关于 蜘蛛池程序〖_q扣735894904〗 自贡沿滩区谷歌搜索pz 的搜索结果,共497
h****e 2018-07-10
:我从哪里来?
总结 BNS系统满足服务间交互中常见的的资源定位、IP白名单维护等需求,也可以用于机器列表查询,使用场景包括机器列表查询、服务定位、白名单维护、数据库智能授权等,解决了“我是谁?我从哪里来?该往哪里去?”的问题。 今天我们一起聊了百度云Noah智能运维产品中的BNS系统,目前系统还在持续迭代和优化中,若您想进一步了解BNS问题,欢迎大家积极留言。
1****6 2018-07-10
反向图灵测试——如何识别这是不是AI?
我用一个周末琢磨出来点门道,我根本识别不出这个演示是不是AI,更无法确认这是不是深度学习。这就引出了今天的议题,图灵测试指的是人类能否别是不是和AI在聊天,那反过来看,我们怎么识别“这个东西”是不是个AI? 首先我为什么说“这个东西”而不是“这个”?因为某些大堂机器人确实背后是人类操控的,相当于你用一个安卓平板和我视频聊天,特别聪明还必须联网的机器人可能就是真人。但有些真AI如Siri也要联网,通过联网断网判别不了AI。 网上有个笑话,我把QQ动回复设置成“呵呵”,你可以和我的电脑就任何话题聊上一夜。很多智能客服只是简单的关键字匹配,和呼叫中心知识库差不多,编辑回复模板远比写更重要。只有支持多层级对话的才是AI智能客服,但现在网店客服也可以混在AI的回答里回答客户啊,熟练客服回信息效率极高,顾客以为面对的是AI反而会少提需求。 虽然深度学习常拿然语言处理举例,但成熟的翻译软件也不用AI。翻译软件出现有几十年了,常用的单词和短语BTW/WTF/OMG用大词库即可,用户大脑会做二次语意加工。
思****来 2018-07-11
重磅:构建AIOps的MNIST
为了进行正常数据建模和算法效果评估,我们需要获取大量准确的标注数据,通常时数据可以从监控系统中方便地获得,标注则需要人工完成。在数据标注过中主要有两类问题: 准确性:标注人员通常对异常认识不清晰,随着标注进度的推进,判断标准很容易发生漂移。 标注效率:异常数据占比很小,标注时大量的时间耗费在检查正常数据上,效率较低。 经过一系列调研,我们发现已有的时数据标注工具较少,功能也比较简单,仅提供了趋势图展示、异常时段标注、简单参考线(天同比/周同比)等功能,对于解决标注过中的准确性和效率问题帮助有限。 这里,我们给出了一种基于动异常检测的辅助标注方法:在标注开始前,动分析疑似异常间,高亮提醒标注人员关注,减少检查正常数据耗费的精力;在标注过中,提供异常间对比功能,协助标注人员认识异常,避免判断标准的漂移,减少标注数据前后矛盾的情况。 时数据标注工具 我们着手研发了一款时数据异常标注工具,辅助标注人员更快更准确地进行时数据标注,为正常数据建模和异常检测评估提供足量准确的标注数据集。
红****2 2018-07-10
故障愈机器人,保你安心好睡眠
单机房故障诱因众多不可避免 单机房故障诱因众多,详细复盘若干单机房故障发现故障诱因大致可以分为四类: 基础设施故障:物理机房故障、网络链路拥塞、流量转发基础设施故障等 缺陷:隐藏bug、性能严重退化等 变更故障:测试不充分的、配置、数据变更,人工临时介入的误操作等 依赖服务故障:第三方服务故障例如通用的认证服务、支付服务、存储服务、计算服务故障等 单机房故障止损可靠性与效率急需提升 人工处理场景下,运维人员通常选择7*24小时值班,接收大量的报警,随时准备在紧急情况下进行响应、决策、操作一系列故障止损动作,尽量挽回服务损失,降低故障影响。 但上述解决方案会面临如下问题: 响应可能不够迅速:例如夜间报警 决策可能不够精确:例如新手OP经验欠缺,误决策 操作可能出现失误:例如止损命令错误输入 “机器人”处理场景下,单机房故障可独立完成故障感知、决策、执行的完整故障处理过,并及时向运维人员同步故障处理状态。运维人员的职责由处理转向管理,最终运维人员在低压力值班中保证服务稳定运行。
TOP