【专家说】杜俭峰:下一代银行数据体系演进

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

“

导语

在数字化转型浪潮与生成式AI技术突破的双重驱动下,银行业正面临数据体系与业务模式的深度变革。本文系统性阐述了下一代银行数据体系的四大演进方向:基于“人+智能体”的协作范式重构,通过Data Agent实现自然语言驱动的数据智能应用;构建“Data+AI”一体化平台,融合大模型工程化能力与数据基础设施;重塑"数据+知识"双要素资产体系,破解隐性知识孤岛难题;打造云原生智能湖仓架构,以统一元数据、统一语义和弹性资源调度支撑AI原生场景。这些变革将推动银行业从传统数据治理向认知智能跃迁,通过组织智慧沉淀、决策效率提升和生产力释放,重构金融服务价值链。腾讯云大数据体系的技术实践,为行业提供了从数据工程到智能应用的全链路解决方案参考。

”

图片

 下一代银行数据体系演进

图片

图片

图片

一、以“人+智能体”的服务和工作模式正在到来

银行业作为服务性行业,经营的核心理念是以客户为中心,服务客户需要投入员工资源和高效的服务手段。对于银行来说,都非常强调用数据。一个高水平的银行,一定是很高比例的员工在数据的帮助下开展工作的。数据驱动、AI驱动,特别生成式大语言模型在人工智能领域的的重大突破,使智能体(智能助手)参与企业经营和数据分析成为可能,这也进一步影响银行服务模式、员工工作模式、数据分析模式的转变。如何构建面向“人+智能体”的场景服务,开启“智能体”主导的人机协作范式,进一步释放组织数据和智能潜力,是银行业正在面对的问题。

以数据分析领域为例,过去数据工程师、数据开发人员是数据平台系统主要使用对象;目前产品经理、运营人员和业务分析师借助大数据自助分析技术、分析师工作台等大面积参与数据分析和数据挖掘;未来、Data Agent将成为人以外的数据平台使用者和创造者,这也预示着职业领域的潜在变革。Data Agent 的效率能否达到一般员工水平,关键在于能否高效利用企业私域数据和领域知识,如企业内部系统 ERP、CRM和实时获取事件数据、有效的企业知识库等。因此,面向Data Agent智能体的大数据平台体系的核心能力之一是对 Agent 的对接和支持。这不仅是技术变革,更是数据价值释放的新起点,意味着 AI 在企业数据处理和价值释放中的深度整合。

图片

图一 “人+智能体”服务和工作模式

二、智能体+Data+AI融合体系

1、以数据智能和全员智能应用的范式的改变

目前,业务人员受限于技术门槛,80%的时间消耗在数据清洗、基础报表制作等低价值环节。比如,个人金融部需要等待数据分析师出具报告,才能调整投放策略;活动运营必须通过IT部门提取数据,才能验证方案。

传统模式下代码形态:当业务人员有新的报表需求时,如需要一张新的报表,或者对原来的报表做修改,需要提交需求申请。需求提交到科技部和软件研发中心后,由其安排人员进行开发。在此过程中,可能存在往复沟通,比如需求描述不够清楚,或者开发人员理解有误,经过开发、投产、交付等环节,形成完整的研发流程。

Data Agent模式下数据智能形态:通过大语言模型强大的自然语言理解能力,知识学习的能力,通过数据语指标、统一数据语义、结合面向AI数据治理的知识资产和数据资产、湖仓一体能力快速组织和开发应用。大模型基于自然语言的理解能力,把用户的问题确认清楚,利用NLP2Semantic2sql、text2semantic2sql、chatbi、智能体开发平台生成一段程序,直接就把报表开发工作在几十秒就做完了。将原来几天、几周的工作过程,变成一个准实时的过程。

这种由代码形态转变为以 Agent 为主体的自然语言交互范式和企业的人机协作模式,将从人类指导AI使用特定工具,升级到AI自主识别需求,并选择工具组合完成任务。

为了助推银行业智能体的落地和协助客户,结合腾讯内部智能体落地实践和经验,大数据产品团队快速推出了Data Agent开发能力框架:实现从数据准备、知识解析与向量化到数据洞察到业务价值,再通过智能体实现知识的透传,最终实现智能应用。

图片

图二 智能体数据智能范式

在未来,大数据领域的AI Agent,将会具备通过数据反馈持续学习、进化迭代的能力。而不同部门间,也能通过调用共用的数据知识库,让信息在安全边界内实现跨部门流动。打破数据边界,释放沉睡在数据系统与员工经验中的决策价值。

