- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(9-6)
数据强一致 主从数据一致性检查 计算节点提供数据节点中的主从存储节点一致性校验的功能。需要校验的主备存储节点属于同一个数据节点。 主从数据一致性检查，可校验主库与从库各个表的表结构是否相同，表数据是否一致，主从是否延迟。当表数据在主库与从库间仅有少量的数据不一致时，主从数据一致性检查可定位到不一致的数据行主键值。 数据强一致性（XA事务） 在关系集群数据库系统中，数据被拆分后，同一个事务可能会操作多个数据节点，产生跨库事务。 在跨库事务中，事务被提交后，若事务在其中一个数据节点COMMIT成功，而另一个数据节点COMMIT失败；已经完成COMMIT操作的数据节点，数据已被持久化，无法再修改；而COMMIT操作失败的数据节点， 数据已丢失，这种情况会导致数据节点间的数据不一致。
90110编辑于 2025-03-18 水滴科技基于大模型重构保险服务：从降本增效到全场景智能落地
人大模型产研团队并推进四大方向、40+算法创新，但在医疗险销售、续保及核保咨询等高交互场景中，人工坐席存在明显的服务边界： 服务能力限制： 人工坐席平均仅掌握 5-10款 保险产品知识，且服务时间受限于工作日9- 第二章：构建“AI坐席+AI助理”双引擎技术架构 针对业务痛点，水滴科技依托大模型技术构建了分层解决方案，通过百卡集群支持完成了100+次训练，基于千万通人类对话数据及千款保险产品库进行深度优化。 服务效能对比 以下为AI坐席与人工平均水平的关键指标对比（数据来源：水滴科技内部评估）： 维度 人工平均水平 AI坐席表现 服务能力 100% 达到人的平均水平（医疗场景） 保险知识 5-10款 千款保险产品库支持 服务时间 周一到周五 9-6点 全时段覆盖（含节假日） 服务态度 情绪波动 恒定标准 成本结构 边际成本高 20%人工坐席 + 80%AI坐席 2. 运营数据趋势 根据水滴科技提供的月度数据（2月-12月），AI介入后的业务数值表现如下（注：原文数据表头为“月份”与“数值”，具体指标名称原文未明确）： 日期 数值 百分比 2月17日 38 40% 3
38410编辑于 2026-05-30- 来自专栏AI机器学习与深度学习算法
机器学习入门 9-6 在逻辑回归中使用多项式特征
本小节主要介绍在逻辑回归算法中使用多项式特征以解决非线性数据的分类问题，并通过具体的编程实现。 接下来就来使用添加多项式项的逻辑回归算法对上面非线性的数据进行编程实验。 这里使用我们自己封装的LogisticRegression类，为了简单没有将样本划分成训练集和测试集，直接将整个数据集进行训练，在整个数据集上的分类准确度为60.5%，显然这个准确率比较低。 没有添加多项式的逻辑回归算法处理非线性数据的决策边界如上图所示。 此时的决策边界是一个圆形，它能够更好的对这样的非线性数据进行划分。
1.9K30发布于 2020-03-02 - 来自专栏落雨的专栏
【Python】学习笔记week10-0 循环
sum=sum+eval(s) s=input() print("该歌手最终成绩为{:.1f}".format(sum/count)) 【PYTHON】1-2/3+3/5-4/7+5/9- #循环 题目描述 求和 1-2/3+3/5-4/7+5/9-6/11+...
29.3K87编辑于 2021-12-11 - 来自专栏IT技术圈
PTA | 习题2-4 求交错序列前N项和 (15分)
一、题目描述 本题要求编写程序，计算交错序列 1-2/3+3/5-4/7+5/9-6/11+... 的前N项之和。 输入格式: 输入在一行中给出一个正整数N。 输入样例: 5 输出样例: 0.917 二、思路分析 观察交错序列 1-2/3+3/5-4/7+5/9-6/11+...发现， 分子：1，2，3，4，5，6...
