关于 跟踪外推效果和效率怎么做出效果_q扣735894904东方百度 的搜索结果,共1297
Z****E 2018-07-09
产品迭代的最后一公里
具体的落地点在以下两个面: 智能模板生成:分析变更对象属性特点并自动填充 智能变更检查:关联异常检测,及早发现并输干预命令 其具体的实现思路为: 智能模板生成:使用运维知识库充分收集变更目标对象的属性,然后基于这些对象属性特点自动生成变更模板,例如变更对象的最小可用可以用于生成变更失败容忍; 智能变更检查:我们已经有成熟的智能监控案,可以全位监控目标服务的状态并及时汇报异常。通过订阅变更目标的服务监控,可以实现变更过程中的实时检查,从而及时发现变更引起的异常,进而自动执行干预命令。 如何应用上述解决案? 上面介绍了变更面临的主要问题以及我们对应的解决案,为了能够让更多的部用户也能体验到安全的变更能力,我们将在云上提供智能变更产品。届时购买了云服务的用户,即可使用该产品完成业务功能的日常迭代。智能变更产品目前在紧锣密鼓地进中,预计很快就会与大家见面。 总结 发布变更作为产品迭代的最后一公里,其执行执行结将直接影响功能迭代的。当把目光投向实际的生产环境,我们发现,在很多企业中变更的执行并不能得到保障。
y****n 2018-07-09
Apollo 自动驾驶感知技术分享
特征抽取,就是建立一个网格,每一个网格提取的信息对应一个值,每一个网格都有一个特征,拼接形成一张图;点云聚类,是用可信的网格预测;后处理,是由于预测不准,对障碍物的判断会存在误差,所以要通过后处理来精确障碍物。闭包提取,是据朝向补全障碍物的形状。 障碍物。与障碍物检测相结合,检测结历史障碍物进行信息匹配,得新障碍物列表。并且输下一帧以什样行驶,得列表。 视觉感知。Apollo 之前版本的视觉感知数据,主要是红绿灯的数据。已发布的0 同时开放红绿灯检测识别算法,可以作为视觉感知的典型代表。 红绿灯识别。是根据当前车的位置查找高精地图,判断前是否有红绿灯。如有,高精地图会返回红绿灯的物理位置,同时采集视频图像。如并排很多灯,需要准确判断影响决策的灯。
x****7 2018-07-10
行进阶专业 传统企业AI转型差的可能只是一个EasyDL
“我们一起合作,实现可即用、更轻快、高精、强安全的特点,帮助品牌商提升了门店执行。”惠合科技CEO郑云帆表示,公司已准备与品牌商联手,扩大“e店佳”案的使用范围。 事实上EasyDL每一次开放新的能力,就会有一批嗅觉敏锐的企业迅速进,新的创新案例层不穷。 2018年12月,上线了EasyDL定制化文本分类功能,很快,专注于货运O2O的创新企业货拉拉,基于此打造了一套提升整体运营的系统,可筛选优质用户留言,从而精准定位目标客户,准确高达99%,先进入AI赋能物流的新趋势中。 源创、惠合货拉拉并无太多的AI积累,也没有太多深学习基础,AI却用起来得心应手,这也能说明EasyDL平台本身的简单、易用。 一面,EasyDL支持定制图像、文本、声音等多种类型的深学习模型,可以低成本高地定制训练符合自家业务场景需求的高精AI模型;另一面,EasyDL在几个小时甚至几分钟内就能够得到API或者离线SDK服务能力,使得企业能快速验证AI,再决定是否加大投入。
j****2 2018-07-10
大脑开放日来袭 24种全新AI能力呈现
语音向:语音了语音识别极速版,首次对开放搭载国际领先的注意力(attention)模型的语音能力,拥有更快的响应速,相对识别准确提升15%,为开发者带来更极致的识别体验。此,语音识别预置语义解析全新升级,预置场景由35个升级为51个,从影视娱乐到卖打车,语义解析全面提升。另,还预告了即将的几款新产品,包括语音识别自训练平台、远场语音开发套件语音离线合成等产品。 视觉向:OCR、车辆分析、人脸人体、图像识别都有重磅升级。比如卡证OCR新增了户口本、生医学证明、港澳通行证台湾通行证四类新能力,可识别卡证总数达到9种。只需对着你的户口本拍一张照片,系统就能字段进行结构化识别,然后反馈信息页的生地、生日期、姓名、民族、与户主关系、性别、身份证号码。而票据OCR汽车场景OCR也分别新增了行程单、保单、通用机打发票、定额发票、车辆VIN码、机动车销售发票、车辆合格证等识别能力。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。
1****9 2018-07-11
【强势击】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 与第一期有所不同,第二期大脑开放日,介绍了多种通用 AI新 能力;除此之,还了两个新的定制训练平台-帮助开发者更简单高地训练满足细分场景的业务模型。 无论你是资深AI开发者,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,与我们一起大脑进化,帮助他人一起成长,探索AI前沿应用。 我们将评选“最佳”的内容开发者,发布获奖公告、颁发大脑定制礼品、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:接入流程清晰具体、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 【参与式】 在AI社区“经验交流”版块发帖:http://ai.baidu.com/forum/topic/add?