这种将“个体智慧”转为“组织资产”的过程,会使企业不再依赖个别"超级员工",而是形成可迭代升级的集体智能。当企业能汇集员工智慧与业务数据,则更有易于做出优质决策。

2、以“Data Agent+Data+AI”一体化平台能力的建设

随着Agent多智能体的成熟,满足智能体数据范式的需要,新一代数据平台需具备面向AI能力融合的关键能力:用于将大模型的能力和数据工程能力进行整合和封装,通过产品化的方式支持数据取数、数据分析Data Agent、智能问答、数据科学和其他业务自助分析等多种应用场景。同时,支持企业现有数据系统和业务系统集成,实现大模型和企业业务流程的融合,从而通过大模型降低业务使用数据的门槛。

图片

图三 Data Agent+Date+AI一体化思路

  • 大模型工程化:是大模型落地实现包括Agent工程化、AI智能引擎、大模型适配与引擎调度等技术;

(1)Agents的工程化Agents是指具有自主性和交互能力的实体或程序,其可以感知环境、利用MCP(Model Context Protocol,模型上下文协议)进行决策和执行动作,以达到特定的目标

(2)AI智能引擎、包括自然语言交互分析能力、AI Search 的产品化能力、向量化等

(3)大模型适配与引擎调度包括LLM管理、知识库管理、记忆管理、提示词工程、工具管理和安全与权限等;

  • 领域大模型是为数据和知识推荐技术的落实实现,主要包括知识图谱构建、AI数据资产构建、业务知识构建和模型微调等

  • Oneops一体化深度融合 DataOps、MLOps 与 LLMOps 能力,包括探索分析、流程编排、AI 开发以及智能运维、统一治理平台等多个模块;

  • 大模型下的新基础设施包括湖仓一体底座包括湖仓一体、数据资产和知识资产的构建;统一元数据catalog等

三、以“数据+知识”的数据资产体系重塑

经过多年的数据仓库和数据湖的建设,显性的业务生产结构化数据逐步被治理和应用,比如客户信息、交易记录等;而隐性的知识依然散落在文档、报告、会议纪要中无法提取。比如业务流程、规则、专家经验。举个例子银行在审批贷款时,会使用结构化数据如客户信用评分、收入水平贷款历史等。同时信贷员还需依赖内部知识、行业经验、市场趋势分析和特定情况下的审批规则,这些知识或没有被整合到数据系统中、或因知识未被提取形成联动,这样可能就会出现系统根据结构化数据进行贷款审核、未能关联未被记录的风险因素导致本应拒绝的高风险贷款被批准。即便相关隐形知识大数据和大模型能力的应用逐步数字化,但数据资产和知识系统大部分分开的,孤岛情况依旧严重。

然而,Data Agent落地存在一个“数据+知识”双向融合的问题,同时银行相关领域大模型的落地,也离不开高质量的知识数据。无论是对模型的精调,还是基于数据构建的企业知识中台,才能实现业务场景的智能化。

针对现有数据资产面临的问题,业务需求不断变化和适应数据智能体业务发展的需求,提出一种全新的重塑数据资产的思路:构建人和AI都能识别的广义数据资产、构建统一语义层数据资产能力,增强数据平台已经治理好的ADS层、DWS层的资产,推动数据基础设施的认知升级,将传统的数据资产体系,升级重塑为“数据+知识”的新型生产要素。

图片

图四 “数据+知识”资产体系重塑

基于统一语义、AI的数据资产建设和治理新解法:通过大模型、智能化手段实现资产建设、资产运营,包括知识体系、数据资产体系和资产评估体系;知识资产主要包括特征AI加工、指标自动生成和指标特征血缘等。数据资产体系包括库表资产、库表资产增强和库表资产适配特征;资产评估体系包括优化引擎、粒度智能识别、自动物化加速等。

最终通过统一语义能力,通过语义注册、动态映射、指标定义和指标管理、记录语义对象的使用链路与变更理智的指标治理,将知识资产和数据资产表达、共享、重用,同时被人和机器理解,构建人和AI都能理解的数据资产。

四、以“云原生”的智能数据湖仓体系构建

回顾银行数据体系建设、大概经过以下阶段:

1、信息化时代的企业级数仓 以 Oracle 、Teradata为代表的传统数据仓库实现了线上信息化从 0 到 1 的过程。

2、互联网时代数据湖 谷歌的三驾马车和 Hadoop 的出现,通过分布式架构在一定程度上解决了大吞吐量问题,企业得以存储和处理海量数据。

3、人工智能时代的湖仓混搭或湖仓一体 MPP数据仓库与Haddop数据湖混搭互联到基于开源的组装式 Lakehouse 数据湖仓登场,引入了表格式、 StarRorks 等更多引擎组件,实现了数据的实时计算、分析、ML的多引擎负载能力。