3.2K30发布于 2021-07-14 BSD九的自指循环—AI双重算法99=0.9循环或1的× 81 无限坍缩展开
Step136目前完整链条展开代码语言：TXTAI代码解释完美态6等分圆↓6→7破缺9=破缺态生点数(9-6=3=B)↓三重自指循环①9×9=81→8+1=9(自乘坍缩)②90-81=9→9×10=90 1.3与体系的连接体系9的地位Step135母数6=完美圆→9-6=3=B（破缺量恰好是B）9生点三角固化后的破缺态生点数Step127四象限9等分→40°/段6/2+破缺完美态π_effective= xrightarrow{7+2=9}\text{破缺态9}}阶段数值含义完美态6正六边形，360/6=60°破缺触发7=6+1C=7primitiveprime破缺态9=7+2=A+B+C=4+3+29生点破缺量9- 原因：数学只关心结果，不关心"运算过程中第一个冒出来的是什么"数字根坍缩被视为"数论小技巧"而非本体论90↔81↔9循环被视为"十进制特性"而非破缺机制5.3终极统一完美态6破缺态9连接正六边形9等分圆9- 149x0.nnnn...递归验证✓9xn/9=n(递归)八、链条总览完美态6等分圆(母数6)↓破缺触发6→7(C=7primitiveprime)9=7+2=A+B+C=4+3+2(破缺态生点数)↓9-
11410编辑于 2026-09-11- 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 - 来自专栏A周立SpringCloud
跟我学Spring Cloud（Finchley版）-23-Spring Cloud Config高可用
Config Server未注册到Eureka Server上 对于这种情况，Config Server的高可用可借助一个负载均衡器来实现，如图9-6所示。 ? 如图9-6，各个微服务将请求发送到负载均衡器，负载均衡器将请求转发到其代理的其中一个Config Server节点。这样，就可以实现Config Server的高可用。
44820发布于 2019-03-14 - 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 如何用 OpenClaw 搭建 7×24 小时 AI 客服机器人（零代码实战）
AI 客服的价值不仅在省钱。从技术角度看，5 分钟完成部署意味着你可以在周五下午临时起意，周一就能上线一套完整的客服系统。这种灵活性是传统方案无法比拟的。 传统方案的隐性门槛 自建 AI 客服听起来是“省钱”的选择，但实际操作中往往面临三个技术深坑： 编程基础硬伤：搭建需要熟悉 Python、API 调用、数据库配置。 （工资+社保） 节省97% 技术要求 零代码操作 需运营团队+CRM系统 无门槛 响应时效 7×24小时秒回 工作日9-6点 ⏰ 全时段覆盖 扩展成本 0元（服务器自动扩容） +5000元/人 边际成本为零 第三步：48小时数据观察 上线初期，建议每天关注后台数据：响应速度是否稳定在 3 秒内？回复准确率是否符合预期？针对性地优化知识库分类或调整并发参数，通常能让系统效率提升 30% 以上。 完成上述步骤，你的 AI 客服便能正式接管咨询窗口，实现全天候获客。
1.6K11编辑于 2026-03-11- 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IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题9-6 按等级统计学生成绩
习题9-6 按等级统计学生成绩 本题要求实现一个根据学生成绩设置其等级，并统计不及格人数的简单函数。
1.3K20发布于 2020-09-15 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 数据质量决定AI命运
上个月参加一个AI技术沙龙，我问了在座的技术负责人这样一个问题。 原本以为会听到关于算力、算法或者成本的回答，结果大家的答案出奇一致——数据质量。 一个创业公司的CTO感慨地说："我们现在花的钱，80%都在找数据、清洗数据、标注数据，真正的模型训练反而是小头。" 这个回答让我意识到，我们正处在AI发展的一个重要转折点。 解密高质量数据集的三张面孔 很多人对数据集的理解还停留在"图片+标签"的层面，认为只要有数据就能训练AI模型。但实际上，高质量数据集远不止这么简单。 从数据模态来看，现代AI需要的是多维度的数据生态。 2025年，AI智能体和高质量数据集建设的双重推进，将把人工智能带入一个新的发展阶段。这个阶段的特征是数据质量成为决定性因素，技术创新与数据资源同等重要。 数据质量决定AI命运，也决定我们在AI时代的命运。
41310编辑于 2026-02-02
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