- 博客(606)
- 资源 (43)
- 收藏
- 关注
RSS订阅原创 大语言模型落地企业三层次指南：老板必须知道的认知框架
必须建立的3个认知：数据即石油：模型效果60%依赖数据质量，检查你的数据"油品"是否达标 接受渐进智能：初期准确率70%-80%仍具商业价值，如同培养新员工 风险前置意识：建立"三道防火墙"（数据隔离/人工复核/合规审查）1. 核心认知重构LLM不是"智能客服工具"，而是企业数字化转型的"认知中枢"。其价值在于将非结构化数据（文档/对话/知识）转化为可调用的决策资源。需建立"数据即燃料"的认知：模型效果60%依赖数据质量，企业需重新审视数据资产的价值密度和管理体系。2. 战略定位选择。
2025-04-01 08:30:00
501
原创 面向CIO的AI落地指南—DeepSeek 启示录
针对大语言模型在企业内的落地，从宏观（认知层面），介观（组织架构承接），微观（具体支撑技术）三个层面，分析一下。听众是不懂技术的企业主，不要加入太多的技术内容，更多的要从认知角度来整理输出的内容。"未来企业所有的数据都应当以一种能够被大语言模型统一访问和存储的形式存在，这些数据也将成为企业最宝贵的数据资产。• 扩大这部分团队，降低该工种的收入，用AI赋能，获取最大的生产力提升红利。真相：减少能被AI替代工种的人力，其实并没有获得生产力提升的红利。• 能被AI极大提升生产效率的工种，招聘的增量反而是最大的。
2025-04-01 08:15:00
748
原创 TABLESAMPLE函数核心使用场景解析
TABLESAMPLE函数在不同业务场景中展现出强大的适应能力，但实际使用中需注意：抽样比例需根据HDFS块大小动态调整重要业务场景必须进行抽样结果验证结合存储格式和压缩算法优化性能定期审查抽样策略的有效性建议建立抽样策略知识库，记录不同场景下的最佳参数组合。对核心业务表建议预先创建多个分桶版本（如32/64/128桶），根据查询需求动态选择最优抽样方案。
2025-04-01 08:00:00
23
原创 基于大模型DeepSeek的企业典型AI应用
DeepSeek v3仅需558万美元耗时2个月完成训练，资源消耗显著低于行业巨头。深度定制模型：适配行业数据特征，调整训练参数，集成专有业务逻辑。满足金融、医疗、政府等行业合规要求（如GDPR、HIPAA）。融合人工智能技术的知识集合，支持高效存储、管理海量信息。资源灵活扩展：支持高并发、大规模数据处理，确保稳定运行。部署于自有服务器，避免公有云风险，保障敏感信息隐私。推理速度快、资源消耗低，在保证精度同时提升效率。满足商务、学术、医疗等多领域翻译需求。自动化文档处理、数据分析、邮件管理。
2025-03-31 09:00:00
884
原创 3分钟学会Hive中TABLESAMPLE函数用法，轻松搞定数仓中抽样方法。
TABLESAMPLE函数的高效运用需要深入理解Hive的存储机制和业务需求特点。建议在实施过程中：优先使用块抽样进行快速探查关键业务表预先做好分桶设计对抽样结果进行统计验证结合EXPLAIN命令分析执行计划定期收集表统计信息（ANALYZE TABLE）通过灵活组合不同的抽样策略，可在保证数据代表性的同时，显著提升大数据处理效率。建议建立抽样策略矩阵，针对不同数据规模、业务场景选择最优方案。
2025-03-31 00:33:57
27
原创 数据模型设计：漫画E-R模型
概念模式的设计是通过 E-R 模型把握现实世界，进而规范化表格来实现的。外部模式的设计是通过设计应用程序所必要的数据来实现的。在关系数据库的函数依赖中，“通过某一列的值间接确定其他列的值” 我们称之为传递依赖 (transitively dependant)。另外，通过E-R模型的分析，还可以掌握实体之间的关系（Relationship）。露娜公主和凯恩就是把握了水果和出口国之间的"销售关系"从而，进行分析的。将表格分割为单纯的二元表格，即一栏中只有一个项目，每一列都是不可分割的基本数据项。
2025-03-29 09:00:00
