- 综合排序
- 最热优先
- 最新优先
腾讯云WorkBuddy驱动企业AI原生转型：6-9个月实现50%-80%效率提升
然而，企业在推进数字化转型过程中面临显著的“效率代差”与内部瓶颈： 竞争压力： 根据 Gartner 预测，到 2026年底，40% 的企业应用将集成AI智能体，率先具备AI原生能力的企业将形成降维优势 数据沉睡： 海量生产、运维及报表数据无法自动转化为决策依据。 组织老化： 年轻员工流失严重，重复性劳动消耗骨干员工带宽。 具体场景痛点： 财务场景： 月底需加班核对发票、跨系统抓取数据、反复核对凭证。 运维场景： 设备日志散落于多套系统，故障定位依赖人工盯防，预警机制滞后。 6-9个月落地节奏 试点突破（1-2个月）： 选定1-2个高价值场景（如财务对账），通过WorkBuddy桌面端试点，跑通流程。 第五章：开放兼容与全链路安全合规保障 企业在选择AI方案时，核心关注点在于数据安全、合规自主与技术绑定风险。
1K10编辑于 2026-05-28- 来自专栏全栈开发那些事
6-9 二叉树的遍历 (25分)
printf(" %c",BT->Data); } void LevelorderTraversal( BinTree BT ) { BinTree Queue[1000]; //数据不大
37130编辑于 2023-02-27 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-9 有关梯度下降法的更多深入讨论
还有另外一些算法，比如最典型的随机森林，还有在AlphaGo中主要使用的数据结构蒙特卡洛树，这些算法都涉及到了随机。 下一章将会介绍机器学习领域非常重要的方法，PCA主成分分析法，使用主成分分析法最大的一个应用就是对数据进行降维操作。
1.7K00发布于 2019-11-13 - 来自专栏张善友的专栏
C# 2025年6-9月TIOBE排名增长及未来展望
根据 TIOBE 编程语言排行榜 2025 年 6 月至 9 月的公开数据，C# 的排名和市场份额变化如下（综合多个月份数据整理）： 一、 C# 在 2025 年 TIOBE 排行榜的连续增长趋势 2025 三、 C# 2025 年 6-9 月市场份额变化表 四、C# 在 TIOBE 榜单的关键数据演变（2019–2025） 五、 未来展望 超越 Java 的可能性：若 C# 维持当前增速，或将在 2026 AI 赋能潜力：需加强 AI 工具链支持（如 Copilot 对 C# 的优化），否则可能错失 AI 编程红利。 总结：C# 在 2025 年 6-9 月虽经历份额增长，但凭借 9 月的逆势增长（+0.86%） 实现四个月整体份额提升，进一步逼近 Java。 未来需突破 AI 与安全领域，方有望改写 Top 4 格局。
90110编辑于 2025-09-20 - 来自专栏FPGA探索者
题解 | Verilog刷题解析及对应笔试面试注意点【6-9】（涉及==和===、for展开问题等）
在B站【FPGA探索者】录制了试题讲解视频，本文更新了第6-9题文字解析。 第六题——多功能数据处理（有符号数、case语句，简单） 第七题——求两个数的差值（if...else，==和===的区别，有2个笔试注意点，建议看一看） 第八题——使用generate…for语句简化代码 ，给出两种实现方式） 第九题——子模块例化（时序逻辑和组合逻辑两种实现方式，问题集中在时序逻辑时使用2个子模块造成答案错误，需要分析下信号的波形，可以多体会一下；给出两种实现方式） 第六题——多功能数据处理
1.8K30编辑于 2022-05-26 - 来自专栏企鹅号快讯
AI需要大数据，而大数据也需要AI
美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 然而，Manchett警告说，AI尚不足以满足非技术业务的需求。“为了实现大数据和AI的目标，你仍然需要理解提取、转换和加载的概念，以及机器学习是什么，可以做什么。” 数据占据了中心位置。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
904100发布于 2018-01-18 下面是对您提供的方案文档的总结和分析：
