- 博客(149)
- 收藏
- 关注
RSS订阅原创 AWS学习笔记-安全工具服务分类汇总
当需要接受外部审计时，它能帮你高效地把上述所有服务（特别是CloudTrail和Config）产生的记录，作为“我们确实按要求做了”的证据收集和整理起来。：它不会记录历史，也不强制检查，而是像一个顾问一样，告诉你“你的账户里有闲置的资源可以省钱”或“你的数据库没有开启备份，有风险”。：比如你需要确认“现在这个安全组是否是合规的（即没开放22端口）？”，或者想查看“这个EC2实例在过去一周的配置变化历史”。：比如你需要调查“谁在昨天下午删除了这个S3桶？
2026-09-02 10:27:19
339
原创 SSML（Speech Synthesis Markup Language，语音合成标记语言）
SSML（语音合成标记语言）是为语音合成引擎设计的"导演剧本"，通过XML标签精确控制语音输出的韵律、发音、角色等细节。它能调整语速音高、纠正特殊词汇发音、模拟多角色对话，并增强语音表现力。在车载场景中，SSML可优化导航指令清晰度，打造拟人化语音助手，并通过声学补偿技术提升嘈杂环境下的语音可懂度。作为W3C标准，SSML实现了文本到自然语音的智能化转换，是提升车载语音交互体验与安全性的关键技术。
2026-07-28 18:40:48
223
原创 机器学习生命周期的核心环节
本文系统梳理了机器学习项目的7个核心阶段：1）明确业务目标和评价指标；2）数据收集与探索性分析；3）数据预处理与特征工程；4）模型训练与参数调优；5）模型验证（离线验证防止过拟合）；6）模型评估（用独立测试集做最终评判）；7）部署上线与持续监控。特别区分了验证（开发阶段）与评估（最终测试）的不同作用，并强调模型上线后需监控数据漂移，形成迭代闭环。全文突出了数据质量决定模型上限、测试集只能使用一次等关键原则。
2026-07-28 18:39:20
683
原创 Amazon Transcribe 介绍和应用
AmazonTranscribe是AWS提供的自动语音识别(ASR)服务，可将音频/视频转换为高质量文本，支持100+语言和实时流式转录。核心功能包括智能标点、说话人区分、时间戳标记；提供医疗、呼叫中心等垂直场景专用版本。通过自定义词汇、语言模型提升专业领域准确率，具备PII过滤等安全功能。典型应用于客服质检、媒体字幕、会议纪要、医疗文档等场景，实现语音数据到结构化文本的转化，助力企业知识管理和内容创作。
2026-07-27 12:05:16
89
原创 AWS 责任共担模型（Shared Responsibility Model）简介
AWS责任共担模型明确了云安全中AWS与客户的分工：AWS负责底层基础设施（物理安全、硬件维护、虚拟化层），客户负责云中资源（数据、访问控制、操作系统配置）。责任划分随服务模式变化：IaaS（如EC2）客户管理最多，PaaS（如RDS）AWS承担部分运维，SaaS（如Lambda）客户仅需管数据权限。核心原则是AWS保"云安全"，客户保"云内安全"，任何一方的疏漏都会导致整体风险。
2026-07-27 11:51:04
361
原创 精确率（Precision）和召回率（Recall）在ML中含义
精确率和召回率是分类任务中衡量模型性能的核心指标。精确率（TP/(TP+FP)）反映模型预测正例的准确性，强调"宁缺毋滥"，适用于垃圾邮件过滤等对误报敏感的场景；召回率（TP/(TP+FN)）则体现模型识别正例的全面性，倾向"宁可错杀"，适用于癌症筛查等对漏报敏感的场景。简言之，精确率关注误判（FP），召回率关注漏判（FN）。
2026-07-27 11:41:57
294
原创 偏差（Bias）和方差（Variance）有什么区别？
本文阐明了机器学习中偏差（Bias）和方差（Variance）的概念及其与过拟合、欠拟合的对应关系：高偏差导致欠拟合（模型过于简单，训练集表现差），高方差导致过拟合（模型复杂，训练集表现好但测试集差）。通过射箭靶心的类比形象说明了两者的表现特征，并分析了各自的成因和解决方法（如调整模型复杂度、数据量等）。文章强调偏差与方差存在此消彼长的权衡关系，最佳模型需找到两者平衡点以使总误差最小。最后指出诊断模型问题时，应根据训练集和测试集的表现差异判断是高偏差还是高方差所致，进而针对性优化。
