知鸦日报2022-06-29

We knew that, although meticulously crafted, our current 7-color design system (in other words, our secondary branding colors) was very limiting and not suited for all use cases. So when data visualization discussions came up in October 2021, we realized we needed to create a new color palette that was distinct from the existing one — one that was specifically made and thought out for this usage. And as we were going to be building it from scratch, we took advantage of this opportunity to make sure it would fit the accessibility best practices as much as possible. It was indeed important for us that the 4.5% of the worldwide population affected by color blindness, including deuteranomaly (aka green-weak), deuteranopia (aka green-blind), protanomaly (aka red-weak), and protanopia (aka red-blind), could see most of our color palette. Here, we detail the steps we followed to build this accessible color palette designed specifically for data visualization.

当数据平台逐渐变成每个企业发展所依赖的重要因素，设计出好用的数据可视化平台便是体验设计师的职责，文章会从设计的角度回答三个问题：什么是数据可视化？为什么需要可视化设计？以及该从何处着手设计一个数据可视化平台？

随着云音乐业务的不断发展拓宽，算法侧对特征开发的效率、特征数据的准确性、特征读写的性能、使用资源的大小等都有了更高的要求，我们以此为契机沉淀了一整套特征工程解决方案来应对以上的问题。

Here are a few random tips and tricks I learned through the years around service workers development and testing.

Card-style components are pretty much still a thing these days, and there are many ways to make a bunch of identical rectangles look prettier.

在我们的日常工作中，总会出现各种各样的“错误”和突发的“异常”。无论我们做了多少准备，多少测试，这些异常总会在某个时间点出现，如果处理不当或是不及时，往往还会导致其他新的问题出现。所以我们要时刻注意这些陷阱以及需要一套“最佳实践”来建立起一个完善的异常处理机制。那么我们如何快速、准确地定位异常的发生的地方，和一些简易的异常信息方便研发定位问题？下面跟随我来看一下转转中台是如何优雅地对异常进行统一的监控和上报处理的。

Efficiently managing our marketplace is a core objective of Lyft Data Science. That means providing meaningful financial incentives to drivers in order to supply affordable rides while keeping ETAs low under changing market conditions — no easy task!

Lyft’s tool chest contains a variety of market management products: rider coupons, driver bonuses, and pricing, to name a few. Using these efficiently requires a strong understanding of their downstream consequences — everything from counts of riders opening the Lyft app (“sessions”) to financial metrics.

To complicate the science further, our data is heavily confounded by our previous decisions, so a merely correlational model would fail us. Sifting out causal relationships is the only option for making smart forward looking decisions.

赋予前端团队更大的灵活自主性，显著提升研发迭代效率。

针对埋点系统和监控系统的融合的一点简单的介绍与探索。

借助算法能力，助力客户端灰度放量链路，优化灰度弹窗人群，提升灰度效能、增强问题召回能力。这篇文章描述了快手安卓客户端发布如何完成高效放量的智能化落地。

上一篇，介绍了测试活动测试输入、测试执行、测试分析、测试定位和测试评估五个步骤中测试输入智能化研究和实践，包含异常单测生成、接口用例生成、动作集生成等研究与实践。本章节重点介绍测试执行环节的智能化实践。测试执行是指将测试生成的用例集、数据集利用手动和自动化的方式对这些集合运行，测试执行本质上不能提升揭错水平，但如何高效稳定的执行完测试集合也是影响测试效果的关键。

测试执行智能化通过将数据、算法、工程等相关技术有机结合，一般包含测试用例推荐、测试流量筛选、测试任务调度、智能构建、执行自愈等方面，在学术界和工业界均有非常优秀的研究和实践。方法论上一般包含基于覆盖率相关性选择算法、基于数据建模或两者结合的方式。本章节将从多个实践的角度，介绍相关领域的目标、思路、涉及到的技术点、效果，希望能给到大家一定参考。

在业务开发中，会存在大量的场景都需要唯一 ID 来进行标识。比如，用户需要唯一身份标识；商品需要唯一标识；消息需要唯一标识；事件需要唯一标识等等。尤其是在分布式场景下，业务会更加依赖唯一 ID。

在业务高速发展的情况下，为了支撑更大的吞吐量并且响应足够及时，无论是系统架构还是缓存架构，都进行了多次升级。

本篇文章以理论+线上实践的方式详细介绍下哈啰基于水位自定义调度器的落地过程。

不论是非洲大草原上高速飞奔的猎豹，青藏高原上灵活跳跃的羚羊，还是万物之灵的人类自己，都无不让人惊叹造物主的鬼斧神工，也激发着人们梦想能有朝一日做出类似的人造物。诸葛亮的木牛流马，达芬奇的发条骑士，都是朝这个梦想前行的脚印。现代科技的高速发展，特别是机器人技术的日渐成熟，让这个梦想越来越贴近现实。虽然目前成熟的机器人技术和应用还主要集中在机械臂和轮式移动机器人上，但大部分人对机器人的第一印象还是像铁臂阿童木一样的仿生拟人的形态，相信也是很多机器人工程师的初心，这篇文章就给大家简单介绍下足式机器人的运动控制。

复盘做得最好的是军队。为什么？

因为军队是打硬仗的，如果他们不对战场进行总结，是会导致很多人员伤亡。战场无亚军，只有第一名，剩下的都是被歼灭的对象。

军队复盘是为了减少伤亡，企业其实也一样，是为了不付出惨痛的代价。特别是在年初、年中、年末这些关键节点的复盘，更是影响的是企业的战略前进和执行的方向。

此前我们也分享过复盘的逻辑和方法论，今天将这部分内容重新整理，并添加了一些新的信息，分享给正在做年中复盘的伙伴们~