- 综合排序
- 最热优先
- 最新优先
- 来自专栏IT创事记
创新数据底座：智能制造的“圣杯”
进行仿真计算需要处理大量的实时数据，对系统的计算和数据吞吐能力都有极高的要求。既有的数据基础设施很难满足以汽车研发为代表的新增需求，创新的数据底座成为智能制造时代被寄予厚望的“圣杯”。 仿真平台只是创新数据底座的冰山一角。 这次高峰论坛以“数智新引擎、制造新升级”为主题，来自全国的200多位制造行业精英、合作伙伴及技术领袖，共同交流数字经济时代高端制造领域的数据基础设施需求与实践，勾勒出创新数据底座的整体轮廓与发展趋势。 华为构建的创新数据基础设施，将成为国内制造企业数字化转型坚实的数据底座，其示范效应影响深远。 存储产品的高歌猛进，为华为创新数据基础设施提供了充足的底气；与更多懂行业、懂业务、懂技术的合作伙伴携手同行，则是华为构建制造业等行业数据底座的生态保障。
51620编辑于 2022-08-30 - 来自专栏凯哥讲故事系列
DataOps：数据中台的必备底座
前言 数据中台的崛起代表了企业数字化转型从流程驱动走向数据驱动，从数字化走向智能化。而DataOps则是数据中台区别于传统企业数据架构的核心差异，是建设数据中台的必备底座能力。 2015年，Andy Palmer[2]将这个理念发扬光大，提出了DataOps的四个关键构成，数据工程，数据集成，数据安全和数据质量。 上图是典型的数据价值链过程，而DataOps就是支撑着整个全生命周期的底座，成功的DataOps体系有四个特质：CAUTA。 全面/Universal 作为企业全域数据的底座，DataOps要全面的支持所有的场景和数据，如下图所示例，列示出了常用的30种数据源和40种目标数据。 ? 可以分解的更加细致： ? 常见的数据分析工具很多，比如PowerBI，H2O等。
8.8K37发布于 2020-07-09 HarmonyOS Next数据底座向量数据库介绍
背景今年HDC在展厅遇见了HarmonyOS 数据底座的架构师，介绍了基于数据底座实现端侧能力的智能小助手，听着很吸引人，HarmonyOS将端侧AI做到了系统层，给开发者创造了无限可能。 ：系统默认维护4个读连接和1个写连接，采用连接池技术优化资源使用写入并发：同一时间只支持一个写操作，并发写请求会自动串行化处理数据大小限制：建议单条数据不超过2MB，超出可能导致读取失败数据清理机制当应用被卸载时 limit 5;", [vectorValue2, 0, vectorValue2]);while (resultSet.goToNextRow()) { let id = resultSet.getValue INDEX diskann_l2_idx ON test USING GSDISKANN(repr L2);");// 带参数的索引创建await store.execute( "CREATE INDEX diskann_l2_idx ON test USING GSDISKANN(repr L2) WITH (queue_size=20, out_degree=50);");// 删除索引await
29710编辑于 2025-07-06- 来自专栏量子位
都在卷大模型底座，云计算一哥决定给底座造底座
其次是用于推理的Amazon EC2 Inf2实例。 亚马逊云科技认为，随着基础模型进入大规模部署的阶段，主要成本将转移到模型微调和推理。 Inf2实例由自研的推理专用芯片Inferentia2提供支持，后者在亚马逊云科技去年的开发者大会上首次亮相（Inferentia一代则问世于2018年）。 更深层次的原因在于，给大模型加底座，能够更进一步降本增效，这本身就符合市场和行业的发展要求。 其中，比如光数据这一环就分为数据提供商和数据服务商，光数据提供商就包括提供通用数据、垂直数据、特定业务下的标注数据、符合法规的审核数据等等。 至于中间层模型，则主打垂直化、行业化和细分化，可分为： （1）中间集成商，主要组合多个接口，形成新的大模型； （2）行业大模型商，由底层模型持有者进行端到端提供； （3）以及二次开发商，主要增加行业特色数据和行业认知