2026-07-27 11:33:22
182
原创 Vectors in LLM意义在哪里
本文阐述了向量在大型语言模型（LLM）中的核心作用。向量将离散文本转换为机器可处理的数值坐标，实现了人类语言与计算机计算的桥梁功能。具体表现为：1）统一文本的数字表示；2）通过向量空间编码语义关系（如词义相似性和类比关系）；3）支撑注意力机制的上下文计算；4）实现基于向量检索的知识增强（RAG）。文章将LLM比作"超级地图"，向量如同地理坐标，使模型能够进行语义计算、关系推理和知识检索。这些功能共同构成了LLM智能的基础，展现了向量在自然语言处理中的关键地位。
2026-07-27 11:29:09
335
原创 Amazon Lex
Amazon Lex是AWS提供的AI对话服务，基于Amazon Alexa技术，支持语音和文本交互的聊天机器人开发。其核心流程包括意图识别、信息收集和业务执行，无需机器学习专业知识，通过控制台即可配置。应用场景涵盖智能客服、自助交易、信息咨询、设备控制和企业生产力工具。最新趋势是集成生成式AI，简化构建流程并提升对话质量，如自动生成配置和样本语句，以及结合LLM增强理解和响应能力。
2026-07-27 11:15:21
201
原创 Amazon Comprehend 的服务功能与案例的汇总整理
Amazon Comprehend是AWS提供的自然语言处理（NLP）服务，通过预训练模型自动分析文本，提取实体、关键短语、语言、情绪等元素，支持实时和批量处理。核心功能包括基础文本分析、自定义模型训练（分类/实体识别）和智能文档处理（PDF/Word直接解析）
2026-07-27 10:14:53
712
原创 Sagemaker简介
集成Model Cards、Endpoints和Model Monitor，显示模型元数据、端点及监控洞察，帮您快速发现缺失或非活跃监控的模型。· 官方定位：不仅用于创建高质量训练数据集，更是一套全面的“人在回路”模型自定义功能，在整个ML生命周期中利用人类反馈提高模型准确性。· 功能：包括数据生成、注释、模型审查、自定义和评估，甚至提供实践科学和工程支持来微调模型。· 官方定位：一个机器学习（ML）中心，提供预训练的开源模型和基础模型。· 官方定位：用于理解公平性和模型可解释性，解释和检测模型中的偏差。
2026-07-26 22:44:16
228
1
原创 模型推理与模型评估：核心区别与应用场景
机器学习中模型推理与评估是两大关键环节：推理是将训练好的模型投入实际应用，实时处理新数据并生成预测结果（如聊天机器人回复），注重低延迟与高吞吐；评估则是开发阶段的质量检验，通过测试数据和指标（如准确率）量化模型性能，用于算法选型和调优。两者协同形成闭环——评估确保模型质量，推理实现价值创造，共同构建可靠AI系统。核心区别在于：推理面向线上实时应用，评估是线下质量把控。
2026-07-26 18:23:09
558
原创 BERT 家族
知识蒸馏（Knowledge Distillation）：使用原版 BERT 作为“教师模型（Teacher）”，训练一个只有 6 层（BERT 是 12 层）的“学生模型（Student）”。* 解决的痛点：BERT 的 MLM 机制存在“预训练与微调不一致”的问题（因为输入中带有 [MASK] 这种人工假词，而微调时没有）。是工业界落地的首选模型之一。* 解决的痛点：BERT 的自注意力机制将“词的内容”和“词的位置”混合在一个向量里，导致模型对位置关系的捕捉不够精细。
2026-07-26 08:21:13
178
原创 双向Transformer 编码器BERT
例如：“我喜欢吃 [MASK] 和香蕉”，模型必须同时看到“吃”和“香蕉”，才能准确推断出被遮盖的词是“苹果”。在 BERT 之前，主流的语言模型（如 GPT 早期版本）大多是“单向（Unidirectional）”的，即只能从左到右（或从右到左）依次预测下一个词。无论“苹果”是指水果还是手机公司，它的向量永远是一样的。* 在“我买了一部苹果”中，“苹果”的向量则会与“买”、“手机”、“科技”等特征融合。* 在“我吃了一个苹果”中，“苹果”的向量会大量吸收“吃”、“水果”等词的语义特征。
