- 综合排序
- 最热优先
- 最新优先
- 来自专栏大数据文摘
2016大数据发展7大趋势
因此，高级管理人员正在寻找其人力资源的确切数据，所以，2016年我们会看到人力资源分析将迈出一大步。 人力资源分析虽然是人事部门新的业务领域，但为了更好地提高人力资源的投资回报率，该业务增长极为迅速。 对于那些大的商业组织而言，大数据已经成为通用语言。在适应新趋势方面，政府是缓慢的，但是在2016年，我们会看到更多的国家、地区和地方政府会采用大数据技术来提高社会和公民的体验。 7.智能机器带来的雾分析（Fog Analytic s)起步 ? 雾计算正在迅速地获得大量动力。雾计算是指推进连接到物联网的终端设备和存储数据的云计算之间的存储、传输和计算。 原文链接：https://datafloq.com/read/7-big-data-trends-for-2016/1699? utm_source=Datafloq%20newsletter&utm_campaign=41776c079a-Datafloq_newsletter_12_7_2015&utm_medium=email
1.2K60发布于 2018-05-22 - 来自专栏AI大模型应用开发炼丹房
解剖vLLM：高吞吐LLM推理引擎的7大核心技术
作为分布式大模型推理引擎，vLLM通过分页注意力、连续批处理等核心技术实现高吞吐与低延迟。今天我将深度解析其架构设计。如果对你有所帮助，记得告诉身边有需要的朋友。 一、核心引擎架构1.1 基础组件KV缓存管理器：采用分页注意力机制（PagedAttention），将KV缓存划分为固定大小块（默认16 tokens/块），通过内存池动态分配： 前缀缓存共享前缀哈希化存储：对16-token完整块计算SHA-256哈希复用机制：后续请求匹配哈希直接调用缓存块2.3 推测解码流程：草稿模型（N-gram/EAGLE/Medusa）生成k候选token大模型并行验证 GPU执行（MultiProcExecutor）张量并行：模型层分片至同节点多GPU流水线并行：跨节点分层处理长序列工作进程通过ZMQ实现RPC通信：3.2 服务层架构无头引擎节点 ：运行DPEngineCoreProc处理计算API服务节点：AsyncLLM封装引擎接口FastAPI提供REST端点DP协调器动态负载均衡请求生命周期：四、性能优化与基准测试
1.3K10编辑于 2025-09-04 - 来自专栏华章科技
大数据7大最奇特应用
在客户体验与库存管理流程方面，大数据通常会发挥重要作用。下面盘点了7个最有趣、最独特的大数据应用，以及它们可能对我们的生活产生的影响。 1.大数据广告牌 户外营销公司Route正使用大数据在广告牌、长椅以及公交车两侧的广告空间上设定定价模式。 5.大数据天气预报 从手机到交通地图，很多应用长期以来就需要数据支持。名为WeatherSignal的应用可以利用Android手机中的传感器，提供实时的天气数据。 7.大数据胸罩 True&Co网站正利用大数据帮助女性寻找号码更合适的胸罩。统计数据显示，大多数女性都戴错了胸罩的号码，为此这家网站试图帮助解决这个问 题。 该公司的内部品牌甚至会基于用户的反馈和公司收集到的数据 开发和设计新式胸罩。 利用大数据的可能性是无穷无尽的，我们可能需要时间去寻找大数据的更多应用方式。你最近看到有趣或不同寻常的大数据项目吗?
