- 综合排序
- 最热优先
- 最新优先
- 来自专栏智能制造解决方案
干货分享-数字化车间质量追溯管理解决方案
以下为企业质量管理实际案例分析 普实通过一物一码，记录产品从原料，到生产过程，再到成品所经历的所有环节；通过各个环节的信息采集或录入，完成产品属性信息的关联绑定，从而为质量评估或质量追溯提供数据支持。 良品率关联员工技能等级 首先，作为企业的员工，也是产品质量的重要一环，生产人员做事的方式对产品质量有直接的影响。 企业可以通过AIO8系统内的质量管控意识培训将技能渗透到所有员工。 IQC 来料质量控制 1-来料质量管理流程 仓管员点收来料后，通过移动采集设备PDA登记供货批次等生成“暂收送检单”直接从蓝牙打印机打印条码标签，再交质量部检验及出具测量报告。 ? 关于产品生产的履历追溯 企业员工扫码领料生产，AIO8系统自动记录数据，并实时展现在看板上。 在生产过程中，进行IPQC过程质量控制。检查内容分为：对各工序的产品质量进行抽检、对各工序的操作人员作业方式方法检查、对控制计划中的内容点检。
1.7K20编辑于 2022-03-16 - 来自专栏可爱陆陆
可追溯性
可追溯性，他的机制就是设定后面一个区块拥有前面一个区块的一个哈希值就像一个挂钩一样，只有识别了前面的哈希值才能挂得上去，是一整条完整的链。 可追溯性还有一个好的的特点就是便于数据的查询，因为这个区块是有唯一标识的，比如说之前往数据库里面去查询一个东西的话，是有很多算法去分块来找的，而这个区块链网络里面是以时间节点来定义找这个时间段的这个区块再去寻址
1.1K70发布于 2021-02-01 AI 时代如何通过主动元数据构建高质量、可追溯的语义底座？
以算子级血缘为核心的主动元数据平台，通过实现自动化资产盘点、全链路风险防控和主动模型治理，正驱动数据治理从“人治”转向“机治”，为DataOps和RAG等AI应用提供高质量、可追溯的语义底座。 它通过自动化资产盘点、全链路风险防控和主动模型治理，将数据治理从“人治”转向“机治”，为金融等行业的DataOps协同和AI应用（如RAG）提供高质量、可追溯的语义底座。 核心原因并非模型算法本身，而是其赖以生存的“数据土壤”质量堪忧——数据口径混乱、血缘不清、变更影响未知，直接导致“AI幻觉”频发，输出结果不可信。 核心输出物点线连接的依赖关系图可读的白盒化口径+精准的行级裁剪影响分析口径本身即是高质量的RAG语料；行级裁剪能实现数据的精准同步与保鲜。 场景一：自动化资产盘点，告别“运动式”治理传统模式为满足EAST等监管报送要求，数据团队需投入数十人月，人工翻阅代码、核对Excel，口径追溯困难，且容易出错。主动元数据平台实现一键溯源。
32510编辑于 2026-05-09通过AFTRNAT64表项追溯内网原始IPv6用户主机
当需要追溯外网访问的原始内网IPv6用户时，核心逻辑是通过设备会话表/映射表的关联字段，构建“外网IPv4流→转换设备表项→内网IPv6主机”的追溯链路。 一、追溯核心前提与关键关联字段追溯的核心是利用AFTR和NAT64设备记录表项中“原始IPv6信息”与“转换后IPv4信息”的绑定关系，需先明确两类设备的关键表项字段及协同逻辑：1.1核心前提条件设备已启用完整的会话 ，实现“一键追溯”功能；安全审计工具：若追溯场景为安全事件（如攻击行为），可结合WAF、IPS等安全设备的日志，交叉验证IPv6用户的访问行为，提升追溯准确性。 当需要追溯外网访问的原始内网IPv6用户时，核心逻辑是通过设备会话表/映射表的关联字段，构建“外网IPv4流→转换设备表项→内网IPv6主机”的追溯链路。 ，实现“一键追溯”功能；安全审计工具：若追溯场景为安全事件（如攻击行为），可结合WAF、IPS等安全设备的日志，交叉验证IPv6用户的访问行为，提升追溯准确性。