2026-07-26 08:19:36
196
原创 模型可解释性（Model Explainability）概念
全局解释 (Global Explanation): 它展示的是一个或两个特征对模型预测结果的边际效应（Marginal Effect）。机器学习中模型可解释性（Model Explainability）的两个重要概念：Shapley 值（通常指 SHAP）和部分依赖图（PDP）的区别。- 用途: 适用于理解“在整个数据集中，某个特征（如房屋面积）的变化通常如何影响模型的整体预测趋势”的场景。- 用途: 适用于需要解释“为什么模型对这个特定的客户做出了这样的预测”的场景。
2026-07-26 08:10:29
234
原创 TOP K， TOP P，Tempature 在模型创造性和多样性的区别
Top P 通过设定一个概率阈值（例如 0.9），只保留累积概率达到该阈值的那些最可能的 token 作为候选池，然后在这个缩小后的池子中进行采样。* 效果：防止模型选择极低概率的“乱码”词，但 K 值是固定的，无法适应所有语境（有些语境下只有 2 个合理词，有些语境下有 50 个合理词）。追求准确，不要发散。* 作用：无论这 K 个词的概率加起来是多少，或者第 K+1 个词的概率有多接近，都直接丢弃。* 作用：在模型计算下一个词的概率后、采样前，用温度值去除这些概率的 Logits。
2026-07-26 08:02:49
186
原创 基础模型与大型语言模型：生成式 AI 中的差异解析
本文探讨生成式AI中基础模型（FM）与大型语言模型（LLM）的核心区别。LLM专攻文本处理（如GPT-4），基于Transformer架构，以语言生成和理解为核心；FM则覆盖多模态（图像、音频等），如CLIP或Stable Diffusion，适用于更广泛的通用任务。关键差异包括：1）模态范围（LLM限于文本，FM支持全模态）；2）层级关系（LLM是FM的子集）；3）训练目标（LLM优化语言任务，FM侧重跨模态表征）。开发者需根据任务需求（文本/多模态）、推理成本和数据隐私选择模型。
2026-07-25 21:24:21
912
原创 Amazon Rekongition
Amazon Rekognition 是一项基于深度学习的计算机视觉服务，主要包含 Amazon Rekognition Image（图像分析） 和 Amazon Rekognition Video（视频分析） 两大核心服务集。1. 图像分析服务 (Amazon Rekognition Image)2. 视频分析服务 (Amazon Rekognition Video)3. 高级自定义与批处理服务。
2026-07-23 11:00:57
241
原创 Amazon Bedrock
Amazon Bedrock Guardrails 通过跨基础模型 (FM) 的全面安全和隐私控制，提供一致的用户体验，帮助检测和过滤不良内容，保护用户输入或模型响应中可能存在的敏感信息（不包括推理内容块）。您可以尝试不同的配置，并使用内置的测试窗口来确定它们能否满足您的应用场景的需求。— 如果模型响应中的幻觉不在源中扎根（事实上不准确或添加了新信息），或者与用户的查询无关，则此过滤器可帮助您检测模型响应中的幻觉。如果模型的响应偏离了检索到的来源中的信息，或者没有回答用户的问题。
2026-07-07 23:47:19
209
原创 汽车行业 AI 合规、治理与应用对标研究报告：全球政策与 TOP10 OEMs 全景分析
摘要： 随着AI技术成为自动驾驶、智能座舱和车联网的核心支撑，全球汽车产业面临高阶自动驾驶安全、用户隐私泄露和数据跨境传输等新挑战。AI应用正从功能辅助转向全场景核心支撑，合规体系也从被动满足标准升级为主动覆盖全生命周期风险。全球监管呈现“标准趋同、区域分化、技术嵌入”特征，ISO 42001、UN R155/R156等成为基础准入要求，而欧盟、中国、中东等地区法规在风险分级和全生命周期管理上逐步趋同但执行差异显著。 报告分析了全球TOP10车企的合规战略
2026-07-06 23:04:59