34910编辑于 2023-05-06 - 来自专栏知识分享
WIFI底座
自己贴片的51+WIFI的开发板终于到了。。还是贴片的好看 美中不足的是需要改一个电阻的阻值。。还有就是由于自己的8266和51单片机一块断电上电，所以如果用的USB线的质量不好就会出现 下载不了程序
1.2K40发布于 2018-06-01 大数据平台数据底座能力构建技术指南
摘要 本文旨在解析大数据平台的数据底座能力，探讨其核心价值、典型场景、关键挑战，并提供详细的操作指南。同时，对比分析通用方案与腾讯云方案的差异，并提供场景化案例以展示腾讯云产品的优势。 技术解析 核心价值与典型场景 大数据平台的数据底座能力，指的是构建企业级数据仓库和数据资产管理的能力。这一能力的核心价值在于： 性能提升：与传统数仓/大数据解决方案相比，性能提升10~100倍。 操作示例： 使用WeData平台进行数据导入和治理。 利用腾讯云COS实现数据的冷热分层存储，降低存储成本。 2. 数据资产治理 原理说明：数据资产治理涉及数据的质量管理、成本控制和安全保障。 结论 大数据平台的数据底座能力是企业数字化转型的关键。腾讯云提供的WeData、COS和BI工具等产品，能够帮助企业在性能、成本和数据治理方面取得显著优势。 通过上述操作指南和增强方案的对比，企业可以根据自身需求选择合适的技术方案，实现数据底座能力的构建和优化。
55810编辑于 2025-07-28- 来自专栏数据猿
AI存储进入PBEB时代，HDD为何成为数据底座？
“西部数据的策略：从11碟HDD出发，重塑AI存储底座。 大数据产业创新服务媒体 ——聚焦数据 · 改变商业 让我们来试想这样一个场景：凌晨3点，某大模型云服务平台的日志系统依然在高速写入。 2.TCO（总体拥有成本），成为重要的决策标准 与以往“按性能买硬件”的时代不同，AI时代的数据中心在做存储决策时，关注的问题变了。 除了追求“速度有多快”，还要考虑“容量单价是多少？” 比如，同样是部署一个2PB的数据系统，如果能够降低20%的能耗、减少25%的服务器数量，那么哪怕读写速度略有差距，这笔投资依然是值得的。 1.数据底座：更优TCO+长期信赖 在AI驱动的数据中心架构中，HDD是不可替代的底座。因为它能带来规模化成本效益。 这是对客户的长期关系战略——构建“存储信赖路径”，帮助客户把其数据底座变成护城河。
18210编辑于 2026-01-27 - 来自专栏数据是生产力
别扯数据化转型了，先夯实数据底座吧
2019-2021 人人都提数据中台，张口就说业务数据化、数据业务化，数据驱动业务，甚至数据重塑业务；如今大家又与时俱进开始侃侃而谈数据化转型。 在我们讨论数据化转型、数据中台、数据云时候都离不开一个稳定可持续迭代的数据底座。这里数据底座包括离线数仓、实时数仓、数据湖。数仓（包括离线数仓、实时数仓、数据湖）就是这个数据底座。 主数据管理：通过主数据打通各业务链条，统一数据语言，统一数据标准，实现数据共享。 最后 在夯实企业数据底座过程，需要从道角度出发，这是决定我们做事情思考高度与宽度；也需要从术上明确落地实施路径。也就是，道以生术，术为道生。 给大家介绍两本书，道：《数据仓库与商业智能宝典第2版》这本书是从道层面阐述数据建设过程方法论；术：《大数据之路：阿里巴巴大数据实践》这本书是从术层面指导具体项目落地。
3.4K30编辑于 2022-10-28 谈谈openGauss的底座
DB- Database，数据库。做IT的人，应该不会不知道什么是数据吧？至少也应该会听过MySQL，Oralce这两个名字。其实还有很多其他的数据库名字，在此不一一列举了，因为其实我知道的也不多哈。 但其实看完《中国数据库的前世今生》之后，你可能会发现，原来中国自研的数据库产品也在悄然升起。 这里引用一张官网上面的图片，简单介绍一下openGauss正文谈到openGauss，就不得不说一下它的底座操作系统：openEuler。 这里引用一张openGauss官网上面的图：从上面的图中可以看到，openGauss支持2种架构：- AArch64- x86_64** AArch64就是arm架构的芯片openGauss支持3种操作系统底座 我们可以安装一套openEuler的操作系统，在此底座基础上面安装体验openGauss。后记本文起到一个抛砖引玉的作用。