9110编辑于 2026-07-12- 来自专栏数据化管理
数据间关联与追溯
保证我们下次的产品不会出现类似的质量问题。 只要将公司的数据全面地整合在一起，我们在运营管理上就能够依据数据来发现出现问题的根源，从而从根源上彻底解决问题。 信息在逐步透明之后，依靠信息不对称所谋利的企业将减少，商贸业的利润来源将回归到产品质量和服务；制造业的利润将回归到生产效率和制造工艺，一个“乌托邦”似的时代将会来临。 当然，这是一个完全理想的情形。 关联是追溯的基础。 1.5 可全程追溯是对数据采集全面性评价的基本参数 衡量一个企业的数据是否全面，通过全程追溯的方式即可检验。 从企业的产品或者服务开始追溯，是否能够追溯到每个人、每个部门、每笔财务收付款，就能够检验数据间的关联性以及全面性。
1.3K00发布于 2020-05-28 数据质量怎么管理？总结数据质量管理的6大方法
这些表面上看是数据口径不一致、系统报错的问题，但其实是你的数据质量不行。如果数据不准，那就是“垃圾进，垃圾出”，数据的质量直接影响了业务决策、运营效率和用户体验。 一、数据质量管理简单来说，数据质量管理就是对数据从产生到使用的整个过程，进行全面的把控、修正和优化，确保数据是靠谱的、能用的，能真正为决策和工作服务。那么我们需要什么样的数据？高质量数据有哪些特征？ 培养“数据是资产，质量是生命”的文化，通过持续的培训、宣传和激励，让每个接触数据的人，都具备基本的数据质量意识。 四、数据质量管理的6大方法1、数据清洗数据清洗就是处理原始数据里的无效、错误内容，具体操作分三步走。 6、数据修复数据修复不是简单的删除或修改，而是要形成“发现-定位-整改-复查”的闭环，彻底解决问题。
69510编辑于 2026-03-19- 来自专栏iKcamp
追溯 React Hot Loader 的实现
写在最后 这就是对 React-Hot-Loader 的实现的一个追溯，如果你真的理解了，那么你在配置 React-Hot-Loader 到你的应用代码里面的每个步骤会有一个重新的认识。
1.8K151发布于 2018-03-30 - 来自专栏程序生涯
6个重构方法提升80%的代码质量
在走读了一些代码之后，发现了一些代码质量普遍存在的问题，以下是其中的前五名： 1、臃肿的类：类之所以会臃肿，是因为开发者缺乏对最基本的编码原则，即“单一原则（SRP）”的理解。 经常会发现开发者会使用一些具有明确含义的常量值（主要是魔鬼数字），但是并没有给它们赋予合适的常量变量，这会降低代码的可读性和可理解性 5、模糊的方法名：（1）、模糊的不具有任何意义的方法名 （2）、技术性的，却没有提及相关领域的方法 6个处理上面代码异味的重构方法 （手法） 以下是6个可以用来帮助你解决80%（80-20原则）的代码质量问题的重构方法，并能帮助你成为一个更优秀的开发者。
92830发布于 2020-08-14 - 来自专栏生信技能树
m6A-Seq数据质量评估：trumpet包
然而，由于RNA分子的固有特性以及该技术复杂的操作过程，m6A-seq数据往往存在各种缺陷。对m6A-seq数据的质量进行评估需要一种方便、全面的工具，以确保它们适合后续的分析。 从技术方面，m6A-seq可以认为是ChIP-Seq和RNA-Seq的结合。因此，通过有效地结合两种技术的数据质量评估指标，我们开发了用于m6A-seq数据质量评估的trumpet R包。 trumpet包从m6A-seq数据中获取比对产生的BAM文件以及转录组信息作为输入，生成HTML格式的质量评估报告。 主要评价指标 1.测序数据统计 这个地方主要通过计算read count来获得对样本的一个全面了解，这可能是检查样本质量的最基本方法。 低reads count或比对到特定基因组区域的reads比例差异过大可能与低数据质量有关，这是由于多样本混库测序不平衡、DNA污染或实验过程中的其他偏差造成的。