447
原创 FDTI 与 FRTI 技术定义及其和信号周期（Cyclic Time）关联分析报告
要理解 FDTI、FRTI 与 CAN 信号周期的关联逻辑，必须先从汽车行业的核心功能安全标准 ISO 26262 入手 —— 该标准对这两个时间参数的定义、技术内涵和系统级约束做了明确的权威界定。这两个参数并非孤立存在，而是嵌入在由多个时间指标串联形成的故障处理完整链条中。2.1 基础标准定义在 ISO 26262 汽车功能安全标准的官方术语表中，FDTI 与 FRTI 是故障响应链条上的两个连续时间片段，二者有着严格的先后顺序和明确的技术边界。2.1.1 故障检测时间间隔（FDTI）。
2026-07-01 21:55:59
489
原创 项目分析：优势、挑战与初步步骤
定义：项目分析是系统性地分析数据以获取信息、辅助决策的实践。它通过应用统计模型，帮助项目经理超越单纯的数据收集，深入洞察项目绩效，预测未来趋势，并指导采取最佳行动。核心价值基准对比 (Benchmarking)：将项目绩效与内部（如不同团队、部门）或外部数据集进行对比，发现改进空间。提升预测准确性 (Forecasting Accuracy)：在项目早期识别潜在问题，为采取纠正措施赢得时间，避免后期出现重大超支。时间序列分析 (Time-series Analysis)
2026-06-30 09:18:52
169
原创 项目管理的度量：如何度量和跟踪成功
在开始项目前，团队应对“成功”有清晰的共识。按时交付：在截止日期前完成项目。不超预算：在没有额外成本支出的情况下完成。达成目标：实现了项目启动时设定的所有目标。获得积极反馈：从利益相关者和客户处获得良好评价。指标 (Metric)：衡量特定过程状态的量化单位。关键绩效指标 (KPI)：衡量绩效的指标，用于判断组织是否取得成功，通常是回顾性的。目标与关键成果 (OKRs)：一种目标设定框架，通过组织预设的目标和展示进度的关键成果，来创造清晰度、专注度和一致性。目标 (Objective)
2026-06-30 09:15:50
235
原创 项目管理-省钱如何
预算永远是有限的，正如那句老话说的：“钱再多也不嫌多！”对于项目而言，如果实际花费超出了预算基线，我们就需要动用一些“锦囊妙计”来进行优化。
2026-06-01 09:49:54
492
原创 项目管理-验收标准 vs. 验收测试
范围规划与定义：通过收集需求，明确项目边界，制定范围管理计划。范围分解 (PBS & WBS)：用 PBS 明确“交付什么（名词）”，用 WBS 拆解“如何完成（动词）”，确保工作不重不漏。需求开发与获取：运用访谈、观察、研讨会等技巧，结合用例（Use Cases）将抽象需求转化为具体的系统行为。验证与确认 (V&V)：通过 Verification 确保“做得正确”（符合规范），通过 Validation 确保“做了正确的东西”（满足业务价值）。范围控制与验收。
2026-05-31 20:25:26
211
原创 项目管理-如何获取需求
从范围管理到需求开发，我们已经搭建了项目的骨架。现在，我们需要通过“需求获取（Elicitation）”和“用例（Use Cases）”来为项目填充血肉，把抽象的需求真正落地。
2026-05-31 20:23:40
171
原创 项目管理-需求的四大分类
掌握这套分类和流程，能帮你把客户口中模糊的“想要”，转化为团队手中可执行、可度量的“需要”。如果在实际项目中遇到具体的需求冲突或模糊情况，也可以随时拿出来我们一起探讨！在实际项目中，搞清楚客户“真正想要什么”往往是最难的。资料中提到，需求错误的主要来源是客户提供了错误的事实，其次是遗漏、不一致、歧义甚至完全放错位置的需求。而在现代项目环境中，需求管理是贯穿整个项目生命周期的。比如，如果客户提了一个需求：“系统的性能必须始终保持在接受水平”。在将其转化为可执行的任务前，必须对其进行细化和明确。
2026-05-31 19:23:54
227
原创 项目管理-WBS 的创建法则、核心步骤以及避坑指南