核心要点总结 商超行业数字化转型框架 以“线上用户增长+门店经营效率提升”为核心，覆盖全域消费者触点 提出业绩增长=用户增长×门店增长的数学模型 三大核心解决方案 数字化门店升级 基于腾讯地图大数据的门店选址 70%拍摄成本 3D数智人应用 虚拟主播（替代人力60%基础客服） AI品牌代言人（成本仅为真人代言10%） 云原生架构 TKE容器平台（扩容速度30秒/千容器） TDSQL-C数据库（128TB单体容量 /公众号/支付） 整合腾讯会议/文档等协同工具 兼容零售行业主流ERP系统（SAP/金蝶等） 成本效益模型 弹性资源使用（活动高峰期成本节约40%） 按效果付费机制（营销ROI精准计量） 人力替代率（AI 节省60%基础岗位） 场景创新应用graph LR A[传统会员运营] -->B[AI个性化推荐] C[人工选品补货] -->D[智能补货算法] E[纸质价签] -->F[电子价签系统] G[人工巡店] -->H[AI视频巡检] 实施建议 分阶段路线图 阶段1：搭建云端基础（1-2月） 阶段2：部署智能系统（3-5月） 阶段3：全域数据融合（6-9月） 关键成功要素 管理层数字化承诺 复合型人才培养
24110编辑于 2026-04-01- 来自专栏ATYUN订阅号
【观点】AI需要大数据，而大数据也需要AI
AI和大数据已经形成了一种真正的共生关系，彼此需要相得益彰。 美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
59870发布于 2018-03-06 AI原生员工：驱动央企完成降本增效的智能执行转型
然而，传统组织模式正逐步丧失竞争力： 效率代差（数据支持）：同行业已应用AI的企业，其运营效率普遍提升 50%-80%（腾讯云数据），对仍依赖人工的传统模式形成降维打击。 某大型能源集团实现6-9个月平滑落地 客户通过“三步走”路径，成功部署数字员工体系： 试点突破（1-2个月）：选取财务对账等高价值场景，通过WorkBuddy桌面端完成流程验证。 腾讯云全栈能力保障合规与自主可控 选择腾讯云的核心优势在于其全栈AI能力与严格的安全合规体系： 技术完整性：从HCC高性能计算、星脉网络等基础设施，到TI平台、腾讯混元大模型，提供端到端支撑。 安全合规性：支持全私有化部署，确保数据不出企业；操作沙箱与文件系统隔离机制，符合数安法及生成式AI监管要求。 生态开放性：全面兼容OpenClaw系产品及主流AI工具生态，保护客户既有投资，避免技术绑定。
68810编辑于 2026-05-28- 来自专栏AI系统
【AI系统】数据并行
数据并行是一种广泛应用于分布式 AI 系统中的技术，旨在通过将数据集划分为多个子集并在不同计算节点上并行处理这些子集，以提高计算效率和速度。 分布式数据并行 DDP分布式数据并行（Distributed Data Parallel, DDP）是数据并行的一种高级形式，它综合了多种优化，是当前应用最广的并行算法之一，通常用于大型 NPU AI 集群和 AI 系统中。 在通信的同时也会继续计算梯度，这样就无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，从而将通信过程覆盖到计算时间内，充分利用 AI 集群，提高了 AI 集群使用率。 DDP 反向传播中计算与通信的重叠导致无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，提高了 AI 集群的使用率。
1.3K10编辑于 2024-12-07 - 来自专栏技术墨客
从数据到AI
一篇关于數據倉庫建設、人工數據分析、AI數據分析的讲义 數據Data&信息Information 信息 信息是一個客觀存在物體的自然表現，比如說“I am a local villain.” 隨著數據的不斷累積和堆積在數據背後發現了驚人的統計規律，隨著這些統計規律的發展漸漸的出現了AI分析和數據分析。 數據&數據分析&AI 如下圖是建立數據分析工程的過程 ? 根據需要訓練AI模型。 數據倉庫的建立 聯機事物型系統&決策分析系統 在數據能力上，通常將系統的數據結構模型分為2類，聯機事物型、決策分析型。 數據倉庫案例展示superset 地址：http://192.168.0.212:8088 賬號：admin 密碼：admin 數據分析到AI訓練 進過大量的數據演練，可以逐漸的發現數據背後的統計規律。
1K50发布于 2019-11-21 AI Agent + 数据工程