1000
原创 憨憨雷军 VS 小米数据团队面试官：全量表变增量表，表名还需要区分吗？
面试场景：雷军 vs 小米数据团队面试官近日有网友（雷小军）吐槽去小米商城面试被略惨的经历，整个面试过程可谓是打的有来有回，但最终以求职者失败告终。。。。面试官：（推了推眼镜，微笑）雷同学你好，我看你简历上写熟悉数据仓库设计，那咱们聊聊表设计吧。假设你有两张表，一张是增量表，一张是全量表，你觉得表名需要区分吗？雷小军：（自信满满）当然要区分！比如一个叫user_full，另一个叫user_incr，一目了然嘛！面试官：（点头）那如果业务变了，全量表要改成增量表，会有什么问题？雷小军：（挠头）问题？
2025-03-28 08:15:00
142
原创 数据治理的「乐高式搭建哲学」：从元模型到元数据的五层构建法则
在某次行业数据治理峰会上，某零售公司的CIO曾分享因促销活动数据混乱导致1.2亿损失，究其根源，暴露了三个致命数据断层：市场部的"用户ID"与技术部的"会员编号"无法对应商品元数据缺失导致库存统计偏差率达37%订单模型变更未同步至下游系统引发资金结算错误这场事故揭示了企业数据建设的致命误区——将数据视为零散积木随意堆砌，而忽视了构建数据体系的底层设计规则。本文将用"乐高式搭建哲学"，解构数据治理的五大核心要素。定义：描述数据属性的结构化信息，是"关于数据的数据"。作用。
2025-03-28 08:15:00
825
原创 Hive UDF开发实战：构建高性能JSON生成器
本文实现的JSON生成器UDF在以下方面具有显著优势：支持复杂嵌套数据结构提供灵活的类型转换策略实现生产级的错误处理性能优于内置解决方案未来可扩展方向：支持JSON Schema验证添加压缩输出功能集成Protobuf二进制格式实现流式处理接口通过自定义UDF开发，我们不仅解决了特定业务需求，更重要的是掌握了扩展Hive功能的通用方法论。这种能力在大数据工程实践中具有重要价值，能够帮助团队突破工具限制，构建更高效的数据处理流水线。往期精彩面试提问：数仓宽表是不是字段越多越好？
2025-03-27 08:54:01
850
原创 Hive JSON拼接实战指南：从手动拼接到高效结构化
在大数据生态中，Hive作为核心数仓工具，常需与半结构化数据（如JSON）交互。本文系统解析Hive中JSON拼接的典型场景、方法对比及实战技巧，助你轻松应对复杂数据工程挑战。，下一期将详解《Hive UDF开发：自定义JSON生成器》，解锁更高阶的半结构化数据处理技巧！：将订单表转换为嵌套JSON，包含用户信息、商品列表及支付状态。：随着Hive对JSON支持增强，内置函数将成为主流方案。：高效、简洁、安全，适合Hive 2.1+环境。：以JSON格式导出数据，适配跨系统兼容性。
2025-03-27 08:15:00
190
原创 Hive 解决数据漂移的底层原理与实战
- 处理结果| order_id | amount | proc_time ||----------|--------|--------------------|| O1004 | 899.00 | 2023-07-01 23:59:59|-- 原始错误统计SELECT SUM(amount) FROM kafka_raw_data WHERE DATE(proc_time) = '2023-07-01';-- 结果：1097.00（299+599+199）-- 插入订单更新流。
2025-03-26 08:00:00
273
原创 Manus 没有秘密
L1专注于单一领域的任务，依赖于特定领域的特征识别和处理。L2开始具备一定的泛化能力，能够处理多个领域的任务，但仍需要一定的结构化指导。L3:实现真正的自主性和泛化能力，能够处理复杂的多领域任务，无需过多的结构化指导。
2025-03-26 08:00:00
992
原创 面试提问：数仓宽表是不是字段越多越好？宽表多宽才合适，有标准吗？