31510编辑于 2024-11-21CANN × ROS 2：为智能机器人打造实时 AI 推理底座
CANN × ROS 2：为智能机器人打造实时 AI 推理底座 在自动驾驶小车、巡检机器人、服务机械臂等场景中，机器人需要在毫秒级时间内完成： 多摄像头目标检测 激光雷达点云分割 语音指令理解 路径规划决策 而 ROS 2（Robot Operating System 2） 作为主流机器人中间件，提供了模块化、实时性、安全通信等关键特性。 四、性能实测：机器人平台对比 测试平台：四轮巡检机器人（搭载 CANN 支持芯片，16GB RAM，30W TDP） 任务 CANN + ROS 2 CPU + ROS 2 GPU + ROS 2 YOLOv8 CANN 多模型流水线 将检测 + 跟踪 + 行为识别编译为单一 .om 文件，避免跨模型数据拷贝。 启用 ROS 2 Security 加密 Topic 通信，防止感知数据被窃听。 离线更新包 通过 ros2 bag 录制测试数据，验证新模型在真实场景表现。
20510编辑于 2026-02-09企业落地 ChatBI，如何构建可信可靠的数据底座？
在企业 ChatBI 落地过程中，数据底座的技术路线选择直接决定了数据可信度、维护成本和业务响应速度。 传统宽表架构在数据口径一致性、维护成本和灵活性上已难以支撑企业级 ChatBI 的规模化应用，而基于 NoETL 明细语义层的方案正成为新一代数据底座的主流选择。 NoETL 明细语义层——ChatBI 数据底座的核心基于明细层数据模型进行语义抽象，覆盖完整分析场景：明细语义层直接对接企业数仓 DWD 层的明细模型，沉淀所有明细级语义，支持从宏观汇总到明细下钻的全场景问数需求 Aloudata Agent：基于 NoETL 明细语义层的分析决策智能体借助于 NoETL 明细语义层和 NL2MQL2SQL 的技术路径，Aloudata Agent 可以将自然语言查询转换为对指标语义层的精准查询请求 Q2: 语义层如何解决数据口径一致性问题？语义层通过统一指标定义和指标血缘管理，确保所有分析场景消费相同的指标口径。
18110编辑于 2026-01-06构建可信数据底座，驱动数据要素安全高效流通与价值释放
数字时代的数据流通困境与战略瓶颈 在数字化进程中，各类组织普遍面临数据孤岛严重、流通壁垒高、安全与合规风险突出等核心挑战。 腾讯与亚信联合推出可信数据空间解决方案 该方案以“多模式数据流通”为核心，构建覆盖多行业、多层级、多形态的一体化可信数据基础设施。 其核心能力包括： 跨域流通互联管控：基于区块链实现分布式身份认证、数据标识与多密级自动识别； 轻量化多场景交付：支持API、数据集、数据报告等多安全级别交付模式； 多平台能力适配：兼容异构算力加速卡与多种区块链底层引擎 “通过可信数据空间，我们实现了汽车产业链多方数据的安全共享与联合分析，显著提升了消费画像精准度和市场预测能力。” —— 肖东君，亚信科技（未注明职位，保留姓名与公司） 腾讯的核心能力与生态优势 腾讯凭借其全球覆盖的云网基础设施、自主研发的区块链平台（TBaaS）及隐私计算技术栈，为客户提供高可用、高可信的数据流通底座
5500编辑于 2026-04-17- 来自专栏数栈技术分享
袋鼠云数据湖平台「DataLake」，存储全量数据，打造数字底座
一、什么是数据湖？在探讨数据湖技术或如何构建数据湖之前，我们需要先明确，什么是数据湖？数据湖的起源，应该追溯到 2010 年 10 月。 数据湖概念一经提出，便受到了广泛关注，人们发现此概念代表了一种新的数据存储理念，海量异构数据统一存储可以很好地解决企业数据孤岛问题，方便企业数据管理与应用。 数据湖可以包括来自关系数据库的结构化数据 (行和列)、半结构化数据 (CSV、日志、XML、JSON)、非结构化数据 (电子邮件、文档、pdf) 和二进制数据 (图像、音频、视频)。 ・引入 ChunJun，提供数据同步效率实现秒级快速入湖・全数据同步量 / 增量一体化，链路短组件少开发维护成本低・不影响在线业务的稳定2. 定时拉取和 PUSH 主动上报的两种方式采集元数据，保证元数据的实时同步・元数据存储：根据不同元数据的数据结构和用途，形成以 Hive Metastore 为主，关系型数据库为辅的存储架构・元数据应用
