优维大模型春季上新:「9能力+1智能体开发平台」十分提效

AI与数据库运维的深度融合:技术体系、企业实践与未来战场 AI并非“取代”DBA,而是解放DBA,使其从重复劳动中腾出手来;核心价值转向:架构设计、策略制定、风险管控与创新驱动将成为未来运维竞争的关键。未来五年,掌握“AI增强运维”核心技术的工程师和企业,将引领这场静默革命。通过不断迭代技术栈、优化模型并落实实践,企业将实现全链路智能监控、自动化修复与跨平台协同优化,从而应对不断变化的业务需求与技术挑战。总之,数据库运维正经历由传统模式向智能化、自动化、全链路协同转型的历史性变革。 阅读详情

企业运维的数字化转型,亟需从“人找数据”转向“数据找人”——这个问题我们论述过很多次了,今天只上“纯干货”——以看得见+摸得着的方式,一口气给大家安排了9大核心能力和1个智能体开发平台的实操演示(实际库存远不止这些)。

之所以选择在这个时节打出一记拳拳到肉的组合拳,只为用朴素的臻功夫诠释“通过AI技术实现运维场景的深度解耦与灵活编排,助力企业精准降本、高效提效”的实战效果。

功夫两个字

图片

1.  CMDB查询取数:让数据「活」起来 

传统CMDB查询依赖人工筛选,效率低且易出错。优维运维大模型与CMDB深度结合,赋予AI理解模型、属性、关系的能力。 

  • 任意维度查询:

    支持按属性、跨层级关系、多条件组合查询,例如“查询所有部署在华东区域且CPU使用率>90%的主机”。 

  • 动态可视化:

    结果一键生成图表或表格,数据趋势一目了然。 

  • 场景价值:

    资源盘点效率提升80%,故障定位时间缩短50%。 

点击链接查看视频:https://weixin.qq.com/sph/AI106b0Nl

 2.  告警AI智能分析:从「救火」到「防火」 

每天上千条告警信息?人工分析如同大海捞针。优维大模型整合告警处理知识库,实现全流程自动化: 

  • 智能归因:

    自动关联日志、Trace、监控指标,生成根因分析报告。 

  • 排查计划生成:

    AI推荐处理优先级及执行步骤,例如“优先检查数据库连接池,再验证网络带宽”。 

  • 场景价值:

    告警处理响应速度提升70%,平均修复时间(MTTR)降低60%。 

点击链接查看视频:https://weixin.qq.com/sph/ADttJS0gH

 3.  知识助手:让经验不再「隐形」 

企业知识散落在文档、工单、IM工具中?优维知识助手通过RAG技术实现私域知识精准调用: 

  • 多源整合:

    支持Confluence、语雀、钉钉文档库对接,Word/PDF/Excel一键导入。 

  • 智能问答:

    结合通用知识库与CMDB数据,例如提问“某服务部署依赖哪些组件?”,AI自动解析拓扑关系并输出答案。 

  • 持续优化:

    支持用户对回答质量打分,系统基于QAV矩阵(问题-答案-验证)自动修正,知识准确率迭代提升。 

点击链接查看视频:https://weixin.qq.com/sph/AGga1apLj

 4.  联动第三方告警分析:真·打破数据孤岛 

客户POC验证场景中,优维大模型可与第三方告警平台(如Zabbix、Prometheus)无缝联动: 

  • 跨平台协同:

    根据告警信息自动跳转至第三方平台详情页,或调用API获取关联数据。 

  • 场景价值:

    跨系统协作效率提升50%,减少人工切换成本。 

点击链接查看视频:https://weixin.qq.com/sph/AJiyH1I1J

 5.  高危命令:风险管控零死角 

运维操作中的高危命令(如`rm -rf`、数据库DROP)可能引发灾难性后果。优维提供全链路管控: 

  • 自动审计:

    记录所有主机执行命令,AI识别高危操作并生成统计报表。 

  • 深度分析:

    支持按时间、人员、命令类型溯源,例如“过去一周哪些账户执行了sudo权限操作?” 