宽表是不是字段越多越好？宽表多宽才合适，有标准吗？黄小艺回答道：宽表当然不是越宽越好，太宽了会有性能问题，维护也麻烦，但到底多宽才合适？这个度不好把握，也没思考过这个问题。面试官的意图分析在数仓设计的面试中，面试官抛出“宽表是否字段越多越好？宽表的宽度如何决定？1. 对宽表设计原则的理解• 是否理解宽表的本质是用冗余换性能？2. 实际经验与权衡能力•考察点：是否有真实项目经验，能否在性能、成本、可维护性之间权衡。•隐藏问题： • 是否遇到过因宽表设计不当导致的性能问题（如数据膨胀、ETL延迟）？
2025-03-25 09:00:00
136
原创 某旅游投资公司数字化转型思考与规划
政策与使命驱动“十四五”规划、国务院《关于加快推进国有企业数字化转型工作的通知》等政策明确要求国企数字化转型。2023年起央国企进入数字化转型“冲关之年”，该公司的数字化转型是时代使命，亦是业务升级的必然选择。业务痛点倒逼转型数据孤岛严重：信息化统筹不足，跨部门数据标准不统一，协同困难。 分析能力薄弱：仅有基础数据展示，缺乏深度分析和预测功能。跨业态复杂性：覆盖旅游、医疗健康、商务服务三大板块，数据多元化且口径不一。短期目标构建统一数据中台，打通各业务板块数据链，消除数据孤岛。实现核心业务（如酒店、旅游部
2025-03-25 08:15:00
618
原创 企业数字化转型与运营策略：从本质到落地的系统性指南
随着技术演进进入"深水区"，企业数字化转型已从"选择题"变为"生存题"。真正的转型成功不在于购买多少系统，而在于构建"数据-算法-场景"的持续进化能力。在这个过程中，既需要战略定力避免短期主义，又要保持组织敏捷应对市场变化。那些将数字化融入企业基因，形成"感知-决策-执行"闭环的先行者，必将在智能时代占据制高点。往期精彩数仓面试提问： DWD层可不可以不按业务过程进行原子性拆分？面试提问：数仓设计不分层可以吗？从O(n²)到O(n)：基于累计求和模型的线性递归模式优化与多场景实战。
2025-03-24 08:00:00
1567
原创 DeepSeek 家长指导手册【语文、数学、英语】
比如 ：学习小学课文《草船借箭》时，想要了解诸葛亮有关信息，我们也可向 DeepSeek 提问 ：我是五年级学生，可以结合历史背景、人物性格，讲一下诸葛亮的智慧吗？对此，我们可以向 DeepSeek 发出指令“我经常混淆《登鹳雀楼》和《凉州词》这两首诗怎么办”，它不仅会给出辨别⻆度，还能根据记忆规律给出适合孩子的进阶记忆方法。比如，给 DeepSeek 指令 ：我是小学四年级学生，想写一篇题目是 A Rainy Day 的英语作文，请你帮我写一个写作思路，并提供一个范文。
2025-03-22 16:47:05
838
原创 DeepSeek政务应用场景与解决方案【清华大学最新版】
智能体（Agent） 是一种能够感知环境、自主决策并执行任务的人工智能系统。在政务场景中，智能体可以通过自动化、智能化的方式提升工作效率和服务质量。优势:自动化与高效性:智能体可以自动执行重复性、规则化的任务，减少人工干预，提升工作效率。智能决策支持：智能体可以根据预设规则或机器学习模型，快速分析数据并提供决策建议。多任务协同：同时处理多个任务，并在不同任务之间进行协调，提升整体工作效率。数据驱动与学习能力:智能体可以通过机器学习不断优化自身性能，适应新的任务和环境。个性化服务。
2025-03-22 15:32:12
1058
原创 大模型本地部署和微调技术
LLM有时会生成看似合理但实际错误的内容，这种现象被称为“幻觉”。这主要是由于预训练数据的局限性，模型可能缺乏特定领域的知识，或在数据中学习到错误信息。LLM的训练数据通常截至于特定时间点，因此无法处理训练后发生的事件或更新的信息。这在需要实时信息的应用中是一个显著的限制。大模型（如GPT、LLaMA等）通常是在大规模通用数据上预训练的，因此在知识覆盖、语言能力上表现优秀，但对于某些垂直领域（如医疗、法律、金融）的专业知识和特定语境可能并不充分。
2025-03-21 08:00:00
1026