1.8K21编辑于 2022-11-25 基于 NoETL 语义编织技术构建 AI-Ready 数据底座
文章提出，构建基于NoETL语义编织技术的统一语义层是筑牢技术壁垒的关键，并详细拆解了从业务对齐、性能成本平衡到生态AI适配的三步评估法，旨在帮助企业构建一个高效、可信、低成本的AI-Ready数据底座 2.AI原生架构：根治幻觉，可信可控必须验证平台是否采用NL2MQL2SQL架构，而非简单的NL2SQL。NL2SQL：LLM直接面对上千张物理表生成SQL，幻觉风险极高。 NL2MQL2SQL：LLM理解自然语言意图，生成结构化的指标查询语言（MQL），再由语义引擎将其翻译为精准SQL。这极大收敛了搜索空间，从根源上杜绝幻觉。 语义层将业务知识结构化，通过NL2MQL2SQL架构，将LLM的开放性问题转化为对精准语义模型的查询，从根源上杜绝幻觉。 平滑落地路径：通过“存量挂载、增量原生、存量替旧”策略，可渐进式构建AI-Ready数据底座。
4910编辑于 2026-04-16智慧城市数据底座：构建未来城市的智慧核心
本文将对智慧城市数据底座的重要性、主要数据库类型及其应用进行详细的探讨。 一、智慧城市数据底座的重要性智慧城市数据底座是智慧城市建设的基础和核心，它犹如城市的“大脑”，负责处理和分析海量的城市数据。 具体来说，智慧城市数据底座的重要性体现在以下几个方面：1. 提升城市管理效率：通过实时监测和分析城市数据，城市管理者可以迅速发现并解决问题，提高城市管理的响应速度和处置能力。2. 二、智慧城市数据底座的主要数据库类型智慧城市数据底座需要处理各种类型的数据，包括结构化数据、非结构化数据、时间序列数据等。为了满足这些需求，智慧城市数据底座通常采用多种类型的数据库技术。 例如，在城市交通管理中，可以通过关系型数据库存储和管理交通信号灯的配时方案、交通流量数据等。通过对这些数据的分析，可以优化交通信号灯的配时方案，缓解城市交通拥堵。2. 数据融合与共享：随着城市信息化程度的不断提高，城市数据将更加丰富多样。未来智慧城市数据底座将更加注重数据的融合与共享，打破数据孤岛现象，实现城市数据的全面整合和高效利用。2.
1.6K10编辑于 2024-08-16基于腾讯云 CVM + TickDB 构建全球资产配置数据底座
今天，我就结合腾讯云CVM（云服务器）和开源数据工具TickDB，手把手搭建一个全球资产数据底座，让你的配置模型不再被数据源卡住。一、为什么需要统一的数据底座？ API，爬虫不稳定且易被封而一个好的数据底座，应该做到：一套接口覆盖全球、毫秒级实时、开发者友好。 1.环境准备：创建腾讯云CVM登录腾讯云控制台，购买一台按量计费的云服务器（推荐2核4GB，Ubuntu22.04）。 购买后通过SSH登录，安装Python环境：展开代码语言：BashAI代码解释sudoaptupdatesudoaptinstallpython3-pip-ypip3installrequests2.获取 nameinassets.items():price,change=get_realtime_price(symbol)ifprice:print(f"{name}（{symbol}）：{price:.2f
19620编辑于 2026-03-30制造行业数据湖平台选型攻略：如何构建高效、智能的数据底座？
摘要 在制造业数字化转型加速的背景下，数据湖平台成为企业打通研发、生产、供应链等环节的核心基础设施。然而，面对复杂的数据需求和技术路线，如何选择适配自身业务的数据湖平台？ 传统数据仓库难以应对非结构化数据存储与复杂分析需求，而数据湖虽能解决海量数据存储问题，但若缺乏高效计算引擎与智能化能力，仍会导致资源浪费与效率低下。 本文将结合制造业实际场景，为数据湖平台选型提供决策参考。 1. 成本控制：按需付费 vs. 预置资源 制造业数据波动性大（如产线调试期数据爆发式增长），需选择弹性伸缩、按使用付费的架构。 2. 技术架构：存算分离 vs. 一体机模式 制造业需兼顾灵活性与性能，存算分离架构成为主流选择。 生态兼容：数据孤岛 vs. 统一视图 制造业涉及ERP、MES、IoT等多系统数据，需构建统一数据视图。