  • 场景价值:

    高危操作识别准确率达99%,风险响应时效提升90%。 

点击链接查看视频:https://weixin.qq.com/sph/AaAK8NPZt

 6.  联动第三方CMDB查询:资源管理无边界 

企业常面临多CMDB系统并存的问题。优维支持对接第三方CMDB(如ServiceNow、BMC),实现: 

  • 统一视图:

    跨平台查询主机、服务、应用信息,例如“某业务系统在公有云和私有云的资源分布”。 

  • 多轮会话:

    支持自然语言交互,如追问“这些主机的最近一次补丁更新时间?” 

点击链接查看视频:https://weixin.qq.com/sph/AWfqvCCNR

 7.  代码助手:脚本生成「一句话搞定」 

运维人员常需编写重复性脚本(如日志清理、批量部署)。优维代码助手支持: 

  • 智能生成:

    输入需求“生成一个每天凌晨清理7天前日志的Python脚本”,AI自动输出可执行代码。 

  • 灵活适配:

    支持Python、Shell等语言,代码注释清晰,便于二次修改。 

点击链接查看视频:https://weixin.qq.com/sph/AgF1Zgnkj

 8.  访客码自助登记:流程自动化再升级 

访客权限管理繁琐?优维通过多轮会话引导用户自助登记: 

  • 信息补全:

    AI自动询问缺失字段(如访问时间、权限范围),确保数据完整性。 

  • 自动同步:

    登记信息实时写入CMDB,避免人工录入差错。 

点击链接查看视频:https://weixin.qq.com/sph/AKzA5sK3s

 9.  算力中心管理:资源调度更智能 

大模型训练与推理消耗大量算力,优维平台提供全生命周期管理: 

  • 动态监控:

    实时跟踪GPU/CPU利用率、内存占用等指标。 

  • 弹性伸缩:

    根据负载自动启停模型服务,资源利用率提升40%。 

点击链接查看视频:https://weixin.qq.com/sph/AWvGSrFLt

 10.   智能体开发平台:低门槛构建专属AI助手

(最新手搓能力)企业可基于该平台快速开发运维场景智能体,支持全流程自定义: 

  • 会话聊天:

    支持单轮问答、多轮对话、任务型会话3种模式,适配不同交互场景。 

  • 智能体Agent:

    内置问答型、流程型、决策型、工具型4类Agent,灵活匹配业务需求。 

  • 规则与工具库: 

- 支持关键词、语义(基于词向量)、混合检索3种方式,精准调用知识库; 

- 工具库预置HTTP/Python接口,与现有系统无缝对接; 

- 工作流支持多节点、多分支编排,支持记忆变量跨流程传递。 

  • 知识库管理: 

- 支持普通文档与QA问答对两种类型,可自定义分段规则或启用智能分段; 

- 结合Token机制优化检索效率,确保高并发场景下响应速度。 

  • 对接与运营: 

- 支持本地化部署、SaaS服务及OneAPI对接; 

- 提供训练集管理、微调训练功能,持续优化模型表现; 

- 运营分析模块支持敏感词过滤、资源限额等高级配置。 

  • 场景价值:

    开发周期从数月缩短至1周,运维自动化覆盖率提升60%。 

点击链接查看视频:https://weixin.qq.com/sph/ASD7TNaUq

图片

场景1 : 大型金融企业——告警风暴中的「AI指挥官」

⨀ 痛点:每日数万条告警,人工分诊耗时且漏检率高。

Ü 优维方案:

  • 告警智能分析自动过滤噪音,聚焦核心故障(如数据库主从延迟)。

  • 联动CMDB定位受影响业务系统,并推送应急预案至责任人。

★ 成果:故障发现时效从小时级缩短至分钟级,全年避免业务损失超千万元。

场景2 :电商巨头——高危操作「AI审计官」

⨀ 痛点:运维团队规模大,权限管理复杂,操作风险难以追溯。

Ü 优维方案:

  • 高危命令实时监控,违规操作自动触发告警并锁定账户。

  • 生成月度安全报告,量化风险趋势,辅助管理决策。

★ 成果:全年零重大操作事故,安全审计效率提升200%。

场景3 :制造业龙头——知识管理「AI大脑」

⨀ 痛点:设备运维经验依赖老师傅,新人培养周期长。

Ü 优维方案:

  • 通过词向量技术将设备手册、历史工单转化为结构化知识库,新员工提问即获标准答案。

  • AI自动推荐相似案例,例如“某型号机床报错E502的3种解决方法”。                                                             

★ 成果:新人独立上岗时间从3个月压缩至2周。

图片

  • 全栈能力覆盖:

    从数据查询到智能体开发,10大模块形成闭环解决方案。

  • 技术深度适配:

    支持Token化资源管理、QKV矩阵优化知识迭代,兼顾效率与精准度。

  • ROI可量化:

    平均帮助企业降低30%运维成本,故障损失减少50%以上。

 \ 点赞 /

图片

- end -

easycmdb:优维科技EasyCMDB基础版 在线DEMO环境 用户名:demouser 密码:demouser 下载使用 机器最低配置要求:2C4G,硬盘20G,Centos 6.5以上及Centos 7 推荐使用安装器可视化安装 如安装环境未联网,可下载整包离线安装 功能概述 EasyCMDB是优维科技基于多年IT需求管理和项目实践,打破传统CMDB资产管理的局限,从应用视角出发,管理企业一切软硬件IT资源,提供准确信息供上层平台及周边系统场景消费的产品。 优维科技所提供的EasyOpsCMDB平台是一种敏捷、灵活、可充分自定义的CMDB平台。不同的企业可以根据所属行业的特点和自身IT系统管理的需求来自定义CMDB平台上所需要管理的资源对象和对象内的属性。通过自定义资源对象,企业不但能够针对各种硬件资产进行有效管理,而且能够对硬件上所运行的不同应用程序、以及相关的配置、权限、和访问关系等逻辑配置信息进行有效的管理。EasyOps 立即下载

相关推荐

AI颠覆IT运维管理

人类产生的数据正以一种难以置信的指数方式增长。随着诸多新技术、新应用和新学科的发展,社会的数字化程度越来越高。 2015年的分析预测显示到2020年全部的数字信息将达到44ZB。2017年6月,一家网络硬件领导厂商预计到2021年全球IP网络流量将达到3.3ZB,大约为2016年的3倍。同样,2017年6月一家全闪存领导厂商表明他们的基于机器学习的分析解决方案(用于监控部署在全球的闪存阵列)每天可以收集到一万亿个数据样本,迄今为止已经创造了一个7PB+的数据湖。

优维CMDB杀手锏:基于AI大模型的「CMDB自动发现生成框架图」

优维科技推出的「CMDB自动发现生成框架图」AI大模型场景,以运维专家大模型为核心,通过技术升维打破这一僵局——基于海量级参数训练,可深度融合企业私域知识库,实现“AI即专家”的运维决策能力,让CMDB从“静态台账”进化为“动态大脑”。优维的运维专家大模型实践让我们相信,AI大模型并不是要替代传统运维,而是赋予CMDB“感知-决策-进化”的生命力。大家都用过淘宝吧——“商品快照”通常都出现在订单完成以后,是非常滞后的一种回溯机制,它并不代表先进的生产力,所以我们需要的其实是动态推理能力。

EasyOps_DevOps的博客 1315

代码审计工具学习之RISP(安装以及初步操作)