94410发布于 2018-08-13 - 来自专栏数据分析师小熊
数据分析7大能力：梳理数据需求
顾名思义，数据需求，就是业务部门对数据分析产出的需求。有小伙会说：这还有需求呀，我们公司都是一通电话：“歪！给我个XX数据，快！”就完事了，根本不存在啥需求。 确实有这种无脑公司。 不过，这么无脑催数据的结果，就是返工。最常见的局面，就是你辛辛苦苦跑出来数，对面的一通质疑：“数据不对吧！”“为啥和我知道的不一样！”“你再给我个XX数据看看？”“加个字段吧！” Who：数据使用者 When：数据使用时间 Where：数据使用场合 Why：使用数据原因 What：具体数据格式 三、who：谁使用数据 包括： 申请人：部门，姓名 审批人：领导签名、邮件回复 加上审批人 ，可以在一大堆需求塞车的时候，按领导等级高低排序给数。 不主动问数据用在哪里，结果业务拿着数据乱捅一波，捅完了就说：“诶呀，我们又不懂，都是数据提供的你去问他”……数据自然百口莫辩，死无全尸……所以不要吝啬语言，问清楚！ 六、why：为什么需要数据。
1.3K21编辑于 2022-04-22 - 来自专栏云计算D1net
7大云计算数据仓库
对于处理分析工作负载的组织来说，IBM Db2 Warehouse是一个很好的选择，它可以从平台的集成内存数据库引擎和Apache Spark分析引擎中获益。 关键价值/差异： •微软公司在2019年7月发布了Azure SQL数据仓库的主要更新，其中包括Gen2更新，提供了更多的SQL Server功能和高级安全选项。 •SAP的HANA云服务和数据库是数据仓库云的核心，辅以数据治理的最佳实践，并与SQL查询引擎集成。 •对于现有的SAP用户，与其他SAP应用程序的集成意味着可以更轻松地访问本地以及云计算数据集。 (7)Snowflake 对潜在买家的价值主张。 7个顶级云计算数据仓库对比图表 ? （来源：企业网D1Net）
7.5K30发布于 2019-09-26 - 来自专栏PPV课数据科学社区
大数据专家：大数据7大最奇特应用
在客户体验与库存管理流程方面，大数据通常会发挥重要作用。近来，我盘点了7个最有趣、最独特的大数据应用，以及它们可能对我们的生活产生的影响。 1.大数据广告牌 户外营销公司Route正使用大数据在广告牌、长椅以及公交车两侧的广告空间上设定定价模式。 7.大数据胸罩 True&Co 网站正利用大数据帮助女性寻找号码更合适的胸罩。统计数据显示，大多数女性都戴错了胸罩的号码，为此这家网站试图帮助解决这个问题。 该公司的内部品牌甚至会基于用户的反馈和公司收集到的数据开发和设计新式胸罩。 利用大数据的可能性是无穷无尽的，我们可能需要时间去寻找大数据的更多应用方式。你最近看到有趣或不同寻常的大数据项目吗? 知识无极限 6、回复“啤酒”查看数据挖掘关联注明案例-啤酒喝尿布 7、回复“栋察”查看大数据栋察——大数据时代的历史机遇连载 8、回复“数据咖”查看数据咖——PPV课数据爱好者俱乐部省分会会长招募 9、
1.2K50发布于 2018-04-20 - 来自专栏技术赋能学术
流程引擎Camunda 7 快速开始
根据官方文档快速搭架一个基于BPMN的流程引擎camunda https://docs.camunda.org/get-started/quick-start/ 下载地址 https://camunda.com
1.1K30编辑于 2023-02-25 - 来自专栏数据科学与人工智能
【数据】金融领域7大数据科学案例
笔者邀请您，先思考： 1 金融领域有哪些典型数据问题？ 2 金融领域应用那些数据科学方法？ ? 近年来，数据科学和机器学习应对一系列主要金融任务的能力已成为一个特别重要的问题。 管理客户数据 对于金融公司来说，数据是最重要的资源。因此，高效的数据管理是企业成功的关键。今天，在结构和数量上存在大量的金融数据：从社交媒体活动和移动互动到市场数据和交易细节。 人工智能工具，特别是自然语言处理，数据挖掘和文本分析有助于将数据转化为智能数据治理和更好的业务解决方案，从而提高盈利能力。 我们认为，我们主要关注金融领域的7大数据科学用例，但还有很多其他值得一提的。 如果您有任何进一步的想法，请在评论部分分享您的想法。 原文链接： https://medium.com/activewizards-machine-learning-company/top-7-data-science-use-cases-in-finance
