首页>>数字化运营资讯 大数据及ai平台

大数据及ai平台

admin 2021-03-01 19:58:37

  随着互联网“人口红利”的“消耗殆尽”,基于“T+1”或者离线计算的机器学习平台及推荐系统转化率与效果日趋“平淡”。后疫情时代的新社会模式及经济形态必将催生出新的商业模式,在线业务及相关应用场景的流量呈现井喷式发展,常规的离线系统及离线机器学习平台已无法满足业务发展要求。人口红利吃尽之后,基于大数据及AI平台的业务系统在时间维度上的思考将变得至关重要,通过业务系统实时化向时间要价值已经成为主流趋势。基于流式计算引擎的在线机器学习平台将越来越被重视, 通过增量模型的准实时或实时推荐系统更能“因时而异” 充分捕捉目标用户瞬息万变的需求,从而进行精准推荐和变现。实时推荐系统也从最早的电商场景, 扩展到社交场景, 在线教育场景, 游戏场景及更广阔的在线场景。

  本文介绍重点介绍基于阿里云大数据及AI产品家族的实时计算Flink及PAI Alink机器学习算法平台,以及该产品组合在实时推荐场景(适用于电商、游戏及在线教育解决方案)、实时评分卡场景(适用于金融、安全及营销风控解决方案)以及异常检测场景(适用于工业领域及其他产业互联网领域)的场景应用。

  阿里云实时计算Flink作为Apache Flink创始团队的商业化产品,从极致(较传统微批模式)的实时数据处理维度,为企业大数据处理及业务实时化提供了可能。商业化的统一开发及管控平台,成熟、准标准化的SQL及元数据管理能力,让业务人员及数据分析师大幅度提升开发效率, SQL配合UDF基本可以解决80%+的业务场景。企业级的State Backend – Gemini大幅度提升IO效率,整体执行引擎较开源3倍以上的性能提升。

  基于阿里云Kubernetes的全新Serverless全托管云上实时计算Flink服务,使用全新的硬多租技术方案,基于VPC提供网络层隔离,阿里云安全容器提供计算层隔离,基于弹性云盘提供存储级隔离,通过用户级Master及超级Master实现极致资源弹性下的多租户隔离。基于负载的细粒度弹性伸缩, 充分提高资源使用率, 降低整体TCO。新一代的Serverless实时计算Flink产品为在线机器学习算法平台提供了坚实(“时“)的基础。

  与SparkML算法相比,Alink算法更全面,性能更优异,场景更丰富(同时支持流批),本地化更出色(支持中文分词)是快速搭建在线机器学习系统的不二之选。

  从根据用户点击和浏览的内容实时推送的电商场景,到社交媒体根据用户阅读的内容实时“喂送“的实时推荐系统,再到游戏推送平台根据用户行为实时推送的游戏系统,实时推荐系统俨然已经成为了在线业务系统的核心。

  阿里云PAI Alink算法平台提供: 召回(例如:ALS、FM、Deep Walk等),特征编码(OneHot、MultiHot及GBDT等) ,排序(LR及FFM等)以及Online算法(OnlineFM及Ftrl)流式和批式的算法能力全流程构建能力。配合阿里云实时计算Flink海量样本实时拼接能力,能够快速端到端实现离在线一体化的推荐系统。

  通过特征工程批式训练初始化模型,通过实时样本拼接配合流式算法(OnlineFM及Ftrl) 生成增量的模型,最终提供统一模型的整体结果预测,更实时更动态的提升推荐效果。

  阿里云实时计算Flink及PAI Alink产品组合可以帮助客户快速搭建实时金融风控解决方案。评分卡在金融场景有广泛的应用,能否构建准确的评分卡模型关系到能否安全的开展支付、贷款、保险、理财、信用等业务,评分卡常被用于信用评估领域,比如信用卡风险评估,贷款发放;评分卡也会用来作为分数评估,比如客户质量打分,信用分。涉及金融的场景都需要:可追溯、可审计及可解释,如下的评分卡模型就具备很好的可解释性。例如:用户年龄27岁,性别男,婚姻状况已婚,学历本科,月收入10000。根据如下评分卡,该用户的评分为:评分 = 223(基准分) + 8(年龄) + 4(性别评分)+ 8(婚姻状况)+ 8(学历评分)+ 13(月收入评分)= 264分。