27410编辑于 2025-11-03TiDB 助力北京电信夯实电信账务系统的数据底座
鉴于电信行业对稳定性和数据安全的高要求，核心数据库系统必须具备极高的稳定性、可靠性、安全性和性能，同时拥有全面的容灾能力，确保数据零丢失。 计费账务系统在运营商业务中处于核心地位，对数据库稳定性和性能要求也极为严苛。面对传统数据库在性能上的严峻挑战，选型的数据库需要具备云原生、分布式架构和高可靠性等关键能力。 TiDB 的数据分片自动透明分布，不需要分区键，避免侵入应用和代码的相关改造，同时解决了数据倾斜的问题。在数据库迁移过程中，北京电信采用了数据迁移工具 DM，实现了全量和增量数据的迁移。 首先，通过提前割接资料库数据和历史数据，成功减少了当晚数据割接的时间和风险。其次，通过优化流程，当晚需要割接的数据量大幅缩减至原来的 20%，大幅缩短了割接时间。 • 数据零丢失，秒级复原：高效数据备份和恢复机制保障数据在两地三中心间实时同步，一旦突发故障，系统能在极短时间内迅速切换并恢复服务，确保数据万无一失、用户体验不受丝毫影响。
1.1K10编辑于 2024-11-27- 来自专栏智能相对论
决胜数据中心，“东数西算”的基础底座
今年2月“东数西算”战略正式启动，将在京津冀、长三角、粤港澳大湾区、成渝、内蒙古、贵州、甘肃、宁夏等8地启动建设国家算力枢纽节点，并规划了10个国家数据中心集群，而贵安数据中心集群正是国家部署的8大算力枢纽节点之一 布局“数据中心” 成“东数西算”战略制高点 讨论东数西算的真正意义，一般都认为主要在于“全国一体化大数据中心”对于大数据的应用所带来的非凡价值，主要体现于它将进一步实现数据流通，从而打通数据孤岛，在提高算力的同时 （按照数据被使用的频繁程度,数据可以被分为热数据、温数据和冷数据，所谓冷数据是指访问频率低的数据，热数据反之）冷服务主要建在低成本地方，温服务可以贴近沿海的低成本地方，热服务主要布局在贴近客户需求的地方 因“冷温热”数据及时延问题的存在，造就了华为云数据中心的差异化布局，形成了贵安、乌兰察布一南一北两大云数据中心，还在京津冀、长三角、粤港澳地区布局了三大核心数据中心。 数据中心成为新基建数字化转型的基础底座，为更多的大数据、人工智能等信息技术应用创新提供高标准平台，通过数据汇聚、数据治理、数据挖掘，形成规模化的数字资产，产生更广泛的数据价值。
65220编辑于 2022-04-02 - 来自专栏Apache Doris
Apache Doris + MCP：Agent 时代的实时数据分析底座
任何数据延迟都可能导致误判。Doris 的实时数据处理能力及高并发主键等值点查在此发挥关键作用。通过内置以及生态的功能，Doris 实现秒级数据写入延迟，确保 Agent 访问最新业务数据。 传统数据分析场景中，数据通常预先整理建模，存储在特定数据仓库中。但 Agent 需要访问的数据往往来源广泛，包括实时业务数据、历史数据湖数据、外部 API 数据等。 这些 Agent 不仅要处理结构化业务数据，还要处理非结构化文本、图像、音频等数据的向量表示。传统方案是在数据库之外部署专门向量数据库，但存在数据一致性、查询复杂性、运维成本等多重问题。 在执行过程中，系统会自动选择最优的数据源（可能包括实时订单数据、商品主数据、库存数据等），制定高效的执行计划，并在毫秒级时间内返回准确的分析结果。 560" scrolling="no" border="0" frameborder="no" framespacing="0" allowfullscreen="true"></iframe>示例 2:
66110编辑于 2025-07-27
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