1.7K00发布于 2018-07-30 - 来自专栏大数据和云计算技术
MongoDB系列7：MongoDB存储引擎
1、前言 存储引擎是数据库的组成部分，负责管理数据存储。 prefixCompression：默认为true，即使用前缀压缩索引数据。 3、In-Memory存储引擎 在MongoDB企业版3.2.6开始，In-Memory存储引擎作为通用性部分。 除了一些元数据和诊断数据外，In-Memory存储引擎只在内存中维护数据，包括配置数据、索引、用户凭据等。 由于通过避免磁盘I/O，In-Memory存储引擎的数据库操作延迟更低。 4、MMAPv1存储引擎 MMAPv1存储引擎是3.2版本之前的默认存储引擎。它利用集合级并发性和内存映射文件访问底层数据存储。内存管理委托给操作系统。 4.1 MMAPv1存储引擎优势 ·大容量插入、读取和更新 4.2 MMAPv1存储引擎配置 mongod--storageEngine mmapv1 --dbpath <path> 或，在配置文件做如下配置
2.7K60发布于 2018-03-30 - 来自专栏Java架构师历程
MySQL的三大引擎
MySQL的三大引擎：InnoDB、MyISAM和Memory InnoDB和MyISAM是在使用MySQL最常用的两个表类型，各有优缺点，视具体应用而定。 7、更好和更快的auto_increment处理。 Innodb Myisam Memory 事务 支持 不支持 执行速度 比较快 快 大容量数据 是 创建表->存储位置 数据库系统（缓存池） ->表空间 单独的文件 内存中->磁盘文件 InnoDB InnoDB 的设计目标是处理大容量数据时最大化性能，它的 CPU 利用率是其他所有基于磁盘的关系数据库引擎中最有效率的。 MySQL Memory(Heap)引擎 MEMORY存储引擎用存在内存中的内容来创建表。这些在以前被认识为HEAP表。MEMORY是一个首选的术语，虽然为向下兼容，HEAP依旧被支持。
4.2K20发布于 2018-09-26 - 来自专栏信息技术智库
7.Mysql数据库表引擎与字符集
7.Mysql数据库表引擎与字符集 1.服务器处理客户端请求 其实不论客户端进程和服务器进程是采用哪种方式进行通信，最后实现的效果都是：客户端进程向服务器进程发送 一段文本（MySQL语句），服务器进程处理后再向客户端进程发送一段文本 2.存储引擎 MySQL 服务器把数据的存储和提取操作都封装到了一个叫 存储引擎 的模块里。 存储引擎以前叫做 表处理器 ，它的功能就是接收上层传下来的指令，然后对表中的数据进行提取或写入操作。 InnoDB：没有保存表的总行数 (只能遍历)，如果使用select count() from table；就会遍历整个表，消耗相当大，但是在加了wehre条件后， myisam和innodb处理的方式都一样 7) 外键 MyISAM：不支持 InnoDB：支持 8) 查询效率 MyISAM相对简单，所以在效率上要优于InnoDB，小型应用可以考虑使用MyISAM。
1.8K10编辑于 2022-07-29 - 来自专栏Spark学习技巧
金融领域7大数据科学案例
涵盖了从数据管理到交易策略的各种业务方面，共同点是增强金融解决方案的巨大前景。 笔者邀请您，先思考： 1 金融领域有哪些典型数据问题？ 2 金融领域应用那些数据科学方法？ ? 管理客户数据 对于金融公司来说，数据是最重要的资源。因此，高效的数据管理是企业成功的关键。今天，在结构和数量上存在大量的金融数据：从社交媒体活动和移动互动到市场数据和交易细节。 人工智能工具，特别是自然语言处理，数据挖掘和文本分析有助于将数据转化为智能数据治理和更好的业务解决方案，从而提高盈利能力。 我们认为，我们主要关注金融领域的7大数据科学用例，但还有很多其他值得一提的。 如果您有任何进一步的想法，请在评论部分分享您的想法。 原文链接： https://medium.com/activewizards-machine-learning-company/top-7-data-science-use-cases-in-finance