  阿里云实时计算Flink及PAI Alink产品组合提供最先进的评分卡解决方案, 分箱将每个特征按照需求进行分箱训练;评分卡训练生成评分模型;样本稳定性通过PSI等指标衡量样本稳定性;模型评估,评估二分类模型效果。该解决方案支持多特征维度模型训练,支持大规模样本建模。

  异常检测及时序分析是一个较为常见并且应用广泛的场景,在工业界的应用尤甚。利用阿里云实时计算Flink及PAI Alink产品组合可以帮助客户快速搭建异常检测解决方案。实时计算Flink强大的性能与Alink丰富的算法库机相结合,可以帮助数据分析和应用开发人员实现数据处理、特征工程、模型训练、预测等多个环节端到端的处理。在异常检测场景下,Alink支持时间序列异常检测、异常集检测两个核心场景。

  在时间序列异常检测中,Alink具备种类齐全、批流一体、性能优异、并行计算、使用方便等优势。针对不同的使用场景,分为基于时序预测和时序分解两种类型:

  异常集检测是风控场景的核心诉求之一。Alink 异常集检测中具备如下优势:

  在盗用、欺诈、作弊、商户、借贷套现等各风险域都有异常集检测的需求存在。基于GraphRAD,Alink实现了半监督的异常集检测,RiskCommunityDetector。算法输入连接关系以及已知的黑点,即可对全图进行分析,捕获其它黑用户,降低业务运行过程中的风险,为业务安全保驾护航,避免可能发生的重大损失。

  通过上文的介绍,想必大家已经对阿里云实时计算Flink及PAI产品组合跃跃欲试了,可以快速开通全托管实时计算Flink 体验最新的Serverless产品服务。

  飞天大数据平台不仅是阿里经济体大数据生产的基石,更为各行业客户提供大数据整体解决方案和强劲算力。上一册介绍阿里巴巴内部大数据实战的电子书《阿里巴巴大数据及AI实战》推出后,受到了广大开发者的认可。本次带来不同行业下企业的大数据&AI案例和实战电子书《领军行业大数据及AI实战》,希望能给广大企业和开发者带来更多受益。

  云上不同行业企业大数据及AI典型场景最佳实践全揭秘。2020首个大数据实战手册——《领军行业大数据及AI实战》

  以上是部分行业下企业通过大数据和AI来洞察并推动业务的案例和实战分享,感谢本书中的所有企业及分享人,通过分享让更多企业和开发者能够得益于大数据和AI,让数据和AI赋予企业更多洞察和想象。

  2019杭州云栖大会大数据企业级服务专场,由斗鱼大数据高级专家张龙带来以 “混合云模式下 MaxCompute+Hadoop 混搭大数据架构实践” 为题的演讲。本文讲述了从 Apache Hadoop 阶段到 Cloudera CDH 阶段斗鱼大数据架构的发展历程。提出了上云过程中斗鱼遇到的问题和跳战,包括数据安全、数据同步以及迁移任务。概括了混合云模式给斗鱼带来资源效率更高和资源成本更低的变化。

  本文主要从新华智云数芯平台,媒体行业数据特征,批流处理数据架构,以及通用的媒体大数据平台能力等几个方面介绍了如何基于MaxCompute做媒体大数据开放平台建设。

  新华智云是一家致力于通过大数据技术驱动媒体变革的公司,数芯是新华智云推出的实时舆情分析平台,旨在满足用户一系列舆情分析需求。包括:对事件、新闻、媒体、人物、地域、机构、行业,甚至关键词、热门话题等的抓取、识别、聚合、热度分析以及可视化展示等。

  本文由衣二三CTO程异丁为大家讲解了如何基于MaxCompute构建智能化运营工具。 衣二三作为亚洲最大的共享时装平台,MaxCompute是如何帮助它解决数据提取速度慢、数据口径差异等问题呢?程异丁通过衣二三数据体系架构,从用户运营应用、商品运营应用以及算法推荐系统三方面给大家剖析了MaxCompute是如何助力衣二三构建智能化运营工具的。

  塑云科技:性能突破,基于KafKa+OTS+MaxCompute 完成了一次物联网系统技术重构

  创业团队,专注于氢能燃料电池生态链的运营支撑,当前主要的业务组成为新能源车整车实时运营监控分析,加氢站实时运营监控分析,车辆安全运营支撑。

  交易数据清算从8小时缩至1.5小时,飞天大数据平台MaxCompute解决余额宝算力难题

  MaxCompute 对于海量数据的存储、运维、计算能力强大且安全稳定,MaxCompute 服务将原本需要清算 8 小时的用户交易数据缩短至清算 1 个半小时,同时减少了本地服务器部署压力,在显著提升我们工作效率的同时减少了大量开发成本和人力成本,使我们能更专注于业务发展,为用户提供高品质、高价值的金融服务。

