关于 外推一键发工具qq:735894904 增城百度软件乌 的搜索结果,共1410
j****2 2018-07-10
大脑开放日来袭 24种全新AI能力呈现
目前,大脑OCR产品全系列可以识别类型多达34款,实现卡证、票据、文档、汽车全场景覆盖。 人脸人体识别方向:大脑此次布了新能力——人脸情绪识别,同时升级了人脸关点检测和手势识别,人脸检测关点由72个至150个,常见手势能识别种数也达到了24种。图像识别方向,大脑更新了红酒和地标识别两个新能力。无论是卢浮宫还是82年的拉菲,只要上传1张照片,就能获得文字解析。车辆分析方面上线了车辆检测和车流统计。喻友平透露,不久后,大脑还会陆续上线车辆属性识别、车辆观损伤识别、人脸融合、手部关点识别、更高精的人像分割以及钱币识别等有趣有用的应用场景。 语言处理应用技术方向:大脑新文本纠错、新闻摘要、智能写诗、智能春联和对话情绪识别等能力,在知识理解方面,大脑出了作文检索和知识问答两个新能力,让学习和娱乐两不误,分分钟化身“十万个都知道”。同时,智能写作平台将在4月全面上线,从素材上为创作者提供、帮助找到灵感,提升创作者的写作效率和产出质量,降低写作成本。 在强劲的AI技术支持下,大脑也在重点力智能硬和设备。
疏****月 2018-07-09
上线Archer | 持续部署的瑞士军刀
因此,在部署系统的开后期,自身的功能变更主要集中于单机部署。为了提高自身开迭代效率,脚本未采用全网部署的方案,只部署到特定插集群。每次执行时,单机agent会从插集群下载最新MD5,如果有变更,将重新下载最新插进行任务的执行。这种设计形式强了执行端功能的可横向扩展性,并且极大降低了每次自身升级的成本。每次升级只需更新个集群的插代码,在全部机器上即可生效。 总结 部署服务经历了手上线- Web化- 开放化系列展进程,目前正在向智能化逐步展。Archer作为开放化代的运维产品,在内部有极高的使用率。期待本文的介绍能为您提供些思路,也欢迎同行们与我们进行交流,共同促进AIOps的展!
3****3 2018-07-10
智能运维程架构
背景:为什么要做智能运维 云智能运维团队在运维和平台研方向历史悠久,支撑了全数十万规模的服务器上的运维服务,所提供的服务包括服务管理、资源定位、监控、部署、分布式任务调等等。最近几年,团队着力于展智能化运维能力以及AIOps产品化建设。 众所周知,除了搜索业务之,还有很多其他的业务线,有像地图、科、知道、网盘这样的老牌业务,也有诸如像教育、医疗这样的新兴业务,每个业务在规模上、服务架构上都有很大差异。业务本身对稳定性的要求很高,需要保持99.995%的高可用,同时在业务上云的背景下,虚拟化、混合云等都给我们带来了新的挑战。 运维经历了从脚本 、基础运维平台、开放可定制运维平台到我们现在的智能运维平台,这样四个阶段的转变。过去运维的核心目标是提升效果,比如持续交付的速、服务稳定性、运营成本等。
l****4 2020-08-27
强烈建议优化百度carLife 语音识别问题
太差了,还是哪个吗?好山寨的车机
c****2 2018-07-10
个性化荐(
Input movie_id: 1962 Input user_id: 1 Prediction Score is 4.25 模型概览 本章中,我们首先介绍YouTube的视频个性化荐系统[7],然后介绍我们实现的融合荐模型。 YouTube的深神经网络个性化荐系统 YouTube是世界上最大的视频上传、分享和现网站,YouTube个性化荐系统为超过10亿用户从不断长的视频库中荐个性化的内容。整个系统由两个神经网络组成:候选生成网络和排序网络。候选生成网络从万量级的视频库中生成上个候选,排序网络对候选进行打分排序,输出排名最高的数十个结果。系统结构如图1所示: 图1.