2.7K40发布于 2018-06-22 决策引擎系统的7个级别
目前有许多商业“规则引擎”被广泛使用。2级基础机器学习这包括使用查找表、参数模型（包括线性或非线性模型和神经网络）或非参数模型的已知统计模型。 我将这些功能放在Level7中。我将4级限制在必须训练的技术上，这意味着它仍然是一种监督学习形式。这意味着LLM将始终生成训练数据集中使用的单词和短语。 7级科幻小说我们将7级保留给需要最高智能水平的非结构化问题。我认为这是纯粹的科幻小说——很容易推测，但我就是看不出开发如此先进技术的经济合理性（想想培训不具备任何这些能力的LLM的成本）。 认识到LLM可以产生人类可能会解释为表现出7级行为的单词序列，这一点非常重要，而LLM所做的只是在训练数据集中复制单词模式。 新闻界有数不胜数的书籍和文章讨论“人工智能”，就好像机器已经实现了我们所说的7级智能。据我们所知，没有计算机显示出真正的7级智能。我在实践中看到的所有工具都属于前六个级别。
24510编辑于 2025-09-17- 来自专栏开源部署
CentOS 7安装Docker应用容器引擎
Docker 是一个开源的应用容器引擎，基于 Go 语言 并遵从Apache2.0协议开源。 在服务型环境中部署和调整数据库或其他的后台应用。 从头编译或者扩展现有的OpenShift或Cloud Foundry平台来搭建自己的PaaS环境。 比如 Web 应用、后台应用、数据库应用、大数据应用比如 Hadoop 集群、消息队列等等都可以打包成一个镜像部署。 Docker 运行在 CentOS 7 上，要求系统为64位、系统内核版本为 3.10 以上。 downloads文件夹，然后使用wget命令进行下载 [root@sungeek downloads]# wget https://download.docker.com/linux/centos/7/
90130编辑于 2022-07-14 - 来自专栏程序那些事儿
PHP八大模板引擎
当我们在PHP中讨论模板引擎时，许多开发人员会告诉你，这是没有必要的，他们会说这是学习时间和资源的浪费，因为PHP本质上也是一个模板引擎。 但是当你看过很多框架之后，你会发现很多框架都会有模板引擎的存在，所以说php中的模板引擎还是有必要了解一下的。 跨模板的数据共享 将数据预先分配给特定模板 内置逃生帮助器 易于使用的功能和扩展 与框架无关，将与任何项目配合使用 分离设计使模板易于测试 可以使用composer引入 以下代码段提供了板模板引擎语法外观的预览 > Blade blade是laravel内置的模板引擎。与其他流行的PHP模板引擎不同，Blade 不会限制您在视图中使用纯 PHP 代码。 Smarty 是一个模板引擎，用作应用程序的 View 组件。Smarty 可轻松与上面列出的任何引擎耦合为视图组件。
3.5K30编辑于 2023-07-24 DeepSeek + 流程引擎：大模型如何提升流程引擎的能力
生成式AI，特别是基于大语言模型（LLM）的技术，如DeepSeek、ChatGPT，能够以自然语言生成、理解、优化和执行任务，在流程引擎中发挥越来越重要的作用。 流程引擎通常包括流程建模、任务分配、进度监控、数据流动等功能，能够处理简单的任务自动化到复杂的端到端业务流程。传统的流程引擎依赖于预设规则和工作流模型，通过规则引擎来执行任务。 1.自动化决策和任务分配传统的流程引擎主要依赖人工配置的规则来进行任务分配和决策，而生成式AI能够基于大量的数据进行实时决策，并能够根据上下文自动调整任务分配和执行方案。 2.智能流程优化生成式AI能够通过分析大量历史数据和流程执行数据，自动识别流程中的瓶颈、低效环节和潜在的优化空间。 AI可以进行自适应学习，根据实时数据反馈自动优化流程设计，调整流程中的环节和顺序，提高整体效率。
53710编辑于 2025-03-18腾讯云实时孪生数据引擎技术指南：大规模数据大屏展示