  小打卡是国内最大的兴趣社群平台,每天能够产生上百万条新的内容。依托于阿里云MaxCompute,小打卡已经完成了TB级数据仓库方案。在此基础之上,结合机器学习PAI,实现了千人千面的推荐算法。

  小打卡目前已为3000万用户提供体验服务3.4亿人次,内容消费7.4亿人次。在庞大的用户量背后,MaxCompute产品的搭建显得尤为重要。

  本次由阿里云驻云科技资深架构师翟永东带来了“基于 MaxCompute 搭建社交好友推荐系统”为主题的分享,主要对大数据在好友推荐系统中的应用、好友推荐系统的分析模型、好友推荐系统在阿里云上的实现方式和 MaxCompute 技术进行了精彩的介绍。

  MaxCompute提供完善的数据导入方案以及多种经典的分布式计算模型,可快速解决克拉克拉所面临的海量数据的计算问题,有效降低企业成本并保障数据安全。对于使用方的我们不必关心分布式计算和维护细节便可轻松完成大数据分析,最终我们采用阿里云MaxCompute方案进行数据上云。

  上海鸥新软件有限公司专注于室内定位技术和客流统计与分析的研发,如室内定位引擎、客流统计与分析系统。在用户导入客流系统的同时,为商业零售实体店提供了覆盖,微信上网,定时定地点向客户进行精准化商业信息推送等一体化解决方案。

  大数据计算服务(MaxCompute,原名ODPS)是一种快速、完全托管的TB/PB级数据仓库解决方案。MaxCompute向用户提供了完善的数据导入方案以及多种经典的分布式计算模型,能够更快速的解决用户海量数据计算问题,有效降低企业成本,并保障数据安全。在本文中北京多点在线高级架构师杨洋分享了基于MaxCompute构建Noxmobi全球化精准营销系统。

  分享版 大数据与AI平台 万明阳&马国俊 基于NLP和神经网络的用户反馈智能检测技术及系统实践

  关键字:大数据 人工智能 AI AI平台 NLP 神经网络 用户反馈 智能检测 系统实践

  诸葛君说:点外卖的时候,通常会在下单后有个提示:“预计20分钟能送到”,就是这样一个小小的时间反馈,其实背后都是大数据、算法在支撑,因为这个时间包含了一家餐厅高低峰时间段合理的出餐时间计算,包含了骑手被分配、取餐、配送,甚至可能多单同时配送的时间,他的准确性直接影响平台上多方的体验和利益。如何准确支撑?并基于AI能智能调优,在上海GDG DevFest2017大会上,“饿了么”技术副总裁张浩分享了他的实践经验。

  本文整理自饿了么技术副总裁张浩上海GDG DevFest2017上的演讲

  LinkedIn 搜索与分析部资深数据科学家 Microsoft 语音识别组高级数据工程师

  外卖是什么样的量级?很多人可能不知道。中国最大的领域是电商,有淘宝、京东,其次是出行行业,有滴滴、UBER、还有共享单车,这几家公司加起来是一天两三千万订单量左右。而外卖行业到今天已经达到每天 2500 万单。

  现在的饿了么,除了食品、还有鲜花、药品等,“饿了么” C 端注册用户 2.6 亿,B 端商家目前已经是 130 万,每年是千万级别的定单情况,这个是我们外卖行业的一部分,就是电商交易平台。

  到今天为止,饿了么配送员已达300 万,平均每天有2千多个城市 30 万到 40 万的骑手活跃,随时准备接单。

  本地物流是外卖重要也很复杂的部分,区别于其他物流,他们几天时间到达,这个行业的“物流”是希望 30 分钟送到,这就导致我们的架构和算法模型有很大的挑战,下文会着重介绍。

  饿了么与淘宝、携程、滴滴等涵盖消费者衣食住行的生活服务类的产品一样,是高频需求,但因为业务模式的差异,在技术层面也有很多不同。

  在外卖领域需要三大技术支持,一个是机器学习,一个是运筹优化,一个是大数据。具体到业务中:商户希望30分钟将食物送达,所以送餐距离的选择需要科学计算,目前所有行业都是基于APP定位,定位可能3公里或者5公里的半径,LBS保证以运营商的推荐/搜索为基础,我们以外卖行业中典型的3个场景为例,说明这三大技术是如何应用的。

