張一鳴點頭：“明白，我回去就做一個內容源拓展方案。另外，我想申請一批伺服器資源。隨著使用者量增長，推薦模型的訓練和推理對算力的要求越來越高。”
林辰點點頭，這確實是。隨著使用者規模增長，儲存的資料和需要的計算能力都會越來越多。
不過這也是找他來的目的，今日頭條的推薦引擎本質上是一套使用者興趣建模和內容匹配系統。
這套系統和搜尋、廣告推薦、雲服務的使用者畫像，底層邏輯高度重合，這幾個方面必須要協同整合才行。
“一鳴，我帶你去找一個人。”
張一鳴愣了一下，但沒多問，拿起公文包跟著林辰出了辦公室。
兩人坐電梯下到十七樓，雲服務部門的辦公區裡燈火通明。
已經是傍晚六點多了，但工位上還坐著大半的人，螢幕上跳動著各種監控面板和除錯日誌。
張婷正站在一塊大螢幕前，螢幕上顯示著雲服務架構的即時執行狀態，各種曲線和數字密密麻麻。
聽到腳步聲，她回過頭來，看到林辰身後跟著張一鳴，微微挑了挑眉。
“林總，張總。”
“張婷，找個安靜的地方，我們聊聊。”林辰說。
張婷把他們帶進旁邊的小會議室，順手拉上門。
林辰坐下後開門見山：“張婷，今日頭條那邊需要推薦模型訓練和推理的算力支援。
但今天找你不只是要資源，我想讓你和張一鳴坐下來，把雲服務、使用者畫像、推薦演算法這三件事的技術底座統一規劃一下。”
張婷翻開筆記本，先問了一句：“林總，您說的統一規劃，是指資料打通還是架構統一？”
“都是。雲服務的資料管道、今日頭條的推薦引擎、廣告聯盟的使用者畫像，這三套系統背後都需要同一套東西。
使用者行為資料的採集、清洗、儲存、計算、建模。
如果各做各的，等於三套團隊在重複工作。
浪費資源是小事，更麻煩的是資料割裂。
使用者的行為資料分散在不同的系統裡，每個人只能看到一部分，畫像就不完整。”
張婷沉思片刻，在筆記本上畫了一個簡圖：“如果要做統一，核心是資料中臺。把使用者行為資料的採集、清洗、儲存、標籤化做成一整套標準化服務，上面再分三個應用層。
搜尋用一套，推薦用一套，廣告用一套。底層資料是共享的，上層應用各自獨立。”
“對，就是這個意思。”林辰看向張一鳴。
“一鳴，你覺得呢？”
張一鳴推了推眼鏡，顯然在快速消化這個思路：“技術上沒問題，但有一個顧慮。今日頭條的推薦模型是我們自己迭代出來的，如果底層資料換成統一中臺，模型訓練的效率可能會受一些影響。”
張婷接話道：“不會。資料中臺只是負責資料的採集、清洗、儲存和標籤化。
模型訓練和推理還是你們自己的團隊做，只是資料來源從你們自己抓變成從中臺取。
”。高在現比量質料資的到拿們你，一統面介，化準標料資把會臺中