x****7 2018-07-10
行进阶专业 传统企业AI转型差的可能只是EasyDL
佛山供电局输电管理所将存在桩机、吊车、挖掘机、运货运水泥大型车的现场1000张隐患图像,使用EasyDL定制化图像识别进行训练,经过3个月的训练,更新了10个版本,最终获得“输电线路部隐患识别”模型,该模型可以识别出输电线路中存在的吊车、挖掘机等部隐患,目前识别准确率达到80%,超出预期,并且以2-3周更新次模型的频率持续训练,准确率在不断提升。 源创电喷位于广西柳州,是家生产汽油机电喷系统的公司。为汽车动力系统中的关,喷油器质量要求非常高,过去,源创只能用人肉眼来检测喷油器阀座瑕疵,每日平均检查4000-6000,峰值是12000,整个视觉判断序,需付出4~7人每班的复核人力,是投入产出比最低的序之。 依托EasyDL定制化训练和服务平台,柳州源创构建了自己的喷油嘴识别模型,结合原有业务流程和硬,先通过自动化系统上传每次采集待测样品图片,然后实时上传已通过的识别模型进行判定,再返回相应的处理结果,最后由自动化系统将样品进行分类流转。
流****水 2018-07-11
云企业级运维平台——NoahEE
图胜千言,我们看看资产管理的特点: 图3 资产管理 部署管理 应用部署直是运维作中的重点,般来说,我们面临的问题有: 批量部署难,怎样定位目标机器?如何快速部署? 灰测试难,怎样通过灵活的部署方式,先进行小流量线上测试,待效果达到预期后再扩大部署? 回滚难,现问题后怎样回滚? 上面的第个问题,实际上在服务管理中已经解决了,也就是说服务管理帮我们完成了资源定位作。其他的问题,NoahEE的部署管理模块通过“分级布”来解决。在部署管理模块中,我们可以方便的定义并、部署步骤、影响范围以及暂停操作等,在部署的过程中现问题即可暂停并回滚至之前的状态。除了部署等操作,部署管理模块还提供了批量执行命令等操作(比如批量启停某服务)。如图来总结部署系统的能力: 图4 部署管理 监控管理 在任何作里,信息掌握的全面与否往往关乎到作的成败。“知己知彼战不殆”这句话说的就是这个道理。运维作中,监控系统就是这个让我们做到这点的关是否作正常,出了问题是否能及时现与报警,甚至是对异常事等进行提前预测,都仰仗监控系统。
1****9 2018-07-11
【强势出击】第二期大脑体验师来袭
4月25日,大脑开放日第二期正式开启 与第期有所不同,第二期大脑开放日,介绍了多种通用 AI新 能力;除此之,还出了两个新的定制训练平台-帮助开者更简单高效地训练出满足细分场景的业务模型。 无论你是资深AI开者,还是AI初体验者,加入“大脑新品体验师计划” 分享改进建议、使用技巧/攻略或者有价值有意思的案例,与我们大脑进化,帮助他人起成长,探索AI前沿应用。 我们将评选出“最佳”的内容和开者,布获奖公告、颁大脑定制礼品、现金礼品卡等多重奖励! 【征集内容及要求】 产品改进建议或者您对大脑AI的新需求:描述清晰、字数不限 使用技巧 攻略:接入流程清晰体、可读性可参考性强,不少于500字 有价值有意思的案例:场景、应用价值明确、图文结合,不少于500字 【参与方式】 在AI社区“经验交流”版块帖:http://ai.baidu.com/forum/topic/add?
2018-07-10
解密开源这门生意——商业角看开源
前言 很多朋友都问过我,开源技术究竟好在哪里,个公司拥抱开源是不是加分项,参与开源的人是不是很酷的技术大牛。本文抛开虚浮的情怀和热情,我们从商业和管理的角开源。 1. 本质是对抗认知垄断 远古期的计算机没有版权概念,每份代码都是份全人类都可以学习借鉴的教学数据。 随着商业的兴起,商业公司倾向于将代码当做秘方保护,引入了版权的概念。闭源实操过程中有如下缺点: IT技术无法跨跨公司进行交流,行业人才培养的很慢; 只能在很小可控范围内迭代,的进步速偏慢; 公司的商业策略以盈利优先,可能会掐灭技术革新; 个黑盒化的交付物,交付质量只能靠商业信誉保障; 商业总是试图建立垄断,黑客们警惕着垄断的恶行。 在版权限制下感到压抑的IT精英,自动开放源代码的交付方式,其中最出名的是GNU计划。GNU计划的重点是对抗IT技术认知垄断,更自由的传播IT知识;GNU等开源计划既不是为了开源公司的商业利益,也没要给参与者高级技证书,更不会因为开源而强行免费。
M****H 2018-07-11
故障定位场景下的数据可视化实践
例如我们怀疑是某几台服务器导致的拒绝量上升,我们可以基于多维统计报表,点击排序找到拒绝最大的区域,然后依次展开找到拒绝最大的机房和机器。 点击详情后,我们就可以跳转到机器对应的页面,查看对应机器的详细数据来进行定位。 找寻关联事定位 根据历史经验,大多数的线上故障都是由于变更操作所引起的,包括程序、数据、配置等变更事删机器实例、执行预案等运维事,甚至包括可能引流量突的活动运营事。对于某些体积庞大的产品线,开和维护人员众多,以上事生更是千丝万缕、错综复杂。 面对这个问题,我们设计并出了种可以解决这种问题的通用性组——事流图。 通过事流图,可以快速筛选出故障的前后时间,生或生中的事,每个事通过色块的长短位置,展示了开始结束时间以及持续时长。我们可以快速的分析出对应时间的故障可能是由于某些操作开始或操作完成引的。 对于部分业务线,同时间段生的事可能有上甚至上千条,我们提供便捷的筛选功能来解决这问题。通过事类型标签,打开或关闭某类事的展示,优先排查最有可能的根因。
C****X 2018-07-10
群雄逐“图”,缘何备受关注?
高精地图采集设备 RIEGL VMX-1HA (参考资料:http://www.riegl.com/nc/products/mobile-scanning/) 简单说,就是把 GPS、点云、图像等数据叠加在起,进行道路标线、路沿、路牌、交通标志等道路元素的识别。此,如果同条道路上下行双向采集后带来了数据重复, 也会在这个过程中被自动整合,去掉重复内容。 人验证、布这步是需要人完成的,属于内部操作。 尽管现在自动化水平达,但依然不能完全做到分之的准确无误,所以还是需要进行轮人验证。 就需要从云端下载需要验证的路段数据,将自动处理后的高精地图数据和对应位置的图像信息进行比对,找出错误的地方并进行更正,其中每个员每天需要操作30-50公里的测绘数据。 这些改正后的数据不会保存在本地,而是上传到云端,最终的高精地图成品也会通过云平台分。 高精地图究竟如何应用? 据了解,现在的高精地图涉及到云端服务,就是以服务的方式,将云端已经采集好的高精地图以数据的形式分。 此,关于路径规划问题。例如辆自动驾驶的汽车,需要某条车道高精地图的数据。
TOP