  下图中间这个模块是用户商户分层,推荐搜索和智能补贴,这几大方向是任何电商都必须做的。

  基于精细的用户画像,我们希望对用户和商户的生命周期进行严格的管理,通过相应的推荐、搜索、补贴等手段,比如:当某一用户进入沉睡期,我们会通过合适的方式对用户进行刺激。

  当交易行为发生时,我们希望30分钟将外卖送达用户,这一过程涉及机器学习的规划以及智能的调度,出餐时间、送餐时间的预估以及动态定价等模块。

  线上交易与物流逻辑不同,对于线上交易来说,我们当然希望订单越多越好,但是30分钟内将订单全部送达则是不太可能一下子解决的问题,因此需要保证线上交易与物流配送环节保持平衡,既提供交易质量,也不损失用户的积极性。

  讲到这两个之后就是一些底层的东西,现在让我们看上一张图,左边包括选址推荐等等,刚才讲到配送是本地,当一个商家定下准备配送的地方就会画一个圈,比如说我送一个圆圈或者六边形,这个不是随便画的,首先有可能这个地方是高速路或者高架桥,不是每个人平台都是一样,有的用户也有可能老是定便宜订单,我们在网格和站点规划的时候会考虑所有因素,这个涉及很多运筹优化的问题,最后一个例子就会讲到选址和网格规划的问题。简单讲一下我们三个部分包含了我们在人工智能方面所有一些尝试,这对我们业务是非常重要的。

  我们的解决方案是机器学习,通过GBDT ,在实际场景中做到平均,而不是特殊平均,加上出餐时间10分钟,我们可以固定7分钟到13分钟,这个准确率比较高。

  这里强调的是平均,因为有很多特殊场景,比如厨师环节突发状况机器学习无从得知,因为机器学习只能根据过去已发生的事件来预测未来。针对突发事件我们也设计出一些产品方案,比如:发现餐厅出餐量和订单量并没有呈线性增长,前面出现“堵塞”,我们便根据数据及时的对平台进行实时调整。

  在深度学习方面,我们使用LSTM,通过时间相关性让预测更准确,毫无疑问出餐时间一定与过去订单有关,但是为什么与未来有关呢?我们预估未来3到5分钟有新订单,但是与现有订单有共同之处,有可能是同样的菜品,有可能是共同的地方,同样的菜品对厨房是一个订单便可以同时出菜,通过这个模型也可以捕捉这些特征,对订单分配和订单打包会有一定帮助。

  与滴滴从A点到B点已经确定的交通方式不同,“饿了么”的场景远远没有那么多的道路信息可供参考,首先骑手因楼宇内的交通很复杂,有可能步行,有可能电梯,有可能爬楼梯,有可能骑电动车,甚至转换交通工具,这将直接造成我们在数据搜集方面是极不准确的,数据很难获取。再者,餐厅与顾客大多在大楼内,当楼内没有GPS信号或信号不佳时,我们收到的数据或者定位误差有时会高达几百米。

  所以,时间预估需要将轨迹建立起来,第一步是历史数据清洗,针对室内定位不准甚至完全缺失的情况,我们采用WIFI+GPS信号,甚至互相定位等方式,最大程度减少定位缺失的问题,其次是去除噪音,我们通过定位的算法把相关时间合起来,最后进行轨迹聚类。

  滴滴与我们的分单难度不同,滴滴场景下匹配一个司机最多接收2-3单;在 “饿了么”场景下,一个骑手一个背包,同时背5-10单,而且订单之间有时间限制,同时涉及极高的时效要求。

  当用户下了一个订单,在骑手容量和成本固定的情况下,我们需要找到匹配的线路,以保证不超时的承诺。默认模式下, 一个骑手可同时送5-10单, 每单都有严格的时效要求, 并且订单在午高峰爆发式增加。

  赋予搜索过程一种时变且最终趋于零的概率突跳性,从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。从理论上来说这算法具有概率的全局优化性能, 目前已在工程中得到了广泛应用,诸如 VLSI ,生产调度、控制工程、机器学习、神经网络、信号处理等领域就是用它来做订单的分配,但最终结果不是特别好,因为时间预估存在不准备性,在路径规划时,先配送A 单还是B单,一旦在时间出现误差时,路径规划得很差。