1 代码审计 1.1名词解释 代码审计(Code audit)是一种以发现程序错误,安全漏洞和违反程序规范为目标的源代码分析。软件代码审计是对编程项目中源代码的全面分析,旨在发现错误,安全漏洞或违反编程约定。 它是防御性编程范例的一个组成部分,它试图在软件发布之前减少错误。 C和C ++源代码是最常见的审计代码,因为许多高级语言(如Python)具有较少的潜在易受攻击的功能(例如,不检查边界的函数)。 顾名思义就是检查源代码中的安全缺陷,检查程序源代码是否存在安全隐患,或者有编码不规范的地方,通过..

weixin_52515588的博客 1万+

重磅!优维科技发布EasyOps7.0大版本

在企业加速数字化转型的过程中,技术架构的持续变化带来了架构治理的诸多难题,包括繁重的架构梳理任务、频繁的架构变动、难以监管的架构规范以及缺乏透明度的架构视图等问题。伴随着可观测性产品的快速迭代,优维技术团队构建了更加精细与完整的可观测能力,并推出场景更丰富的「全面可观测」产品及服务,覆盖架构可观测、故障可观测、变更可观测、用户可观测、应用服务可观测、资源可观测、运维状态可观测等七大不同场景的可观测产品能力,帮助企业提供更丰富、更完整的可观测服务,保障系统的可靠性与稳定性,并节约运维成本。

EasyOps_DevOps的博客 921

【MMDetection3.0实战】从零构建自定义数据集训练流程

本文详细介绍了使用MMDetection3.0框架从零开始构建自定义目标检测数据集的完整训练流程。内容涵盖环境配置、COCO格式数据准备、核心代码改造、模型配置与训练策略调优,以及最终的模型测试与验证,帮助开发者快速上手并训练自己的检测模型。

l6m7n8的博客 314

【低空经济】无人机充电站设计方案

随着无人机技术的快速发展和广泛应用,其在物流、农业、巡检、救援等领域的应用日益普及。然而,无人机的续航能力一直是限制其大规模应用的关键因素之一。为了解决这一问题,无人机充电站的设计与建设显得尤为重要。本项目旨在设计一套高效、智能、可扩展的无人机充电站系统,以满足不同场景下无人机的充电需求,提升其作业效率和应用范围。无人机充电站的设计将围绕以下几个核心目标展开:首先,充电站应具备快速充电能力,以减少无人机的停机时间,提高作业效率;

2960

优维EasyOps®双11上新:以应用系统为中心的产品价值落地

通过系统及采集方式,可明确不同监控的用途,如拨测用于可用性/存活监控,日志用于业务监控等,能清晰了解一个系统下的采集情况。另外,有些情况并非以系统为单位进入,例如主机运维,我们将主机的监控应用视图和自定义视图进行了融合,既可以使用出厂默认的指标视图,也可以根据需要采集指标来自定义视图,甚至可以将自定义视图设置为默认概览页。采集的具体操作如下:点击采集后新建采集时,需先选择采集对象所属的系统和环境,接着设置采集实例时,所选实例范围仅为已选系统和环境下的资源实例,不会出现其他实例。

EasyOps_DevOps的博客 865

扩散模型中的UNET

一、为什么UNET模型可以用于去噪网络 二、扩散模型中的UNET是一个条件去噪网络,怎么实现的 三、UNET用于分割和用去去噪的区别

m0_37737957的博客 3818

蓝鲸CMDB智能运维实战:AI技术在配置管理中的10大应用场景

蓝鲸CMDB作为企业级配置管理平台,正在通过AI技术实现智能化运维的全面升级。本文将深入探讨AI技术在蓝鲸CMDB配置管理中的10大核心应用场景,帮助企业实现从传统运维到智能运维的跨越式发展。 ## 🚀 蓝鲸CMDB与AI技术的完美融合 蓝鲸CMDB配置管理平台作为企业IT基础设施的核心,通过AI技术的深度集成,实现了配置数据的智能化管理、自动化运维和预测性分析。蓝鲸CMDB的核心架构设计体

