演讲提纲：\n 1.Stable Diffusion的工作原理\n 1）Stable Diffusion中的各个组件是如何协调工作的\n 2）Diffusion的扩散原理\n \n 2.如何利用Stable Diffusion训练出稳定的效果\n 1）使用webUI训练的一些细节和trick\n 2）使用Diffusers代码训练的一些技术细节\n \n 3.如何利用Stable Diffusion在企业中落地\n 1）数据集的处理细节和建议\n 2）如何选择模型使得可以落地\n 3）使用Stable Diffusion做画风训练的一些细节\n \n 听众收益：\n 1. 了解Stable Diffusion的工作原理，明确其中各个组件如何协调工作，同时了解Diffusion的扩散原理。帮助听众更深入地理解Stable Diffusion算法的内在机制，以及能否更好地进行应用和调整。\n 2. 学习利用Stable Diffusion算法训练出稳定的效果，包括使用webUI训练的一些细节和技巧，以及使用diffusers代码训练的一些实用技术细节。这些技巧和实践经验可以帮助听众了解如何更好地应用算法，提升模型的训练效果和稳定性。\n 3. 掌握如何利用Stable Diffusion算法在企业中落地，具体包括数据集的处理细节和建议，选择模型使得可以落地以及使用Stable Diffusion做画风训练的一些细节和训练模型的实践技巧。这方面的知识可以帮助听众更好地应用算法，从而在企业中更加有效地实现目标。\n 4. 学习如何使用Stable Diffusion算法训练自己的大模型，掌握训练大模型的细节和技巧，包括如何设计优化器和超参数的设置等。这些技巧可以帮助听众更好地进行大规模训练，从而提升模型的准确率和稳定性。\n 5. 针对适用场景，分享在各个应用场景中Stable Diffusion的实践经验，包括总结成功和失败的案例，以及介绍未来研究的发展方向。这有助于听众了解稳定扩散算法的适用场景和发展趋势，为未来的研究和实践提供参考。\n

CTR预估技术中，用户建模是预估迭代的主要原动力，通过从实际业务中挖掘用户的行为模式，持续的增加信息输入，提升CTR的精准度和排序能力。长期的算法建模中，我们意识到信息输入决定效果上限，阿里的兴趣建模引领了用户建模的第一波迭代，然而经过两年迭代我们也看到其局限性：\n 一是同屏多商家间的影响没有建模；\n 二是搜推广架构先预估后排序展示，预估阶段无法获取同屏商家；\n 三是只建模点击/下单行为且独立输入，缺少全入口、浏览信息完整串连刻画。\n \n 为此美团从如下三方面突破：\n 一、打破传统搜推广漏斗型检索架构、构建旁路算法和系统，结合近线系统构建side model，首次解决预估阶段无法获取同屏商家的瓶颈；\n 二、突破单商家视角、构建页面级建模体系。结合side model 获取页面搭建页面级建模。\n 三、从单入口单行为到全入口全行为覆盖，创新提出基于全行为的决策路径建模，更好的提取用户行为的连续性和周期性。\n \n 主题大纲：\n 1.外卖广告CTR简介\n 外卖广告业务简介\n 外卖广告CTR模型发展\n \n 2.用户全站学习问题框架\n 页面信息获取难点和问题分析\n 用户全行为建模难点分析\n \n 3.Side model 和页面级建模\n Side model 构建与页面级建模模型简述\n 系统角度理解Side model4、用户全行为、全入口建模\n \n 4.决策路径建模\n 用户多行为依赖关系、行为语义\n \n 5.挑战及未来规划\n 用户建模的终极思考\n gpt与用户建模的可能分析\n

让非算法同学可以开放的使用算法能力，是斑马智能驾仓语音交互功能快速交付的成功基石。算法训练工作流，是算法开放能力中的核心模块之一。随着业务的发展，训练工作流的变更逐渐复杂，质量保障也变得困难。本次演讲分享一个有效的训练工作流解决方案，实现复杂业务需求的同时，对复杂需求进行分而治之，并保证运行效率。\n \n 主题大纲：\n 1.算法开放需求和困境\n 1）本地开发和远程部署\n 2）配置/数据管理\n 3）OSS储存\n \n 2.工作流方案选型\n 1）kubeflow\n 2）aiflow\n 3）mlflow\n 4）flyte\n \n 3.实现方案及优化\n 1）OSS储存集成和本地开发流程\n 2）插件化数据增强工具\n 3）配置参数YAML和自动更新\n 4）任务性能优化\n \n 4.总结和展望\n