1.9K20发布于 2021-02-03 - 来自专栏Lcry个人博客
分享6个高质量的图标网站
6 Icons8 https://icons8.com/ Icons8是一个提供免费iOS、Windows、Android的平面化设计图案为主的搜索引擎，目前提供近6多个素材资源，数量非常丰富，同时网站也提供各种格式
1.8K10编辑于 2022-11-29 - 来自专栏FreeBuf
从补丁追溯漏洞触发路径
查看github中的补丁信息Fixed chunk size parsing. · nginx/nginx@818807d (github.com)如下：
1.1K30发布于 2021-11-08 - 来自专栏PHP在线
书写高质量jQuery代码的6条经验
$('#t').on('click', 'td', function () {$(this).css({ 'color': 'red', 'background': 'yellow' });}); 6、
2K90发布于 2018-03-09 数据质量管理的6个要素
可能很多人一听到“数据质量管理”这个词，会觉得离自己很远，或者觉得太技术化、难理解。 这就好比你的手机通讯录里，同一个朋友存了两个号码，一个过时了一个最新，在你打电话时会犹豫选哪个，这就是数据质量中的重复和过时问题，所以你现在还觉得数据质量离自己远吗？ 数据质量管理，说白了，就是如何让数据变得可靠、有用、不容易出错。那么，怎么才能做好数据质量管理呢？其实并不复杂。 本文就从数据质量管理的6个要素展开，告诉你数据质量管理到底要管哪些，看完后你一定会对数据质量管理有一个清晰的认识。要素一：准确性准确性的意思很简单：数据是否真实、正确地反映了实际情况。 总结：六个要素缺一不可以上就是数据质量管理的六个要素：准确性、完整性、一致性、时效性、唯一性、有效性。它们之间是相互关联的，缺少任何一个，数据质量都会出问题。
68210编辑于 2025-09-22- 来自专栏卓越笔记
软件质量模型的 6 大特性 27 个子特性
软件质量模型的 6 大特性 27 个子特性 一、功能性： 1、适合性：软件是否提供了相应的功能 2、准确性：软件提供的功能是否正确（用户需要的） 3、互操作性：产品与产品之间交互数据的能力
1.4K30编辑于 2023-02-18 《OpenClaw行为审计与追溯系统设计》
对于OpenClaw这类具备自主任务拆解和动态工具调用能力的框架而言，最危险的从来都不是明显的权限越界，而是那些隐藏在层层推理之下、无法被追溯的决策偏差。 他们认为记录的数据越多，追溯的能力就越强，但实际上，过度的数据采集不仅会带来巨大的存储和计算压力，还会导致真正有价值的信息被淹没在海量的噪声中。 追溯呈现层的设计，直接决定了整个系统的易用性和实用性。一个好的追溯界面，应该能够让用户以最直观的方式查看智能体的整个行为过程。 随着OpenClaw生态的不断发展，行为审计与追溯系统也在不断地演进和完善。 行为审计与追溯系统的终极意义，从来都不是对智能体的束缚和监管，而是在人类与智能体之间建立起一座信任的桥梁。
15400编辑于 2026-05-30- 来自专栏物流技术与应用
冷链食品追溯体系建设持续推进
年建成全国冷链食品追溯管理平台，实现多层次、多系统、跨区域冷链物流追溯闭环。 目前各地区都在陆续建立冷链追溯系统，如北京市“冷链食品追溯平台”、陕西省“冷链食品追溯管理系统”、江苏省“进口冷链食品追溯系统”等。 与此同时，多系统的推广也带来了系统的兼容性问题：一是我国冷链追溯体系标准尚不健全，追溯码规范、追溯内容、追溯目的等不一致，造成追溯系统数据标准不统一，形成信息孤岛；二是我国没有专门负责冷链食品追溯的国家权威机构 ,造成不同地区冷链追溯系统间的“割裂”状态,阻碍了信息流转效率,甚至影响冷链食品追溯效果。 据了解，生鲜食品质量追溯涉及上游到下游、生产到流通的多个环节,对全程管控提出很高要求。