  左下角是个矩阵,每一行是一个订单,每一列是一个骑手,我们希望通过一些规则和机器学习的算法算出来,右边是一个定单匹配的结果。

  最后看看KM 算法,在基础框架界定后依然有大量的工作量。实际上,订单有相似性,因为订单是可以打包的,一个人稍微等几分钟,也许这个订单出来与那个订单很相似,都是送往同一个地方,就可以将订单分配给同一个骑士拿走。但是,订单规则在高峰期与非高峰期是不同的,存在两个方向的路和两个方向的夹角,所以定单匹配模型是在2.2版基础上设计出来的,基于机器学习,通过历史数据来训练,这一过程我们也遇到一些挑战,由于在不同的站点骑士习惯不同,在推广时会遇到一个问题,在A站点骑士们觉得OK,但是在B站点就行不通,我们现在做到“千站千面”,根据类似的站点历史分单数据,将这些模型用来做训练,做到类似的站点有类似分单的方式,所以我们又将版本升级到2.3。目前开发中的版本就是增强学习,我们实时的进行动态调整。

  我们其实也与商家开始合作餐厅,希望获得一个最优的选址,餐厅覆盖最多的用户,菜品不一样,用户群不一样,我们选择了如下图的算法方案。

  机器学习在应用实践中的挑战来自于基础数据的完整性和准确性。上文中提到的数据不准确,餐厅不规则等情况,因无法了解准确的情况,我们花费大量时间做基础数据的调整。此外,算法的提升和对用户行为的理解比较重要,因为在外卖行业需要人来完成执行,以前通过打电话的方式人工分配,其中涉及大量沟通,现在通过机器完成快速分单,机器考虑全局最优而不是局部最优,恰恰来说,人是做不到这点。将算法提升与产品运营综合起来,才能让用户形成习惯。最后,优化算法与机器学习在外卖行业是相辅相成的,不仅是机器学习,更重要的是我们如何在短时间内将人力合理配置,在最少的时间内将订单完成。

  “人工智能赛博物理操作系统”(新一代技术+商业操作系统“AI-CPS OS”:云计算+大数据+物联网+区块链+人工智能)分支用来的今天,企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中,利用AI-CPS OS形成数字化+智能化力量,实现行业的重新布局、企业的重新构建和自我的焕然新生。

  AI-CPS OS的真正价值并不来自构成技术或功能,而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化,这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合,没有颠覆现状的意愿,这些将不可能实现。

  领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量,领导者必须在行业、企业与个人这三个层面都保持领先地位:

  重新行业布局:你的世界观要怎样改变才算足够?你必须对行业典范进行怎样的反思?

  重新构建企业:你的企业需要做出什么样的变化?你准备如何重新定义你的公司?

  重新打造自己:你需要成为怎样的人?要重塑自己并在数字化+智能化时代保有领先地位,你必须如何去做?

  AI-CPS OS是数字化智能化创新平台,设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端,可以帮助企业将创新成果融入自身业务体系,实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉,形成了领导力模式,使数字化融入到领导者所在企业与领导方式的核心位置:

  精细:这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切,进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。

  智能:模型随着时间(数据)的变化而变化,整个系统就具备了智能(自学习)的能力。

  高效:企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力,这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。

  不确定性:数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验,其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域:技术、文化、制度。

  边界模糊:数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化,还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

  创造虚拟劳动力,承担需要适应性和敏捷性的复杂任务,即“智能自动化”,以区别于传统的自动化解决方案;

  超越自动化,开启新创新模式:利用具有自主学习和自我控制能力的动态机器智能,为企业创造新商机;

  开发数字化+智能化企业所需新能力:员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说,创造兼具包容性和多样性的文化也非常重要。

  子曰:“君子和而不同,小人同而不和。”  《论语·子路》云计算、大数据、物联网、区块链和 人工智能,像君子一般融合,一起体现科技就是生产力。

  如果说上一次哥伦布地理大发现,拓展的是人类的物理空间。那么这一次地理大发现,拓展的就是人们的数字空间。在数学空间,建立新的商业文明,从而发现新的创富模式,为人类社会带来新的财富空间。云计算,大数据、物联网和区块链,是进入这个数字空间的船,而人工智能就是那船上的帆,哥伦布之帆!