l****m 2018-07-10
词向量(一)
在这个映射到的实数向量表示中,希望两个语义(或用法)上相似的词对应的词向量“更像”,这样如“母亲节”“康乃馨”的对应词向量的余弦相似就不再为零了。 词向量模型可以是概模型、共生矩阵(co-occurrence matrix)模型或神经元网络模型。在用神经网络求词向量之前,传统法是统计一个词语的共生矩阵XX。XX是一个|V|×|V||V|×|V| 大小的矩阵,XijXij表示在所有语料中,词汇表VV(vocabulary)中第i个词第j个词同时现的词数,|V||V|为词汇表的大小。对XX矩阵分解(如奇异值分解,Singular Value Decomposition [5]),得到的UU即视为所有词的词向量: X=USVTX=USVT 但这样的传统法有很多问题: 由于很多词没有现,导致矩阵极其稀疏,因此需要对词频处理来达到好的矩阵分解; 矩阵非常大,维太高(通常达到106×106106×106的数量级); 需要手动去掉停用词(如although, a,...),不然这些频繁现的词也会影响矩阵分解的
3****3 2018-07-10
智能运维工程架构
背景:为什智能运维 云智能运维团队在运维工具平台研发向历史悠久,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,团队着力于发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 工具、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,比如持续交付的速、服务稳定性、运营成本等。
双****4 2018-07-11
【杂谈】猎场没那精彩--还原真实的猎头
要找精英猎头,先要确认该岗位是否值得去找专业人才服务;当甲觉得能付十万块钱的佣金是值得的,好甲就能找到好供应商;如招聘把几千块佣金当传家宝贝,给猎头花这个钱还不如给面试者报销打车费。 第三部分.影视剧中对猎头的梦之误解 编剧们写的“白领剧”是给观众展示一场“高端职场环境”的梦,“白领梦”并不比“皇帝梦”“武侠梦”更真实,因为这个“高端职场环境”从来就没存在过。我看那些影视剧中对猎头的刻画过于夸张,按照那种猎头就别想挣钱了。 第一点,猎头不会深参与面试,甲人事部不会让“人”参与面试决策;猎头的核心利益是成单拿佣金,在甲面前也是人。敬业的猎头会全程面试者的反馈,老练的猎头能从HR手里拿到真实面试结,但猎头不会现在甲办公室一起面试候选人。 第二点,候选人不会懒得接触猎头,不需要猎头给候选人端茶端尿陪床上吊。候选人懒得猎头聊很可能是因为这个职位太挫没吸引力,少部分是自己有内线不用走部渠道。如招聘要定向挖某人,老板亲自马比猎头约见面有诚意多了。 第三点,任何供应商不能公开干涉甲内务。
金****洲 2018-07-09
安全实验室|机器学习对抗性攻击报告
因此,他们尝试了对抗性图片在真实物理世界的表现,即对抗性 图片在传入机器学习模型之前,还经过了打印、部环境、摄像头处理等一系列不可控 转变。相对于直接给计算机传送一张无损的图片文件,该攻击更具有现实意义。 在如何构造对抗性攻击图片上,他们使用了非定向类攻击中的FGS FGS 迭代 法,定向类的FGS 迭代法[1]。其中,非定向类攻击是指攻击者只追求对抗图像 原图像不同,而不在意识别的结是什。定向类攻击则是指攻击者在构造图像时已经 预定目标机器学习模型识别的结。 在定向类攻击中,作者首先根据条件概给定源图像,最不可能(least-likely) 被识别的类型y 值,表示为(该种类通常原种类完全不同)。然后采用定向类攻击 法中的FGS 迭代法,产生对抗性图片。其中非定向类攻击法在类型种类比较少并且类型种类差距较大的数据库里,比较有。但是一旦类型之间比较相关,该攻击图像 有极大的可能只会在同一个大类中偏移。这时候定向类攻击法就会有很多。 图2 对抗性图像在现实物理世界欺骗机器学习过程 为了验证结,作者采用白盒攻击模型。
红****2 2018-07-10
故障自愈机器人,保你安心好睡眠
单机房故障自愈解决案概述 AIOps框架中,单机房故障自愈解决案构建在运维知识库、运维开发框架、运维策略框架三个核心能力之上。具体过程为自愈程序搜集分散的运维对象状态数据,自动感知异常后进行决策,得基于动态编排规划的止损操作,并通过标准化运维操作接口执行。该解决案策略架构解耦,并且托管到高可用的自动化运维平台之上,实现了业务在任意单个机房故障情况下皆可自愈的。 截至目前该案已覆盖大多数核心产品,止损较人工处理提升60%以上。典型案例: 在8月28日某产品在单机房故障发生后1min55s完成止损。 在后续文章中我们会继续介绍单机房故障自愈的更多详细内容,敬请期待! 单机房故障容灾能力的建设 在容灾能力建设中有哪些常见问题? 如何证明服务已经具备单机房容灾能力? 单机房故障人工止损法 人工止损时如何感知服务故障? 人工止损时如何收集故障信息? 人工止损时如何进行流量调? 单机房故障机器人止损法 如何设计单机房故障自愈整体案? 如何降低流量调风险? 如何应对不同业务流量调策略平台的差异?
c****2 2018-07-10
个性化荐(一)
YouTube 个性化荐系统结构 候选生成网络(Candidate Generation Network) 候选生成网络将荐问题建模为一个类别数极大的多类分类问题:对于一个Youtube用户,使用其观看历史(视频ID)、搜索词记录(search tokens)、人口学信息(如地理位置、用户登录设备)、二值特征(如性别,是否登录)连续特征(如用户年龄)等,对视频库中所有视频进行多分类,得到每一类别的分类结(即每一个视频的荐概),最终输较高的几个视频。 首先,将观看历史及搜索词记录这类历史信息,映射为向量后取平均值得到定长表示;同时,输入人口学特征以优化新用户的,并将二值特征连续特征归一化处理到[0, 1]范围。接下来,将所有特征表示拼接为一个向量,并输入给非线形多层感知器(MLP,详见识别数字教程)处理。最后,训练时将MLP的输给softmax分类,预测时计算用户的综合特征(MLP的输)与所有视频的相似,取得分最高的kk个作为候选生成网络的筛选结。图2显示了候选生成网络结构。 图2.
TOP