88320编辑于 2022-09-02 - 来自专栏企鹅号快讯
当产品追溯遇上区块链
中国农业部司长王小兵曾说，以区块链技术为主的创新信息技术，可以多维度，更广泛的提高农产品质量和安全监管。 典型产品追溯体系 我们先从产品追溯体系说起，目前产品追溯体系根据市场要求的不同，大致分为如下几种： H5页面追溯 这是最简单的追溯，完全是“码”为载体，以营销为目的而做的追溯，整个追溯信息只是由几个H5 简单追溯 因政策规定需要提供批次信息的追溯，在产品上市前填写批次信息，并关联追溯标识，这类追溯除了可以提供企业介绍和产品介绍之外，还可以提供当前产品的批次生产信息，只是生产信息没有经过第三方的监管，真实性由厂家负责 下面以县域电商产品的追溯为例，阐述一个典型的县域电商产品追溯体系。 所以在追溯体系里面，区块链的数据操作管理方式并不适合追溯体系数据管理。
3.8K103发布于 2018-02-28 AI赋能制造业物料追溯
在全球化供应链与严苛质量监管的双重压力下，制造业对物料追溯的需求已从简单的“记录存档”升级为“实时决策”。传统追溯系统依赖人工记录与条码扫描，常面临数据滞后、错误率高、跨环节追溯困难等痛点。 智能执行：闭环优化与自愈机制 当AI检测到某食品包装线连续出现密封不合格产品时，立即联动MES系统调整热封机温度参数，并在修复后自动验证效果，将质量异常停机时间从平均4小时缩短至15分钟。 四、未来展望：从追溯系统到供应链智能体因果AI：突破传统相关性分析，揭示质量问题的本质因果链。例如，确定仓储湿度变化如何通过3级传导最终导致电路板腐蚀。 可持续追溯：结合碳足迹数据，在追溯系统中嵌入环境影响评估，助力ESG目标达成。 结语 AI驱动的智能追溯不再是“查错工具”，而是制造业供应链的“数字神经系统”。 据麦肯锡研究，全面应用AI追溯的企业可将质量成本降低18%-35%，同时缩短新产品上市周期。对于制造企业而言，当下正是以AI为杠杆，撬动供应链韧性升级的战略机遇期。
90510编辑于 2025-04-09- 来自专栏云计算运维
使用 singledispatch 在 Python 中追溯地添加方法
今天，我们将研究 singledispatch，这是一个能让你追溯地向 Python 库添加方法的库。
4.7K30发布于 2021-09-23 - 来自专栏AI科技大本营的专栏
追溯XLNet的前世今生：从Transformer到XLNet
作者丨李格映 来源 | 转载自CSDN博客 导读：2019 年 6 月，CMU 与谷歌大脑提出全新 XLNet，基于 BERT 的优缺点，XLNet 提出一种泛化自回归预训练方法，在 20 个任务上超过了 https://arxiv.org/abs/1706.03762 代码链接：https://github.com/tensorflow/tensor2tensor 这篇论文诞生于 2017 年 6 Language Understanding 论文链接：https://arxiv.org/abs/1906.08237 代码链接：https://github.com/zihangdai/xlnet 6 这个架构本身的特点在于 Query 和 Key 你我不分家，两者通过不同的参数从一个矩阵线性 (隐藏状态) 变换而来；继续往下追溯，两者取自同一块语料；属于单流自注意力设计。 更有专业人士研究表明，XLNet 的训练成本高达 6 万美元，接近 BERT 的 5 倍 和 GPT-2 的 1.5 倍。
2K30发布于 2019-07-16
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