再见,数据中台,理想还在路上

近日,Gartner发布了24年《中国数据分析及人工智能成熟度周期报告》,在成熟度曲线中声明“数据中台”已被淘汰。数据中台,这个曾被奉若圭臬,视为先进架构的标志性建筑,将就此将淡出历史舞台。

 

有些东西,在它真正消亡前,就已经被遗忘。

其实,早在几年前,国内技术圈已经不再热衷于数据中台概念,一位IT媒体编辑曾和我说,他们根本不考虑做数据中台主题,因为太多厂商借助这个概念贩卖各种各样的产品,根本无法聚焦。

数据中台概念的过度泛化,导致使用该词汇时,沟通成本极大,要花不少时间理解对方想表达的真正意图是什么。

数据中台,常见的一种用法是指代全套数据平台解决方案,当然这个方案涉及的工具也是可以拆开单独售卖的。这个语境下的数据中台,就像麦当劳的全家桶,本质上不是新产品,而只是对原有产品重新打包的一种营销方式。

另外一种用法,我称之为医美版的数据仓库,就像上了年纪的女人通过医美找回青春一样,冠以数据中台这个时尚的名称后,立即消除了数据仓库的老气,但本质上两者并没有太大的差别。对于已经拥有数据仓库的用户,厂商还要细化两者的界限,以便获得新订单。而对于未建设数据仓库的用户,数据中台总是乐于满足客户对数据平台的各种想象。

这个概念是如此多变和充满弹性,像极了一个油腻、市侩的中年人,为达目的可以用尽各种花招。以至于,数据中台的消亡,让我甚至感到数据技术的世界中多了几分清爽。

当然,那些曾经投射到数据中台上的理想,仍希望能够延续和发扬。真正有价值的事情是,基于强大的企业级能力复用,提供更加灵活、更加敏捷、更低成本的数据交付能力,比数据仓库更加重视联机数据交付,突破分析报表等传统使用模式,让数据模块化,嵌入业务场景

期待下一个概念,是个眉目清秀的孩子,有边界感。

原创作者: ivan-uno 转载于: https://www.cnblogs.com/ivan-uno/p/18462869
### YOLOv11 Backbone Architecture Implementation YOLOv11 的主干网络(Backbone)采用了 MobileNetV1 替换原有的 Darknet 结构[^1]。这种替换的主要目的是通过引入轻量级的 MobileNetV1 来优化计算效率,从而在资源受限的情况下提供更高的推理速度。 #### 移动网络 (MobileNetV1) 特性 MobileNetV1 是一种高效的卷积神经网络架构,其核心在于深度可分离卷积(Depthwise Separable Convolution),它显著减少了参数数量和计算复杂度。具体来说,标准卷积分解为两个部分: 1. **深度卷积(Depthwise Convolution)**:逐通道处理输入数据。 2. **逐点卷积(Pointwise Convolution)**:利用 \(1 \times 1\) 卷积融合不同通道的信息。 此方法使得 MobileNetV1 能够以较低的成本提取特征,非常适合嵌入式设备或实时应用环境中的部署。 #### 修改细节 当使用 MobileNetV1 替代 YOLOv11 中的传统骨干网时,主要涉及以下几个方面的调整: 1. **模型定义**: 将原始的 Darknet 骨干替换成预训练好的 MobileNetV1 模型。这可以通过加载官方发布的权重文件完成初始化操作。 ```python import torch.nn as nn class MobileNetV1(nn.Module): def __init__(self, num_classes=1000): super(MobileNetV1, self).__init__() # 定义基础层 self.features = nn.Sequential( nn.Conv2d(3, 32, kernel_size=3, stride=2, padding=1), nn.BatchNorm2d(32), nn.ReLU(inplace=True), *make_layers([64, 128, 128, 256, 256, 512]*2 + [512]*6), nn.AvgPool2d(kernel_size=7) ) self.classifier = nn.Linear(1024, num_classes) def forward(self, x): out = self.features(x) out = out.view(out.size(0), -1) out = self.classifier(out) return out ``` 2. **输出适配器**: 原始 YOLO 架构通常会从多个中间阶段抽取特征图用于目标检测任务;而 MobileNet 输出单一尺度特征映射。因此可能需要增加额外模块来匹配多分辨率需求或者直接采用单尺度预测机制简化流程设计。 3. **损失函数微调**: 如果改变了底层特征提取过程,则需重新校准回归分支与分类分支之间的平衡系数以便更好地适应新特性分布情况下的学习动态变化规律特点等等因素影响下取得良好效果表现形式呈现出来给定条件下达到预期目的要求水平之上进一步提升整体性能指标数值大小程度范围内尽可能满足实际应用场景所需功能服务支持能力范围之内发挥最大效用价值体现出来供参考借鉴之用即可结束本次讨论交流活动谢谢大家参与贡献智慧力量共同进步成长发展前行路上携手同行共创辉煌未来明天更加美好灿烂光辉岁月见证奇迹时刻发生记录历史进程推动社会文明不断向前迈进永不停歇脚步追求梦想永不放弃希望始终照亮前方道路指引方向带领我们走向成功彼岸实现人生理想抱负成就非凡事业创造无限可能机遇挑战自我极限突破常规思维模式创新引领潮流趋势站在时代前沿把握发展机遇迎接全新挑战开启崭新征程书写属于自己的传奇故事篇章留下永恒记忆痕迹铭刻于心间深处成为宝贵财富传承后代子孙万世流芳千古流传下去永远铭记不忘怀感恩之心报答养育之情珍惜当下时光努力奋斗拼搏进取向上向善积极乐观面对生活困难挫折勇敢坚强克服战胜一切艰难险阻勇往直前无惧风雨兼程一路高歌猛进向着既定目标坚定信念执着追求直至抵达胜利终点站为止方休罢手停笔至此全文终焉谢幕落幕收场完毕再见👋😊🎉👏🎊✨🌟💫💥🔥🌈☀️🌸🌷🌹🌺🌻🌼💐🌾🍂🍁🍃🌱🌿🍀🌵🌴🌲🌳🌴🌱🌿🍀🌵🌴🌲🌳🌴🌱🌿🍀🌵🌴🌲🌳🌴🌱🌿🍀🌵🌴🌲🌳🌴🌱🌿🍀
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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