gitblog_01025的博客 1208

HyperLynx(十三)Hyperlynx前放置之对网络的EMC分析

在“Spectrum Analyzer”对话框的“Stimulus”(激励)栏中,设置激励源频率为100MHz,选择“IC modeling”为“Fast-Strong”,并按图所示设置其他选项。显然,在仿真的基频上,它的幅值最大,将鼠标光标置于柱状图上,可以读取其值为64.28mA,这个数值是由选定的驱动芯片决定的。按上图所示的原理图,在接收端增加一个并联的RC负载,再次运行仿真,结果如图所示。在对话框左侧的“Pins”列表中,显示出了已添加电流探针的引脚,可以在此列表中选择所要仿真的目标。...

小幽余生不加糖 4681

AWS SQS跨账户访问失败排查指南

在使用AWS SQS(Simple Queue Service)时,跨账户访问是常见的业务场景。例如,账户A的应用程序向队列发送消息,账户B的消费者从队列拉取消息。尽管AWS官方文档明确支持此类配置,但在实际应用中,由于权限模型的复杂性,开发者和运维人员常会遇到“策略已配置但无法接收消息”的问题。通过本文的逐步排查指南,您不仅可以解决当前问题,还能深入理解AWS跨账户访问的权限模型。接收方账户的用户或角色必须同时附加IAM策略,显式授权操作目标队列。尽管策略看似允许接收方操作,实际测试中却返回空消息或。

探索云原生与智能化驱动下的安全运维新范式。关注DevSecOps、可观测性、AIOps等前沿领域,与您共赴技术前沿。 459

电力知识图谱与大模型的结合:从构建到行业应用的深度解析

电力知识图谱与大模型的结合,是行业技术发展的新里程碑。从设备管理到运维优化,再到智能决策支持,它们的价值已在多个场景中得到验证。未来,随着图谱规模的扩大和大模型技术的进步,这一结合将进一步推动电力行业向智慧化、自动化迈进。作为AI领域的从业者,如果你正准备尝试这项技术,我建议从小型试点项目开始,例如构建某一设备的知识图谱,逐步扩展到整个系统。只有通过不断实践和创新,我们才能充分释放知识图谱和大模型的潜能,为电力行业带来更多变革!

2401_85328934的博客 1212

使用Open3D进行RGB-D图像点云处理

在本文中,我们将使用Open3D来处理RGB-D图像,提取点云并进行一些基本的操作。总结起来,本文介绍了如何使用Open3D库处理RGB-D图像并提取点云。我们展示了如何读取RGB-D图像,创建RGB-D图像和点云,并显示点云。除了显示点云,Open3D还提供了许多其他功能,如点云滤波、点云配准、表面重建等。在创建RGB-D图像时,我们需要指定深度图像的缩放因子和截断值,以及是否将RGB图像转换为强度图像。希望本文能够帮助您入门Open3D,并在处理RGB-D图像和点云数据时提供一些指导。

QfcaLinux的博客 446

千问3.5-2B图文理解教程:如何设计鲁棒提示词应对模糊/遮挡/低分辨率输入图

本文介绍了如何在星图GPU平台上自动化部署千问3.5-2B镜像,实现针对模糊、遮挡或低分辨率图片的智能理解与分析。通过优化提示词设计,该镜像能有效提升对质量不佳图片的识别准确率,适用于电商图片审核、文档OCR识别等场景,显著改善AI视觉任务的鲁棒性。

weixin_35871529的博客 607

2026 年 3 月青少年软编等考 C/C++ 三级测试题解析

摘要 本文包含三部分内容: 单选题(10题):考察C++基础语法和数据结构知识,涉及vector、栈、队列的操作和特性。 判断题(10题):测试对动态数组、栈、队列、字符串操作的理解,包括内存管理、访问方式和函数返回值等。 编程题(1题):模拟火车站售票窗口排队场景,要求根据输入输出各窗口的排队情况,重点考查队列的实际应用和边界条件处理。 答案解析详细,涵盖常见编程考点,适合检验基础知识的掌握程度。