当前各大银行在数据仓库、数据湖、湖仓一体等架构演进过程中,各类计算资源(包括MPP集群、大数据YARN集群、业务及机器学习K8s集群等)形成资源孤岛,数据与服务分散问题仍然突出。结合AI Agent驱动的数据应用范式变革,以及"Agent+Data+AI"一体化平台对"数据+知识"资产体系重塑的需求,云原生智能湖仓体系已成为必然发展方向。

4、大模型时代的云原生智能湖仓体系

  • 存算分离 实现存储计算解耦、统一调度实现资源统一利用;

  • 统一计算 实现数据工程、数据科学、LLM(Data Agent)一体化; 

  • 统一元数据 实现数据一份共享,统一语义实现数据和知识的一份利用;

  • 统一AIops 智能运维和环境适配。

    云原生智能数据湖仓体系

    图片

    统一存储:整合本地HDFS存储、面向对象存储、云存储、开放的文件格式和开放的表格式、多厂商存储的统一存储策略,实现低成本。

    存储和计算解耦:形成存储引擎在选择上和管理上更灵活开放。

    湖仓(Lakehouse)表格式:兼容多种数据处理框架和存储引擎,支持完全事务一致性、版本控制、模式演化、分区演化等

    统一计算:计算引擎容器化部署:除弹性伸缩外,通过虚拟计算(Virtual Cluster)集群,实现异构计算资源的统一调度和管理

    缓存机制:分布式缓存组件将热表数据缓存加速+计算引擎内置的缓存/物化等机制

    统一元数据:多集群数据互访、多模态/多引擎支持、向统一标准演进,实现多厂商元数据体系的对接,达到一份数据共享的逻辑;

    统一语义:通过标准化接口、AI语义生成和服务化,实现数据资产和知识资产的对接;实现资产的重塑和统一服务:

    统一服务:包括批处理服务、流处理服务、数据开发服务、实时接口服务、消息队列服务的方式;

    统一AIops运维:基于传统 ML 模型与 AI Agent,实现自动巡检、异常检测、参数调优等任务,提高运维效率并减少人力依赖;

当前,云原生智能湖仓逻辑异构的统一元数据能力、统一语义能力、统一资源管控和调度能力,将为银行业数据体系的重塑提供有力支撑。

面向未来、我们正处于数据体系变革的十字路口,AI Agent和 Data 与 AI 更紧密的结合进一步驱动银行业生产力的提升,生成式 AI 让基于数据洞察到自助决策的能力得以实现。

腾讯云大数据体系TBDS平台、Wedata平台、ChatBI平台、公有云平台将持续投入,让用户能够基于腾讯云大数据产品快速开发出各种 AI 应用,加速释放业务增长新动能。

作者:杜俭峰,腾讯金融云资深架构师

目前从事腾讯金融云国有大行行业解决方案工作,具有20年的IT咨询和建设经验,经历金融行业数据架构的设计、建设、发展和变迁过程。熟悉大数据技术咨询、平台架构规划、数智化解决方案,参与多家银数字化转型、云服务与大数据和AI规划与落地实施服务

图片

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1320

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 338

〖进阶篇1〗YAML参数解析:从nav2_params.yaml看机器人导航调优

本文深入解析了ROS2 Nav2导航系统中关键的nav2_params.yaml文件,提供了从定位、行为树、运动控制到环境感知等核心模块的参数调优实战指南。文章通过具体场景案例,如狭窄走廊、动态仓库和高精度对接,详细阐述了如何调整AMCL粒子数、控制器权重、代价地图膨胀半径等参数,以解决机器人导航中的犹豫、碰撞和精度问题,帮助开发者实现从“能用”到“好用”的进阶。

m9n0o的博客 417

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 614

哨兵一号burst数据的下载和处理

在Sentinel - 1数据处理领域,其基本流程起始于从(ASF)下载原始压缩文件。这些文件规模颇为可观,常规大小约4GB,而部分数据的原文件甚至已攀升至7GB,对存储空间提出了严苛要求。从影像构成来看,每景Sentinel - 1影像由三个干涉宽幅(IW)模式子带组成,每个IW一般包含9个脉冲串(burst)。然而,在实际研究中,我们所关注的研究区域往往仅占据其中寥寥几个burst。

kangkangluoluo的博客 1967

别再只看成交量了!用通达信这个VOL监测公式,一眼识别主力吸筹与出货信号

本文详细介绍了通达信VOL监测公式的实战应用,通过彩色量柱和换手率分层技术,帮助投资者识别主力吸筹与出货信号。该公式结合动态量能标准化和多周期均线组合,提供可视化主力行为图谱,提升交易决策的准确性。

