Tina

前文再续，书接上一回。上回讲到我们是如何获得广告的、如何润色以及如何经过一系列操作确定哪些广告是有资格参与竞价的。在这一篇文章中，我们会继续看看第四到第八步，着眼于如何获得不同的广告报价、如何控制投放

Tubi TV 是最大的免费视频网站之一，在 2020 年我们宣布了三千三百万的月活跃用户，并且这个数字还在继续快速增长。我们的机器学习支撑了公司里各个不同的领域，比如首页的推荐、相似内容、搜索、热门

RecSys是聚焦于推荐系统的ACM学术会议，因为推荐系统应用广泛，这个会议也吸引着大量工业界的朋友参加。RecSys 2020 [1] 原计划在南美洲巴西举办，因为疫情，会议不得不改到线上举办。虽说

概览KPI(关键绩效指标) 预测对于 Tubi 的业务非常关键，Tubi 的数据科学团队开发了一个非常稳健的系统来帮助设定公司的预算、内部和外部的目标以及当服务出现问题时能够帮助我们定位原因的异常检测

作为一家流媒体公司，我们力求让每个用户都能在任意平台上通过 Tubi 观看流媒体资源。无论是智能手机还是智能电视，抑或是游戏主机，甚至诸如 EchoShow 或者 Nest Hub 这种多模式设备，你

我们最早引入 Tubi Data Runtime (TDR) [1]的时候，它还只是个 Python 库，早期用户就喜欢上了它里面的特性。但是如果把它放到生产环境我们还有两个问题需要解决：1. 维护本

Tubi 内部统一使用 Jupyter Notebook 作为数据分析和数据科学工作的平台。不论是探索用户行为，时间序列预测公司 API，还是深度目标检测模型，我们都是在一个基于 JupyterHub

Tubi 的基础设施团队旨在鼓励大家使用最佳实践，不过我们不是通过宣扬和说教，而是通过工具、策略和流程来实现这一目标。我们期望帮助开发同事更容易地作出正确决策，尤其是在安全方面。决策之一是关于如何管理

Tubi 为用户免费提供成千上万部优质的电影和电视剧，从海量的内容中推荐用户感兴趣的内容是我们的核心用户体验，为此，工程团队开发了一个后端服务 Predictor Service 来实时为用户推荐内容