原创 SORA五个快速变现方向
1、新AI工具的诞生，第一波最大的流量就是用上工具，无论是ai绘图还是ai视频工具，你得先用上了才能考虑其他事情。所以第一波好生意一定是在账号的交易上。Sora的账号以及邀请码，或许可以成为用户私域运营（创造 + 促活）以及销售的钩子；2、高质量内容的Prompt对于有了工具使用权的人来说，至关重要。这类Prompt对于脑残用户的吸引力很大。那么，Prompt教程无论是运营用户还是从中滋生直接售卖产生利益价值，都事半功倍。过去一年里，ai领域最经典的好生意就是知识付费，卖课、卖社群。
2025-03-20 21:52:30
323
原创 从O(n²)到O(n)：基于累计求和模型的线性递归模式优化与多场景实战
本方案通过数学等价转换将线性递归问题转化为高效的累计计算模型，充分发挥SQL窗口函数的优势，将复杂度从 (O(n^2)) 优化至 (O(n))，显著提升大数据量下的计算效率。核心启示在于：复杂算法问题应优先寻找数学规律，再匹配最佳技术实现。分析递归公式的结构，判断其是否为线性且无交叉依赖。分解递归步骤为独立项，寻找可以表示为累计和的形式。利用窗口函数实现累计求和，特别是在不支持递归的SQL引擎中。验证转换的正确性，通过数学证明或数据对比。处理边界条件和异常值，如负值归零或初始值设置。
2025-03-20 11:28:49
236
原创 基于DeepSeek的智能体搭建
•工具（Extensions，Functions，DataStores）：赋予Agent与外部世界交互的能力，包括连接Agent与API的Extensions，允许客户端控制API调用的Functions，以及提供对外部数据访问的数据存储。•编排层（Orchestration Layer）：利用各种推理框架（如ReAct，Chain-of-Thought，Tree-of-Thoughts）指导Agent的决策过程。AI学会求解问题，涌现世界知识和类人的复杂逻辑推理能力，在问题求解方面突破图灵测试。
2025-03-19 17:13:40
1052
原创 面试提问：如何判断 Hive 表是内部表还是外部表？
此问题原本属于基础问题，但是偶尔被问到，求职者如果没有去准备，会很懵逼，在 Hive 中，可以通过以下方法判断表是内部表（Managed Table）还是。一个专注大于大数据、数据库、数据分析、相关领域的公众号，分享技术干货、学习资料、面试、职场经验和个人思考感悟，更重要的是让SQLBOY的SQL有质的飞越。【数据建模+业务建模，不一样的认知体系】（如果只懂数据建模而不懂业务建模，数仓体系认知是不全面的）了解表的类型对于数据的生命周期管理非常重要，特别是在删除表时，可能会影响到数据的存储。
2025-03-19 11:05:57
661
原创 DeepSeek + RAG 本地知识库搭建实战
问题1：在企业生产环境为什么不直接使用通用基础大模型？不专业：模型自身的知识完全源于它的训练数据（网络公开数据），实时性的、非公开的或离线的数据是无法获取到的乱回答：AI模型的底层原理基于数学概率，当自身不具备某一方面的知识或不擅长的场景时，会一本正经地胡说八道不专业：需要将企业自身的私域数据上传第三方平台进行训练，会有数据泄露的风险问题2：什么是RAG？
2025-03-18 15:30:44
1102
原创 面试提问：数仓设计不分层可以吗？
最近有求职者在面试中被问到数仓设计可不可以不分层？当求职者回答的时候，面试官似乎对这一回答并不满意。：针对该问题其实面试官并不是不懂数仓分层的意义，而是想要求职者讲明白什么样情况下需要分层，该如何分层。数仓的面试其实就是一场思辨的过程，更像是哲学上的讨论，没有绝对的好坏，只有在某种场景、条件下的合适与不合适。数据仓库是否分层取决于具体的。虽然分层设计有其显著优势，但在某些情况下，。以下是更系统的分析：分离原始数据、清洗整合后的数据、聚合数据和应用数据。：中间层数据可被多个下游应用复用，减少重复计算。
2025-03-18 09:07:04
598