  新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力,将进一步释放历次科技革命和产业变革积蓄的巨大能量,并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节,形成从宏观到微观各领域的智能化新需求,催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革,深刻改变人类生产生活方式和思维模式,实现社会生产力的整体跃升。

  用“人工智能赛博物理操作系统”(新一代技术+商业操作系统“AI-CPS OS”:云计算+大数据+物联网+区块链+人工智能),在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能;实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。

  新技术:“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”;新产业:“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”;新模式:“财富空间”、“特色小镇”、“赛博物理”、“供应链金融”。

  本文系“产业智能官”(公众号ID:AI-CPS)收集整理,转载请注明出处!

  版权声明:由产业智能官(公众号ID:AI-CPS)推荐的文章,除非确实无法确认,我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题,烦请原作者联系我们,与您共同协商解决。联系、投稿邮箱:

  和人工智能技术的火热发展,传统的老一代CTO,除了有过硬的工程能力外,尚需充电学习

  是为了计算,现今社会所产生的越来越大的数据量,以存储、运算、展现作为目的的

  校企数据科学人才培养新模式 内容概要 演讲者介绍 技术浪潮基于云计算物联网大数据 深度学习等技术而兴起的人工智能

  记者:铅笔盒Deep Health Chain(简称DHC,元链)是一个...DHC项目核心成员均为顶级的区块链、

  等新技术应用于医疗产业领域有着长达数年的开发经验和资源累积。医疗行业大

  来源:专知摘要:继德国工业 4.0 的提出,中国也确立了“中国制造 2025”的目标,工业 4.0

  介绍---不同专业的相关疑惑 ------文章内容来源于博主的某次会议笔记 视觉

  转型实战,Spark技术在银行业应用,Apache Griffin原理

  开发工程师、ETL工程师、算法工程师。对应技能为下图中粉色圈。 在这里我还是要推荐下我自己建的

  英特尔和美国国防部高级研究计划署(DARPA)日前宣布了一项新的协作计划,计划旨在创建一个新的数据处理和计算的强大

  今日,京东集团宣布,加拿大西蒙弗雷泽大学计算科学学院教授、统计与精算学系教授裴健博士入职京东,任京东集团副总裁。 裴健博士将负责

  从架构上来看,飞天平台从底层框架到解决方案层主要有三层: 云边端一体的高性能训练和推理引擎框架,包括 Alink、MNN、XDL、SQLFLOW、PAI TensorFlow、PAI Blade、Elastic DL等; PAI机器学习...

  项目地址 ... 项目介绍 热衷于足球多年,之余也会去研究一下...foot-parent 是一个集足球数据采集器,简单分析,同步到微信

  一体化的项目. 程序采用go语言开发,项目结构清晰完整,非常容易入手并进行二次开发...

  的业务系统在时间维度上的思考将变得至关重要,通过业务系统实时化向时间要价值已经成为主流趋势。基于流式计算引擎的在线机器学习平台将越来越被重视, 通

  “该项目案例由维智科技提交申报,参与数据猿推出的《寻找新冠战“疫”,中国数据智能产业先锋力量》的公益主题策划活动。

  与产品研发部,整合京东集团整体的数据采集、处理和相关数据产品研发的工作,持续探索

  2019年1月,毕马威2018中国领先金融科技企业颁奖礼在京举行。这是毕马威第三次开展中国领先金融...天云

  软件产品和解决方案的领先者,备受业界关注的聚云位智近两年来不断加大产品研发投入,致力于为...

  于2015年开始研发,基于Hadoop/spark分布式底层架构的机器学习

  建模的产品。目前MaximAI已经迭代到3.0版本,其最大特色是实现了自动化机器学习和自...

  技术在健康医疗领域应用场景包括,辅助决策、健康/慢病管理、机构智能化 管理、基因数据*等。预计2019年,辅助决策类中的影像辅助诊断将首先落地,主要因为 其90%的准确率,可以快速为医生提供丰富的细节...

  机构,当我们尝试着判断产品是否存在「杀熟」行为,数学中的「控制变量法」再适合不过了,当仅存在唯一变量的情况下再去比较,得出来的结论才更加有可信度!...

  作者简介:杨婷,腾讯高级产品经理。2010年重庆大学通信工程毕业,6年音视频相关产品从业经验。先后负责过视频云

  帆一尚行成立于2015年,是...帆一尚行主要为用户提供弹性计算、存储网络、

  服务,并提供车联网、物联网、整车等行业解决方案。截至目前,已服务了上汽集团集团本部、上汽乘用车、...

广告位
标签: