<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[分享AI和大数据领域的知识和研究]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/piekill</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; piekill]]></copyright><item><title><![CDATA[面向高级负载的 Kubernetes 调度框架对比分析：Volcano、YuniKorn、Kueue 与 Koordinator]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/150151352</link><guid>https://blog.youkuaiyun.com/piekill/article/details/150151352</guid><author>piekill</author><pubDate>Sun, 10 Aug 2025 18:00:00 +0800</pubDate><description><![CDATA[随着 Kubernetes 成为容器编排的事实标准，其应用场景已从无状态服务扩展到人工智能（AI）、机器学习（ML）、高性能计算（HPC）和大数据分析等复杂且资源密集型的领域。然而，Kubernetes 的默认调度器在设计上主要面向长时运行的服务，其逐个 Pod 的调度模式在处理需要协同调度、精细化资源管理和高吞吐量的批处理及弹性工作负载时，暴露出诸多局限性。]]></description><category></category></item><item><title><![CDATA[6大开源MLOps平台深度对比报告 -- Zenml、Kubeflow、Metaflow、Polyaxon、MLRun与Pachyderm]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149815966</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149815966</guid><author>piekill</author><pubDate>Thu, 31 Jul 2025 23:19:04 +0800</pubDate><description><![CDATA[在将机器学习（ML）从实验性研究转化为可带来商业价值的生产级应用的过程中，企业面临着巨大的复杂性。机器学习运营（MLOps）的出现正是为了应对这一挑战，它旨在将DevOps的原则应用于ML生命周期，以实现流程的自动化、标准化和可重复性。一个强大的MLOps平台对于管理从数据准备、模型训练、验证到部署、监控和再训练的整个工作流至关重要。选择正确的平台是一项关键的战略决策，它将深刻影响团队的生产力、运营成本以及技术栈的长期演进。本报告对六个领先的开源MLOps平台进行了全面比较。]]></description><category></category></item><item><title><![CDATA[一文了解MLOps与LLMOps]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149753694</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149753694</guid><author>piekill</author><pubDate>Tue, 29 Jul 2025 19:02:16 +0800</pubDate><description><![CDATA[机器学习运营（MLOps）是一套旨在统一机器学习（ML）应用开发（Dev）与 ML 系统部署及运维（Ops）的实践，其目标是标准化并简化在生产环境中持续交付高性能模型的流程。它本质上是将 DevOps 的原则应用于机器学习的完整生命周期。MLOps 旨在弥合开发与运维之间的鸿沟，确保 ML 模型的开发、测试和部署过程具备一致性与可靠性。大语言模型运营（LLMOps）是对 MLOps 原则的调整和扩展，旨在管理大语言模型（LLM）的生命周期。]]></description><category></category></item><item><title><![CDATA[工作流编排平台深度分析：Apache Airflow vs. Apache DolphinScheduler]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149619006</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149619006</guid><author>piekill</author><pubDate>Fri, 25 Jul 2025 00:19:40 +0800</pubDate><description><![CDATA[在 Airflow 中，定义工作流的唯一方式就是编写 Python 脚本。一个工作流（DAG）就是一个 Python 文件。这种方式的强大之处在于，开发者可以利用完整的 Python 语言特性来构建工作流，实现复杂的逻辑和动态生成。任务间的依赖关系通过简洁的位运算符（]]></description><category></category></item><item><title><![CDATA[MCP驱动的AI应用在大数据平台的集成指南]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149574141</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149574141</guid><author>piekill</author><pubDate>Wed, 23 Jul 2025 18:19:56 +0800</pubDate><description><![CDATA[本文为技术领导者提供了一份战略与架构蓝图，旨在阐述如何通过模型上下文协议（Model Context Protocol, MCP）将大型语言模型（LLM）智能体集成到现代大数据平台中。此项集成标志着一个根本性的范式转变，即从传统的手动、指令驱动的开发模式，转向一种人与AI协作、以目标为导向的模式。通过将MCP作为连接LLM智能体与平台核心能力的标准化接口，企业能够解锁前所未有的自动化水平和智能化水平，从而显著提升数据开发生命周期的效率、健壮性和治理能力。]]></description><category></category></item><item><title><![CDATA[AI+DATA背景下的数据平台对比分析：Databricks vs Snowflake vs Palantir Foundry]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149550430</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149550430</guid><author>piekill</author><pubDate>Tue, 22 Jul 2025 23:30:31 +0800</pubDate><description><![CDATA[本文对当前市场上三家最具影响力的平台——Databricks、Snowflake和Palantir Foundry——进行了一次全面、深入的比较分析。我们的研究旨在穿透市场营销的表象，深入剖析各平台的 foundational philosophies（基本理念）、核心架构、AI能力、治理框架，为技术和战略决策者提供一份权威的、可操作的参考指南。]]></description><category></category></item><item><title><![CDATA[2025企业级数据编织（Data Fabric）落地指南]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149499833</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149499833</guid><author>piekill</author><pubDate>Mon, 21 Jul 2025 10:53:23 +0800</pubDate><description><![CDATA[在2025年，数据编织已从一个技术概念演变为一项关键的企业战略基础设施，其核心价值在于释放被孤立数据的潜力，并为企业级生成式人工智能（AI）提供坚实、可信的数据基础。该架构通过创建一个统一、智能且自动化的数据管理层，解决了高达80%的企业数据处于非结构化和未被利用状态的根本性挑战。其技术核心在于由主动元数据和知识图谱驱动的“智能核心”，它支持数据集成、治理和虚拟化等功能。成功的实施路线图应始于明确的业务目标，采用分阶段、迭代的方法，从高影响力的试点项目开始，逐步扩展。]]></description><category></category></item><item><title><![CDATA[面向现代数据湖仓的开放表格式对比分析：Iceberg、Hudi、Delta Lake与Paimon]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149473011</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149473011</guid><author>piekill</author><pubDate>Sat, 19 Jul 2025 23:54:59 +0800</pubDate><description><![CDATA[本文分析四种主流开放表格式——Apache Iceberg、Apache Hudi、Delta Lake和Apache Paimon。它们通过提供ACID事务、完整的CRUD（创建、读取、更新、删除）操作支持、可扩展的元数据管理以及灵活的模式演进等功能，将数据湖从一个被动的、仅支持追加的冷数据存档，转变为一个能够同时支持传统BI分析和现代AI/ML工作负载的、活跃的、可靠的事务型数据平台。]]></description><category></category></item><item><title><![CDATA[企业级AI Agent平台建设方案]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149453066</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149453066</guid><author>piekill</author><pubDate>Fri, 18 Jul 2025 21:25:48 +0800</pubDate><description><![CDATA[本报告将深入剖析构成一个顶级AI Agent平台的各个功能层面，为构建者提供一份全面的战略蓝图。]]></description><category></category></item><item><title><![CDATA[开源元数据平台深度比较分析：Apache Gravitino、DataHub 与 Unity Catalog OSS]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149445804</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149445804</guid><author>piekill</author><pubDate>Fri, 18 Jul 2025 15:25:04 +0800</pubDate><description><![CDATA[本次分析报告旨在对三个领先的开源元数据平台进行深入、详尽的技术评估：Apache Gravitino、DataHub 和 Unity Catalog 开源版（OSS）。这三个平台代表了解决现代元数据挑战的三种截然不同的哲学理念和架构范式。]]></description><category></category></item><item><title><![CDATA[无基准真相(Ground Truth)的RAG评测]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149431010</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149431010</guid><author>piekill</author><pubDate>Thu, 17 Jul 2025 21:39:50 +0800</pubDate><description><![CDATA[在没有预先标注的“基准真相”（Ground Truth）数据集的情况下，评估检索增强生成（RAG）系统是一项核心挑战。本文深度解析了应对这一挑战的现代评估范式、核心指标及主流框架。核心策略分为两种：合成基准真相和以大模型为评判者。文章提供了可操作建议：采用自动化框架与小规模高质量人工标注相结合的混合方法，以实现成本和效益的最佳平衡 。同时，提供了一个分步指南，帮助开发者从零开始建立一个无基准真相的RAG评估流水线，涵盖从策划测试集、合成“黄金”答案到分析核心指标并进行迭代的全过程。]]></description><category></category></item><item><title><![CDATA[MLflow GenAI 功能深度解析：构建企业级 LLMOps 的统一框架]]></title><link>https://blog.youkuaiyun.com/piekill/article/details/149429909</link><guid>https://blog.youkuaiyun.com/piekill/article/details/149429909</guid><author>piekill</author><pubDate>Thu, 17 Jul 2025 20:55:41 +0800</pubDate><description><![CDATA[MLflow GenAI 作为面向企业级LLMOps的统一框架，通过演进式设计扩展传统MLOps能力，解决了大语言模型应用（如 RAG）的核心运维挑战。其核心创新MLflow Tracing通过结构化记录 Trace和 Span，将黑盒流程转化为可追溯、可分析的数据，支持自动捕获输入输出、性能指标和成本元数据。该框架深度集成LangChain/LlamaIndex，提供可视化调试工具，并通过统一平台管理模型、提示模板及评估器，显著降低多组件 LLM 应用的调试复杂度与运维成本，同时保持技术栈开放性。]]></description><category></category></item></channel></rss>