摘要 本文旨在解析腾讯云实时孪生数据引擎技术的核心价值、挑战，提供详细的操作指南，并对比通用方案与腾讯云方案，展示其在大规模数据大屏展示场景下的优势。 技术解析 核心价值与典型场景 腾讯云实时孪生数据引擎技术，通过实时渲染技术，实现了对多空间维度场景的可视化呈现。 实施中的三大关键挑战 性能瓶颈：在大规模数据实时处理和渲染时，如何保证系统的响应速度和稳定性。 数据安全：确保数据在传输和处理过程中的安全性，防止数据泄露。 实时渲染：集成数据后，使用腾讯云实时渲染技术进行数据的可视化展示。 原理说明：腾讯云实时渲染技术能够快速处理大规模数据，并实时更新大屏展示内容。 结论 腾讯云实时孪生数据引擎技术以其高性能、高安全性和成本效益，在大规模数据大屏展示场景下展现出明显优势。通过详细的操作指南和增强方案的对比，用户可以更加清晰地了解如何利用腾讯云产品实现技术落地。
28210编辑于 2025-07-28- 来自专栏cwl_Java
Activiti7工作流引擎-什么是Activiti7
第2章 什么是Activiti7 2.1 Activiti 介绍 Alfresco 软件在 2010 年 5 月 17 日宣布 Activiti 业务流程管理（BPM）开源项目的正式启动，其首席架构师由业务流程管理 BPM 的专家 Tom Baeyens 担任，Tom Baeyens 就是原来 jbpm 的架构师，而 jbpm 是一个非常有名的工作流引擎，当然 activiti 也是一个工作流引擎。 Activiti 是一个工作流引擎， activiti 可以将业务系统中复杂的业务流程抽取出来，使用专门的建模语言（BPMN2.0）进行定义，业务系统按照预先定义的流程进行执行，实现了业务系统的业务流程由 通常以 Internet 方式实现信息传递、数据同步、业务监控和企业业务流程的持续升级优化，从而实现跨应用、跨部门、跨合作伙伴与客户的企业运作。 7) 流程结束 当任务办理完成没有下一个任务/结点了，这个流程实例就完成了。
1.6K10发布于 2019-12-30 - 来自专栏暴走大数据
Hive计算引擎大PK，万字长文解析MapRuce、Tez、Spark三大引擎
「硬刚Hive续集」》 对Hive的MapReduce引擎已经做过非常详细的讲解了。 本文首发自公众号： 《import_bigdata》，大数据技术与架构。 步骤7、8和9：最终的临时文件将移动到表的位置，确保不读取脏数据(文件重命名在HDFS中是原子操作)。对于用户的查询，临时文件的内容由执行引擎直接从HDFS读取，然后通过Driver发送到UI。 它源于MapReduce框架，核心思想是将Map和Reduce两个操作进一步拆分，分解后的元操作可以任意灵活组合，产生新的操作，这些操作经过一些控制程序组装后，可形成一个大的DAG作业。 在MapReduce计算引擎中，无论数据大小，在Shuffle阶段都以相同的方式执行，将数据序列化到磁盘，再由下游的程序去拉取，并反序列化。 spark.executor.cores=4，由于总共有28个核，那么最大可以申请的executor数是7。总内存处以7，也即是 100/7，可以得到每个executor约14GB内存。
3.7K52发布于 2021-11-05 - 来自专栏大数据成神之路
Hive计算引擎大PK，万字长文解析MapRuce、Tez、Spark三大引擎
「硬刚Hive续集」》 对Hive的MapReduce引擎已经做过非常详细的讲解了。 本文首发自公众号： 《import_bigdata》，大数据技术与架构。 步骤7、8和9：最终的临时文件将移动到表的位置，确保不读取脏数据(文件重命名在HDFS中是原子操作)。对于用户的查询，临时文件的内容由执行引擎直接从HDFS读取，然后通过Driver发送到UI。 它源于MapReduce框架，核心思想是将Map和Reduce两个操作进一步拆分，分解后的元操作可以任意灵活组合，产生新的操作，这些操作经过一些控制程序组装后，可形成一个大的DAG作业。 在MapReduce计算引擎中，无论数据大小，在Shuffle阶段都以相同的方式执行，将数据序列化到磁盘，再由下游的程序去拉取，并反序列化。 spark.executor.cores=4，由于总共有28个核，那么最大可以申请的executor数是7。总内存处以7，也即是 100/7，可以得到每个executor约14GB内存。
4.5K43发布于 2021-10-27
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