一位在数据领域深耕多年的创业者告诉我，早期AI在数据工程领域的切入点其实很务实——那些原本需要大量人工的数据治理工作，恰恰是大模型最擅长的地方。 比如从海量数据中提炼关键信息、自动生成数据文档、识别重复和冗余的表结构。这些事情以前要靠专人花时间梳理，现在AI可以快速完成。 但这只是第一步。 更深层的变化在于，数据工程的需求本身正在被AI重塑。 以前的交付物很明确：一张张处理好的数据表，加上一个Dashboard，业务方看数据就够了。 现在呢？业务方不仅看Dashboard，还想直接跟数据对话——问AI一个问题，AI直接给出答案。 好的数据工程，应该配合AI在事中就做好管理和体系搭建。” 这句话背后是一个残酷的现实：以前数据工程师的工作更像是管道工——把数据从A搬到B，分层、清洗、汇总。 现在的要求变成了规划师——不仅要搬数据，还要让数据能被AI正确理解和调用。 这需要的不仅是技术能力，更是思维方式的转变。
42910编辑于 2026-02-28- 来自专栏大师级码师
C#常用正则表达式整理
(d{1,2}|1dd|2[0-4]d|25[0-5])$" YYYY-MM-DD基本上把闰年和2月等的情况都考虑进去了 ^((((1[6-9]|[2-9]\d)\d{2})-(0? [1-9]|[12]\d|3[01]))|(((1[6-9]|[2-9]\d)\d{2})-(0?[13456789]|1[012])-(0? [1-9]|[12]\d|30))|(((1[6-9]|[2-9]\d)\d{2})-0?2-(0? [1-9]|1\d|2[0-8]))|(((1[6-9]|[2-9]\d)(0[48]|[2468][048]|[13579][26])|((16|[2468][048]|[3579][26])00))
92120发布于 2021-10-27 - 来自专栏码农的生活
C#常用正则表达式整理
(d{1,2}|1dd|2[0-4]d|25[0-5])$" YYYY-MM-DD基本上把闰年和2月等的情况都考虑进去了 ^((((1[6-9]|[2-9]\d)\d{2})-(0? [1-9]|[12]\d|3[01]))|(((1[6-9]|[2-9]\d)\d{2})-(0?[13456789]|1[012])-(0? [1-9]|[12]\d|30))|(((1[6-9]|[2-9]\d)\d{2})-0?2-(0? [1-9]|1\d|2[0-8]))|(((1[6-9]|[2-9]\d)(0[48]|[2468][048]|[13579][26])|((16|[2468][048]|[3579][26])00))
73540发布于 2021-11-03 - 来自专栏编程进阶实战
C#/.NET/.NET Core技术前沿周刊 | 第 55 期（2025年9.15-9.21）
文章地址：https://mp.weixin.qq.com/s/jjcFweq6lmX6W9nKNa_diQ C# 2025年6-9月TIOBE排名增长及未来展望 文章简介： C# 2025年6-9月TIOBE 1月成立的新部门 CoreAI - Platform and Tools（简称CoreAI），是其AI战略升级的核心举措，旨在整合内部资源、加速AI基础设施与工具开发，推动“以模型为中心”的应用变革。 CoreAI是微软AI战略的“中枢神经”，通过整合开发工具、云平台与研究资源，构建覆盖全场景的AI开发生态。 其主导的GitHub深度整合与代理技术栈革新，不仅加速微软从“云服务商”向“AI工厂”的跃迁，更将重塑全球开发者的工作范式。 在此背景下，.NET 10 作为微软开发工具链的核心载体，其与 AI 功能的深度融合体现了以下战略定位。
47510编辑于 2025-09-23 openEuler 高效 AI 数据管道
开篇介绍AI训练的瓶颈往往不是模型计算，而是数据预处理。openEuler提供高效的数据处理管道，支持并行加载、GPU预处理、数据增强等优化。今天聊聊如何加速AI数据处理。 数据处理优化：多进程DataLoader并行加载提升5-10倍，DALIGPU预处理释放CPU，预取机制减少等待时间，数据缓存避免重复读取。 存储优化：NVMeSSD提升I/O吞吐，分布式文件系统支持大规模数据集，数据格式优化TFRecord/Parquet提升读取效率。 QPS提升40%，Web服务器并发提升50%，大数据任务快35%。 优化要基于数据驱动，每次都要测试对比，确保有效且稳定。
40110编辑于 2025-12-03- 来自专栏AI