原创 从零构建企业级财务分析数仓 | Hive建模实战
该方案完整覆盖了您提供的财务分析框架图中所有分析维度，通过Hive的分层建模能力实现从原始数据到分析指标的完整链路，建议配合Airflow进行任务调度，使用Superset或Tableau进行可视化展现。【数据建模+业务建模，不一样的认知体系】（如果只懂数据建模而不懂业务建模，数仓体系认知是不全面的）operating_profit DECIMAL(18,2) COMMENT '营业利润',net_profit DECIMAL(18,2) COMMENT '净利润',
2025-03-17 08:00:00
642
原创 DeepSeek在医学领域的应用
DeepSeek作为高性能AI大模型，在医学领域的应用场景广泛，结合其在数据处理、自然语言理解和深度学习方面的优势，显著推动了医疗行业的智能化转型。
2025-03-15 22:24:15
1065
原创 DeepSeek大模型在政务服务领域的应用
DeepSeek大模型在政务服务中的应用已从单一功能（如智能客服）向全链条服务延伸，形成“政策咨询-流程优化-决策支持-城市治理”的闭环。其核心价值体现在：效率提升：安徽的会议纪要处理效率提升15倍，龙岗区工单分拨精准度显著提高；服务普惠：通过技术手段缩小数字鸿沟，惠及老年人与残障群体；治理创新：推动政府从“被动响应”向“主动服务”转型，如石家庄的业务优化建议功能。未来需重点关注数据安全治理与技术伦理规范，同时探索跨区域协同（如长三角政务模型资源共享），以实现更大范围的社会价值。
2025-03-15 21:51:44
1638
原创 Hive正则表达式应用2：在制造业的八大应用场景
通过以上案例，Hive正则表达式可有效解决制造业中80%以上的文本数据处理需求，建议结合Hive的UDF功能开发企业级数据清洗工具包。：在10亿条设备日志中查询特定错误类型。：从CNC机床日志提取加工参数。：分解MES系统下发的工单指令。（模块代码+错误类型+顺序号）：将ERP系统物料编码标准化。：解析激光打标的产品追溯码。：从维修记录中提取故障代码。-- 提取设备类型+错误代码。：生成设备能耗时间序列报表。：解析电力监控系统数据。：检测设备操作违规记录。使用前缀过滤缩小数据集。返回25而非25.5。
2025-03-15 08:00:00
27
原创 Hive正则表达式基础用法与应用
regexp_extract(address, '([\\u4e00-\\u9fa5]{2,5}区)', 1) AS district,regexp_extract(address, '([\\u4e00-\\u9fa5]{2,5}[镇乡])', 1) AS town,regexp_extract(address, '([\\u4e00-\\u9fa5]{2,5}市)', 1) AS city,regexp_extract(address, '(\\d+号)', 1) AS street_num。
2025-03-14 09:00:00
125
原创 Hive多维分析进阶：纯SQL破解GROUPING__ID位运算之谜
通过纯SQL实现GROUPING__ID的逆向解析，我们解锁了以下能力：动态维度组合识别：实时解析任意维度的聚合状态智能元数据生成：自动生成可读的维度组合描述层级钻取控制：精确控制不同聚合层级的展示逻辑原生性能优势：避免UDF带来的性能损耗这种将二进制思维融入SQL操作的方法，不仅提升了多维分析的灵活性，更让我们在PB级数据场景下依然保持高效。当面对海量数据的OLAP分析需求时，掌握这项技能将使您从维度森林中精准定位数据价值。
2025-03-14 08:00:00
142
原创 基于增量滚动计算策略的数仓累计计算指标优化实战