发布少儿编程考级的真题和优秀竞赛题解析,以及一些讲义。 253

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

CMDB是什么&实践案例分享

腾讯蓝鲸CMDB通过集中化管理、自动化发现、灵活的模型定义和开放的API,帮助企业高效管理IT资产和配置项,提升运维效率和服务质量,同时支持与其他系统的无缝集成,适用于金融、制造、互联网等多个行业

超级英雄吉姆的博客 4572

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

优维HAO案例:央企SDIC控股全牌照综合类券商CMDB配置管理平台

此外,通过CMDB紧密配合监控系统、架构可视化系统等系统建设,依据项目中互联网运维、系统平台室、网络管理室、安全治理室、规划架构室等多部门的实际需求,成功构建多样化消费场景,全方位提升运维管理的效能与质量,为ESS整体业务的稳定与拓展提供强劲支撑。此前,优维曾携手ESS圆满完成了CMDB的一期、二期建设,打下了坚实的数据管理生态基础,并在生产环境接受了海量数据的严酷验证,整体表现可圈可点,双方都建立了广泛的自信与相互信任。推动数据运营赋能与消费场景落地,挖掘数据价值,提升业务效能与数据驱动力。

EasyOps_DevOps的博客 1235

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain&#39;s apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath(&#39;DeepLearnToolbox&#39;));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand(&#39;state&#39;,0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W&#39;); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand(&#39;state&#39;,0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = &#39;sigm&#39;;%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, &#39;Too big error&#39;);```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand(&#39;state&#39;,0)sae = saesetup([784 100]);sae.ae{1}.activation_function = &#39;sigm&#39;;sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)&#39;)% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;;nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, &#39;Too big error&#39;);```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x&#39;,28,28,60000))/255;test_x = double(reshape(test_x&#39;,28,28,10000))/255;train_y = double(train_y&#39;);test_y = double(test_y&#39;);%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you&#39;ll get around 1.2% errorrand(&#39;state&#39;,0)cnn.layers = { struct(&#39;type&#39;, &#39;i&#39;) %input layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 6, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %sub sampling layer struct(&#39;type&#39;, &#39;c&#39;, &#39;outputmaps&#39;, 12, &#39;kernelsize&#39;, 5) %convolution layer struct(&#39;type&#39;, &#39;s&#39;, &#39;scale&#39;, 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, &#39;Too big error&#39;);```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, &#39;Too big error&#39;);%% ex2 neural net with L2 weight decayrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex3 neural net with dropoutrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex4 neural net with sigmoid activation functionrand(&#39;state&#39;,0)nn = nnsetup([784 100 10]);nn.activation_function = &#39;sigm&#39;; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex5 plotting functionalityrand(&#39;state&#39;,0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = &#39;softmax&#39;; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand(&#39;state&#39;,0)nn = nnsetup([784 20 10]); nn.output = &#39;softmax&#39;; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, &#39;Too big error&#39;);```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

AI大模型运维开发探索第四篇:智能体分阶段演进路线

当我们推导出。

科技很有意思 1613

优维2024年中思考:大模型赋予新一代运维的“非产品性”启示

优维的团队意识到,大模型+云的解决方案在实现高效的IT运营管理方面展现出了巨大的潜力和优势,这种解决方案融合了先进的人工智能技术和云计算能力,为企业的IT运营管理带来了革命性的变化。随着大模型技术的持续演进,其在IT运维管理领域的角色日益凸显,成为企业提升竞争力的关键驱动力。,优维基于运维领域研发的大模型应用,已经以肉眼可见的指数级增量,给我们的用户带来了诸多意想不到的惊喜——大模型驱动的工具和解决方案已经改变了组织监控、管理和优化其IT基础设施的方式,从而提高效率、减少故障并增强了客户体验。