weixin_28693447的博客 667

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 276

Python OpenCV基于颜色通道分离法去除图片中的红色印章

最近一段时间的工作都是研究如何去除图片中的红色印章,在网上查找了大量的大佬写过的方法,发现大多数是采取颜色通道分离法来做,并且效果还不错。站在前人的肩膀上,我又做了些许调整,谈不上是改进,但是能应对更对的情况总还是好的,特此记录。 拿发票做例子,印章相较于其它部分最大的不同就是印章是红色的,而其它部分不是(这是一句废话)。 那么第一步当然就是将红色分离出来,这一步可以采用Python第三方库OpenCV里的 cv2.split()方法,该方法是把RGB图像的三个通道拆分开来,得...

wl_Honest的博客 1万+

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 207

SV fork join_none & for循环结合使用

fork join_none与循环联用常见问题解决方案

ZhangShuHuai11的博客 881

晶圆测试厂wafer map管理建议

按照Recipe设定bin定义 应有版本管理概念,一般使用最新版本做为活动版本即可 Bin明细中应包含 BinID、BinCode、BinName、BinType、BinColor、Description BinID可使用数字类型 BinCode可参照实际机台的Bin,用于匹配 有些公司也将BinID、BinCode理解为SBin和HBin 即 Software Bin & Hardware Bin 一般也将BinID对应到客户的Bin BinType

凯神做开发 1万+

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 340

异步处理优化:多线程线程池与消息队列的选择与应用

本文讨论了两种常见的异步处理方式:多线程线程池和消息队列(MQ)。通过将非核心逻辑异步化,可以提升系统的性能和响应速度。多线程线程池适用于本地并发任务,适合需要快速响应的场景,但无法处理跨服务任务。消息队列则适用于分布式系统,能够解耦服务并保证任务的可靠性和顺序性,适合处理高并发和高可靠性要求的任务。文章提供了实际代码示例,帮助开发者根据业务需求选择合适的异步处理方式。

曾经“等你生日那天”都遥远得像未来,如今却可欢愉的挥手说“下个十年见” 170万+

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 349

18、公开可用的PPG数据库介绍

本文介绍了多个公开可用的PPG(光电容积描记)数据库,包括PPG-BP数据库、MIMIC II波形数据库、运动期间手腕PPG数据库以及指尖PPG与呼吸数据库等。这些数据库提供了丰富的生理信号数据,适用于动脉血压检测、呼吸频率估计、运动干扰去除以及基于PPG的生物特征识别等研究。每个数据库的数据来源、受试者信息、信号特点和下载方式均有详细介绍,并展示了如何利用这些数据库进行信号分析和算法评估。

salt的博客 388

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 84

ssm框架搭建

这个是一个在idea上成功跑起来的ssm框架项目,保存在这里方便以后使用直接下载

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 159

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 511

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 615

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

405

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 401

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5156

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 564

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 181

面向工业对讲的双通道声学 DSP 模组 A-59(NR2050-A)方案解析与工程落地案例

A-59模组以NR2050-A DSP为核心,37.5×16mm邮票孔封装,支持-40℃~85℃工业温域,兼容A-06/A-09/A-29系列,可低成本替换存量设备。通过固件切换实现三种模式:模式一(低改版成本,适配矿井、电梯);模式二(最优AEC,用于医院呼叫);模式三(双波束独立输出,支持双人会议语音分离)。集成AEC、ENC、BF与AGC算法,有效抑制回声、噪声与串扰,解决对讲系统核心声学难题。选型需注意参考信号路径、麦间距与温度匹配,建议先做声学测试再量产。

R190_6589的博客 372

SAP商业AI正式通过网信备案:企业落地AI五问

中数通“CDC商业AI”通过广东网信部门备案,标志着SAP商业AI在华本地化迈出关键一步。然而,合规仅是起点,企业真正需关注的是:AI能否融入核心流程、数据治理是否健全、责任归属是否清晰、价值衡量机制是否建立。从“可用”到“用好”,关键在于工作流重构、跨团队协同与业务结果导向的评估体系。国产模型成本优势与本地部署能力为ERP深度集成提供可能,但真正的竞争力仍在于对数据、流程与业务上下文的理解力。

Acloudear的博客 214
上一篇: 腾讯AI技术助力敦煌「数字藏经洞」全球上线
下一篇: 平均性能提升70%,盖雅工场基于腾讯云数据仓库TCHouse-D构建实时报表平台
腾讯云大数据
博客等级 码龄6年 348粉丝 220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