通过将滚动计算抽象为通用框架，可快速支持同类指标的开发，提升整体数仓任务的运行效率。在数据仓库开发中，累计指标的计算是典型的复杂场景。• 非可叠加指标：如中位数、众数• 需要回溯计算的场景：如修改历史订单金额• 非单调变更的维度：如用户等级可能降级。：当源表purchase_di存储周期超过一年时，单次计算需要扫描数百个历史分区，导致I/O压力剧增。当源表数据量达到TB级时，该方式执行时间呈线性增长，严重影响任务产出时效，该方案面临：•。：将历史累计计算拆解为"历史存量+当日增量"的组合计算。
2025-03-13 14:05:25
227
原创 华中科技大学-从DeepSeek到Manus AI如何重塑企业价值【内容很棒，值得阅读】
图表显示的71.11%企业因"技术理解不足"受阻，反映AI技术扩散的典型矛盾：AI开发流程（数据清洗、模型训练、部署运维）与传统IT差异显著算法工程师、数据科学家等核心岗位供需失衡（全球缺口超百万）部分企业将AI等同于"自动化工具"，忽视其重构业务流程的潜力35.56%企业受困资金问题，深层原因包括：AI项目平均失败率超60%（Gartner数据）数据治理（占AI项目预算40%以上）、硬件升级、合规审计从POC（概念验证）到规模化需12-18个月 29%企业受限于数据，但解决方案已成熟：跨机构数据协作
2025-03-13 10:44:19
886
原创 Manus-AI：Agent应用的ChatGPT时刻【文末附完整版下载链接】
Manus 是一个通用人工智能代理，它连接思想与行动：它不仅思考，还能交付成果。Manus 擅长处理工作和生活中的各种任务，在你休息时帮你完成一切。他们坚信并践行的哲学：当数据足够强大、模型足够灵活、架构足够扎实，那么等概念就成为了自然涌现的能力。把任务留给 Manus，把时间专注于更有创造性的工作。在任务过程中，可实时通过移动端查看任务执行状态，当你回来时，Manus 将呈现令人满意的结果。AI Agent: 更泛化的思考 【DeepSeek】
2025-03-10 12:15:00
1079
原创 DeepSeek 提示词设计、幻觉避免与应用【兼谈Manus智能，附下载链接】
为了确保最好的效果，如果有可能，相关来源最好上传给AI，或者作为提示词的一部分附加上去。4. 移除幻觉部分：这是我经常使用的方法。例如：请回答关于量子计算的问题，并对任何不确定的信息使用[低确定性]标签，对有争议的观点使用[存在争议]标签。精细化训练与评估：通过针对性的微调和强化学习，可以显著降低特定类型的幻觉。同时，开发自动化评估工具，能及时识别和标记可能的幻觉内容，为用户提供风险提示。修改推理参数：通过调整温度（Temperature）、Top P等推理参数，可以在某种程度上降低模型输出的幻觉。
2025-03-10 08:00:00
1802
原创 Hive中ROW_NUMBER取Top N的数据倾斜的优化方案：基于赛马定理的优化策略
赛马定理是概率论中的一个重要定理，它描述了两组随机变量在某种“比赛”中的胜出概率。具体来说，如果两组随机变量分别来自两个不同的群体，且每个群体内的随机变量具有相同的期望值，那么这两个群体中随机变量胜出的概率是相同的。在大数据处理领域，Hive作为常用的SQL-on-Hadoop工具，广泛用于执行复杂的数据聚合和分析任务。然而，当涉及到使用ROW_NUMBER()函数进行分组排序并提取Top N记录时，数据倾斜问题常常成为性能瓶颈。
2025-03-08 11:49:55
241
原创 清华大学08-使用DeepSeek赋能家庭教育【文末附下载地址】
亲爱的父母们，在这个技术日新月异的年代，孩子的教育不再是一成不变的“填鸭式”模式。教育的本质从来不是一场竞赛，而是一段旅程。AI让这段旅程变得更加轻松，但最终的陪伴者，依然是最懂孩子的我们。
2025-03-07 17:23:58
548
原创 数仓建模：基于OTD流程的订单履约分析？
层级指标名称计算公式/逻辑业务意义战略层订单满足率 (CFR)实际交付SKU数量 / 订单需求SKU数量 × 100%衡量供应链整体响应能力流程层拆单率拆分子订单数 / 总订单数 × 100%反映库存布局合理性操作层拣货人效当日拣货SKU总数 / 参与拣货人数评估仓库作业效率二、数仓分层架构1. 数据源表（ODS层）-- 订单原始表（每日增量分区）order_id STRING COMMENT '订单ID',