EasyOps_DevOps的博客 1156

当CMDB遇上AI智能体:用TaoToken统一Key打通数据查询与治理链路

CMDB 遇上 AI 智能体,卡点常在接入通道分散。本文用 TaoToken 统一 Key 收敛 CMDB 数据查询与治理链路,给出 config.toml 与 settings.json 可复制骨架,并走通资产查询与治理建议验证流程。配置与 Key 管理详见官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end 。

weixin_42584758的博客 11

优维EasyOps®Q1焕新:CMDB效率革命×智能监控赋能核心系统「智效双升」

用户登录后,能清晰看到我们支持的资源发现类型,尤其突出了服务进程的发现,聚焦于可快速出效果的模块采集。融合后,无论是监控态势感知中的指标面板,还是更多资源下的各资源分析面板,展现形式均统一为左侧分析视图菜单、右侧具体分析视图,有效避免了用户选择视图时的困惑。过去,我们具备多种指标视图能力,但存在不统一的情况,且不同用户对视图需求各异,为解决这些问题,我们对视图展示能力进行了融合优化。在采集任务管理过程中,我们发现采集配置的编辑入口过深,操作繁琐,影响维护效率,为此,我们更新了采集配置项的批量编辑功能。

EasyOps_DevOps的博客 1121

优维「架构可视化(视图)」:能力联动让系统架构看得见摸得着

以系统关联的应用为例,如果从CMDB中,系统下的应用从四个增加到五个,在设置了自动更新后,图中的应用也将根据CMDB实例的变化而更新,从而在图表上从四个应用变为五个。在视图的消费场景上,架构视图提供了对应的构件,同时也支持内部平台的一些视图消费场景。针对用户需求差异化呈现出来的产品能力多样化,是优维架构可视化(视图)的底色之一,后续我们也将进一步升级产品,相信那个时候的界面体验和功能差异将会更大,好刀宜藏,敬请拭目以待。在优维的产品方法论中,在探讨架构视图的管理时,我们首先需要理解架构视图的整体目标。

EasyOps_DevOps的博客 915

万字长文解读「新一代CMDB落地的困境及出路」

2023年3月21日春分时节,优维结合在CMDB技术领域的经验沉淀与洞察能力,梳理金融客户在数据运营中面临的问题和挑战,为了帮助到广大客户建立健全有效的方法参考,全新策划了一档“CMDB数据运营精准化专场公开课”线上直播课程。该系列课程的第一节课,邀请到了优维科技创始人兼CEO王津银坐镇直播间,担任第一课主讲老师,为大家讲述了“新一代CMDB落地的困境与出路”,深受直播间观众的好评。下面,就跟着鹿小U一起来回顾本期直播课程的主要内容吧,你将会获知到以下内容:一、当前CMDB建设面临的困境关于当前CMDB建设

EasyOps_DevOps的博客 999

CMDB(Configuration Management Database)资产管理系统和 运维自动化

一、传统运维方式和自动化运维的区别 二、CMDB的介绍 三、CMDB的四种方式 四、项目的目录架构介绍以及配置文件的升级编写 五、比较low的项目架构书写 六、可插拔式收集资产 七、对收集的服务器信息进行清洗 八、整个项目的总结 九、收集资产遇到的唯一标识的大坑 十、开启线程池并发采集 十一、后台目录结构设计 十二、API请求认证 十三、后台数据表结构设计 ...

anwang8648的博客 1165

优维科技应用CMDB在招商基金的案例分享

今天给大家分享是我们优维科技刚刚完成的一个应用CMDB案例。招商基金是一个典型的甲方客户主导,由第三方咨询公司和产品厂商共同配合落地的case,整个项目用时不到半年,其中...

互联网运维杂谈 1833
上一篇: 优维眼中的Manus:AI工程化思维重构Agent的运维端启示
下一篇: Token:优维大模型高效处理序列数据的基石
优维科技EasyOps
博客等级 码龄5年 1483粉丝 395原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值