AI中的数据存储
流水线中的数据存储类型和量级 图片 每个AI流水线中都涉及到数据存储 数据源-数据提取过程中涉及到: PB级别的顺序写 数据准备过程中: TB级别的顺序读 模型训练过程中: GB级别的随机读 检查点和恢复过程中 中间采用高性能全闪存,通过是TLC, 弥补机械盘性能, 总容量比HDD少 右边采用对象存储, 存储集群或JBODS, 包含大量机械盘, 总容量占比高 AI集群中的数据移动 图片 1.数据采集阶段，原始数据按顺序写入对象存储层 RAG 还可以创建额外的 I/O 活动 5.归档流程: 模型输入和输出被捕获并写入对象存储层的磁盘 旨在优化 AI 存储效率的产品组合 QLC 提升新型 AI DC(数据中心) 构建的电源效率 每个 DGX 有关建模详细信息，请参阅附录“QLC 功率效率与 HDD” 模型训练与数据存储 AI 数据穿越存储层之旅 最近的检查点基本在SSD上 早期的检查点数据在HDDS AI数据量级和性能 检查点：提高存储容量和吞吐量 Blob 存储层一次性访问可实现高吞吐量 AI负载中的存储扩展性 总结 AI集群流程中的数据存储需要根据实际业务的量级和性能要求做分层存储, 这样成本可控且性能满足需求 AI行业也会带动存储行业发展,
2K11编辑于 2024-09-18 转载:【AI系统】数据并行
数据并行是一种广泛应用于分布式 AI 系统中的技术，旨在通过将数据集划分为多个子集并在不同计算节点上并行处理这些子集，以提高计算效率和速度。 分布式数据并行 DDP分布式数据并行（Distributed Data Parallel, DDP）是数据并行的一种高级形式，它综合了多种优化，是当前应用最广的并行算法之一，通常用于大型 NPU AI 集群和 AI 系统中。 在通信的同时也会继续计算梯度，这样就无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，从而将通信过程覆盖到计算时间内，充分利用 AI 集群，提高了 AI 集群使用率。 DDP 反向传播中计算与通信的重叠导致无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，提高了 AI 集群的使用率。
62410编辑于 2024-12-13AI+Data：AI时代的企业数据治理
随着AI应用对多源异构数据的需求增加，企业对于非结构化数据的价值化需求也在加速释放，而相应的数据治理模块也将获得进一步的关注与优化。 对于部署AI应用的企业来说，数据资源的质量直接决定了AI应用能否成功落地。因此，在推进AI应用的过程中，开展针对性的数据治理工作是首要且必要的步骤。 AI模型对数据高度敏感，低质量的数据会导致“garbage in, garbage out”的问题，即输入数据的缺陷会直接影响到输出结果的质量。 为了确保AI模型的有效性和准确性，必须保证数据的完备性和准确性。有效的数据治理不仅可以为AI模型提供高质量的数据原料，还能提高模型的拟合效果，进而增强AI应用的实际性能。 在金融、医疗、零售、工业以及互联网等数据基础建设较好的行业中，面向AI时代的数据治理正在逐步显现其优势。
1.4K10编辑于 2025-01-03- 来自专栏祝威廉
数据部门如何All In AI
这也是很多大数据部门领导非常焦虑的地方。 那么出路在哪里呢？ All In AI 事实上，真正能帮助业务提高效能，提供创新产品的必然是AI，AI是一种模式的输出。 从上面我们可以看到，数据部门的最大价值，最终会通过AI来进行落地，并且还会给部门/公司提供了极为丰富的想象空间。 如何 All In AI？ 对于这件事情，我们要仔细研究一个核心的东西： 资源。 我们知道，AI平台是基于数据平台的之上的，其结构是一个金字塔形状的。所以第一步你需要有一个良好的数据平台，其次你还需要有一个AI平台，让单一算法落地变得容易。 现阶段，按我的了解，AI平台通常只能做到针对单一算法的自助化。那么为了让组织更加合理高效，重构数据部门团队就很有必要了。 总结 本文我们说了为什么要All In AI，要实现All In AI 不仅仅需要有一个好的平台（数据、算法平台）,也需要有良好的动员人力资源的能力，采用一个合理的算法组织架构充分利用人力资源。
52320发布于 2018-08-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号