2025-03-07 08:00:00
505
原创 从零构建企业级财务分析数仓 | Hive建模实战
该方案完整覆盖了您提供的财务分析框架图中所有分析维度，通过Hive的分层建模能力实现从原始数据到分析指标的完整链路，建议配合Airflow进行任务调度，使用Superset或Tableau进行可视化展现。通过利润追溯找到经营管理过程中的关键问题点，追溯实际业务发生状况，通过对比预算、同环比等情况比对当前经营利润的达成情况。利润追溯分析体系主要以财务经营的利润追溯为核心，通过业务拆解、模式分类、量差结构差等多种方式进行利润还原追溯。以决策指挥、经营管理为核心，将财务+经营两条线进行全局分析和深入贯穿。
2025-03-06 17:13:47
602
原创 西安交大DeepSeek—电力人工智能多模态大模型创新技术应用
(1) 人工智能技术演进发展阶段历经符号逻辑推理期（1950s-1970s）、知识工程期（1970s中期）、统计学习期（1980s-2000s）、集成方法期（2000s-2010s）、早期神经网络期（2010s-2018s）至大模型时期（2018s至今）。技术特征从依赖人工规则的专家系统，逐步发展为以深度学习、Transformer架构为核心的大规模预训练模型（如GPT系列），实现多模态学习与通用人工智能突破。发展基石。
2025-03-06 08:00:00
1167
【生物医药领域】Deepseek大模型在药企研发中的本地化部署及应用场景解析：提升AI驱动的药物研发效率Deepseek大模型
2025-04-01
### Seedream 2.0：一个原生中文-英文双语图像生成基础模型
2025-04-01
【AI智能体领域】前沿技术研究报告：架构、挑战与范式演进的深度解析
2025-04-01
【AI芯片技术】GPU架构与NVSwitch详解：多GPU互联及高性能通信系统设计
2025-04-01
DeepSeek、Manus与AI Agent行业现状.pdf
2025-03-31
清华大学-网络大模型NetGPT研究进展.pdf
2025-03-31
零门槛AIGC应用.pdf
2025-03-30
2025年中国银行业大模型应用跟踪报告.pdf
2025-03-30
数据保护视角下的人工智能挑战与应对措施
2025-03-30
人工智能行业专题：Operator和Manus引领AI Agent新时代
2025-03-27
Dify平台构建私有数据可视化智能体，实现类似ChatGPT的数据分析与展示
2025-03-27
中国金融行业大模型发展白皮书.pdf
2025-03-27
AI Agent行业发展综述：从技术突破到商业实践的全面解析
2025-03-27
DeepSeek大模型生态及其对全球人工智能产业的影响
2025-03-27
大模型微调与优化：LLaMA Factory框架及其最佳实践
2025-03-27
企业级AI门户应用平台：智海微言AI助力企业快速、安全、低成本拥抱AI
2025-03-27
业务流程优化（BPR）方法论与标准化管理在企业中的应用及实践
2025-03-27
产品经理面试指南：涵盖通用技巧、专业知识与实战经验
2025-03-27
DeepSeek+Dify搭建工作流.zip
2025-03-26
企业数字化转型的常见痛点剖析.pdf
2025-03-26
华为数字化转型与数据管理实践介绍.pdf
2025-03-26
数字南网建设：基于云计算与大数据的智能电网转型与发展
2025-03-26
数字经济背景下产业经济大脑建设方案及实施路径
2025-03-26
智慧工地-建筑工地人脸识别.pdf
2025-03-26
智能建筑行业PASS.pdf
2025-03-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人