爱奇艺广告算法团队与大数据团队合作，利用Opal机器学习平台改进广告特征评估流程。新流程包括特征和样本处理、特征分析、模型离线评估和特征管理与跟踪。Opal机器学习平台有效降低特征评估门槛和成本，提高特征迭代效率，优化特征上线流程。未来的工作方向是进一步优化特征上线流程，提升特征验证、模型训练和更新的效率，为广告算法团队提供更高效和经济的解决方案，以助力广告业务提升。

爱奇艺业务风控新一代特征平台RiskFactor，实现了特征流批一体开发及部署，极大增强了风控系统的响应速度及与黑产对抗能力。

Opal是爱奇艺开发的机器学习平台，旨在提升特征迭代和模型训练效率。特征中心是核心功能，用于生产、共享和管理机器学习模型特征。它包括特征输入管理数据源、特征计算抽取所需特征、特征存储和特征转换。特征中心的设计考虑了海量请求、实时性要求、特征的灵活性和快速迭代的业务需求，能够释放业务计算和存储选型负担，实现规模化生产和提升特征生产力。

整个直播链路，⼤致可以分为信号编码与切⽚处理、CDN分发与回源、节⽬播放请求处理、视频切⽚下载与播放四个环节。本⽂分别介绍这四个环节在2024央视春晚中的稳定性保障实践⼯作。

从公有云账单API标准化到混合云成本可视化的工作实践。

爱奇艺Bigdata for AI的数智一体化建设实践

爱奇艺VRS系统依据自身业务特点，在系统可用性建设方面的具体实践

从零开始建设链路级压测方案及实践

爱奇艺流批一体化数据生产架构及实时数据湖仓建设实践。

后端开发过程中，项目升级到高版本镜像后，Redis（一款基于内存的数据库）访问出现超时错误的排查经验和问题分析

爱奇艺APP如何从冷启动、流畅性和加载速度三个方面进行优化提升低端机的用户体验

通过多种手段优化CTR模型在GPU上的推理速度，降低服务器使用成本。

在爱奇艺广告排序场景，稀疏大模型的由来、作用及实践。

介绍爱奇艺图片生产消费全流程现状，分享爱奇艺不断改进图片格式和编解码技术。

立足于TV端介绍爱奇艺站内投屏优化过程中面临的困难和解决方案。

对微服务无法共享底层服务变量问题提出了一套崭新的解决方案。