka云平台。专注于Kafka运维管控、监控告警、资源治理等核心场景，经历过大规模集群、海量大数据的考验。内部满意度高达90%的同时，还与多家知名企业达成商业化合作。

有个印象很深的细节,优享司机在出发前都会说一句话，“座椅空间需要调整的麻烦告诉下我。请系好安全带，我们出发了”。在每个优享司机讲这句话背后，滴滴在运营上做了什么?以及这里面的管理成本有多大？

自动驾驶系统中的行为预测模块主要负责预判其他交通参与者未来一段时间的行为，其困难主要源自现实世界和人类行为的高度不确定性。本文列举了现实环境中的不同场景，讨论了两种不同预测方法，即基于行为规划的预测和基于机器学习的预测，用于准确预测各种复杂交通行为并刻画其多模态特征和不确定性的困难和挑战。

在滴滴，数据是非常重要的资产，基于数据的数仓建设，数据分析、数据挖掘、数据科学等构建了滴滴的数据体系，支撑着滴滴的业务快速发展。在这个背景下，如何保障用户获取数据的易用性的同时可以更加安全，是对我们大数据平台提出来的非常大的挑战，本文将介绍下我们在面对挑战下，在大数据权限安全建设上实践。

计价是出行业务中非常重要的一部分。在滴滴，不同的业务有不同的计价方式，比如网约车不仅有根据里程、时长、时段等进行的分时计价，在拼车、特惠快车等场景还支持一口价，青桔则主要基于起步价和时长费等来计价，而出租车则依赖于计价器计价，司机可线上手动输入车费由乘客支付等。经过多年的探索，我们演化出一套功能强大的计价系统，围绕价格计算这一核心属性提供了丰富强大的功能。目前计价系统服务于滴滴各条业务线，为各个出行场景下价格相关的问题提供解决方案。

这篇文章主要介绍Chameleon框架开发的小程序如何提效50%~80%的心路历程。

客服是连接事业部和用户之间的桥梁，相较于一些垂直业务主要专注于业务领域内的问题，客服业务有一个特点：面向各种业务各种场景解决用户的各类问题。面对多样化的场景需求以及业务的不断发展迭代，解决方案平台通过标准化的思路，整合业务提供的业务信息和服务能力，拉齐不同渠道的答案和处置方案，提供可视化的方案管理平台。本文介绍了体验平台团队如何针对客服业务的特点和挑战建设解决方案平台以及相关技术沉淀。

滴滴是一个让出行变得更美好的公司，语音交互作为出行领域最安全，最自然的交互方式在滴滴内部有着广泛的应用前景，目前滴滴语音交互已经应用在智能外呼，司机端，地图，车机系统多个领域中。语音交互离不开自然语言理解，用户说的每一句话都应该得到正确的理解和反馈，自然语言理解技术让语音助手变得像人一样和用户进行交流。本文主要讲解滴滴语音交互中自然语言理解技术的一些探索和实践。

橙心优选汹涌入局

道路交通事故每年都给人类带来巨大的生命和财产损失。滴滴作为交通领域的深度参与者，不断地探索降低交通事故的方法。本文重点介绍车载视觉团队是如何在滴滴的场景下，在桔视设备上，使用超低功耗的桔视ADAS（高级辅助驾驶系统）技术，降低交通事故发生率，守护司乘安全。

车联网时代，由于驾驶舱环境中视觉与触觉都受到高度约束，语音交互成为了车载场景下最自然的交互方式。通过车机/手机的语音助手，车主只需要说说话就可以完成车辆控制、信息查询、导航娱乐等功能，减少了在驾驶过程中的分神现象，提升了车辆行驶的安全性。在滴滴也有丰富的语音交互场景落地，为了更快更稳定地输出语音识别模型，提高业务识别准确率，我们开发了语音识别模型自学习平台，通过平台，一方面非专业人员也可以轻松参与业务专属模型的自助优化，另一方面可以实现业务数据回流，达到模型闭环迭代和自主学习的目的。

公共交通出行，安全是重中之重，滴滴作为网约车行业的头部品牌，肩负着保护司乘安全的重担。滴滴桔视记录仪依托高质量硬件基础与高精度算法，实时抓取乘车期间道路与车内视频信息，提醒司机驾驶安全，同时有效保护司乘安全，解决司乘纠纷。本文重点介绍桔视记录仪的产品定位、主要功能、主机组成、硬件框图、工作原理等内容。

为了将目标语音从含多种干扰(如车噪、导航音、车内FM等)的复杂声学环境中分离出来同时尽量减小对原始语音的损伤，提高人机交互、客服听音等的效率，滴滴结合了在前端信号处理的多年研发积累与该领域的前沿研究，在单通道语音分离任务上取得了较大的进展。本文重点介绍单通道语音分离的研究现状、原理和目标说话人提取(或抑制)的框架、改进和一些实验结果及demo展示。

机器翻译系统是使用深度学习技术从其支持的语言中翻译大量文本的服务。服务将 "源" 文本从一种语言转换为不同的 "目标" 语言。滴滴作为一家国际化的公司，无论是在国际化网约车中还是司乘沟通都有着丰富的落地场景。本文详细的介绍了滴滴翻译的整体框架、原理以及方法，同时还会简单介绍滴滴NLP在今年参加的机器翻译大赛（WMT2020）的一些技术。

本文是对滴滴智能客服团队的论文《Towards Building an Intelligent Chatbot for Customer Service: Learning to Respond at the Appropriate Time》的详细解读，在这篇论文中，滴滴提出一种应用于智能对话系统的多轮应答时机触发模型（Multi-turn Response Triggering Model，MRTM）。不同于传统人-机对话的turn-by-turn交互模式，MRTM能够使机器人具备在恰当时刻进行回复的能力，并使其在其他时刻保持倾听，结合客户的多个问题进行回复，从而提升人机对话的流畅度并提升机器人的回复质量。