WBS 的创建法则、核心步骤以及避坑指南：一个合格的 WBS 必须满足以下标准，以确保项目工作“不重不漏”：第一步：从 PBS “叶子节点”出发拿出之前做好的 PBS，针对每一个最底层的交付物（叶子节点），列出生产它所需的所有任务。这就构成了 WBS 的最顶层。第二步：层层分解，直到满足“退出标准”将任务不断向下拆解，直到满足以下条件即可停止：第三步：查漏补缺“辅助活动”检查是否遗漏了那些看不见但必须做的工作，例如：内部质量保证、评审、根据评审/测试意见修改文档等。为了让 WBS 结构清晰、易于理解，
2026-05-31 19:23:10
560
原创 项目管理-产品分解PBS和工作分解WBS
项目范围管理的核心在于“画圈定界核心定义：明确项目要产出什么成果（Outcome），以及为了创造这些成果需要完成哪些工作，并确保只做且必须做完这些工作。关键动作：项目经理必须从所有利益相关者（Stakeholders）那里收集需求，并获得正式批准。如果只听取少数人的意见，极易导致范围定义错误甚至项目失败。防范范围蔓延：项目中变更是不可避免的。必须建立完善的变更管理流程，综合考量时间、成本、风险等因素，以控制“范围蔓延”（Scope Creep，即项目范围无序增长）。PBS 是回答“我们要交付什么？
2026-05-31 19:22:18
648
原创 SASO GSO 42智能座舱要求研究
海湾合作委员会(GCC)认证：适用于包括沙特在内的7个海湾国家，由海湾标准化组织(GSO)统一管理，采用GSO标准，认证标志为G-Mark。SABER电子认证平台：由沙特标准、计量和质量组织(SASO)开发的在线系统，用于产品注册、发行和获取符合性证书，包括PC证书(产品符合性证书)和SC证书(装运符合性证书)。CST认证。
2026-05-30 11:42:40
443
原创 UNECE R125 深度分析：智能座舱 IVI、仪表及 ADAS 功能合规性解读
UNECE R125 并非智能座舱或 ADAS 功能法规，而是驾驶员前方视野法规。它对 IVI 和仪表的要求集中于物理遮挡限制；对 E-Mirror、BSD、LKA、SVM 等功能没有直接的技术性能要求。这些功能分别由 R46、R151、R79、R158 等法规规管。R125 与智能座舱的真正交集在于 FVA（HUD/AR-HUD）：若座舱系统通过前风挡投影方式显示信息，则必须严格遵守 R125 02 系列关于显示区域、内容类型、手动控制及故障保护的强制性要求。
2026-05-30 11:28:13
441
原创 UNECE R122 法规深度分析报告
这意味着，加热系统本身具备完整的安全闭环控制能力，与智能座舱的系统级交互在安全维度上是非关键的 —— 这是 R122 与智能座舱核心子系统无直接技术关联的核心技术依据。虽然 R122 未对 HVAC HMI 提出直接要求，但加热系统的安全控制逻辑，会间接地限制 HMI 上空调控制功能的执行范围 —— 这一影响的本质，是加热系统的安全优先级高于用户的舒适体验操作优先级，其技术传导逻辑是：加热系统的安全控制单元，会通过整车通信网络，将系统的工作状态或故障信息传递到 HVAC HMI 的控制执行端；
2026-05-30 11:16:00
416
原创 Google AAOS 2026发布深度解析与对中国车企出海的战略启示
本文深入分析了Google AAOS 2026年发布的核心内容及其对中国车企出海的战略影响。研究发现，AAOS 2026通过Gemini 3.5 Flash的深度整合、3D沉浸式导航和开发者工具升级，构建了更强大的智能座舱平台。技术自研派（如比亚迪、蔚来）与生态合作派（如极氪、理想），并评估了AAOS对中国车企出海的技术适配性及本地化挑战。基于实证数据，研究建议中国车企应采取分层策略选择车载系统，高端市场可采用AAOS+Gemini方案，中低端市场优先考虑本地化支持完善的方案。
2026-05-29 18:12:49
653
原创 车载导航市场与技术对标分析报告
全球车载导航系统市场在2025年估值约165亿美元，预计以10.4%年复合增长率增长至2035年。受中国车企出海浪潮驱动，2025年中国汽车出口量达709.8万辆，连续三年蝉联全球第一。本报告聚焦五大核心图商Petal Maps高德AutoSDKTomTomHEREMapbox定位华为生态组件中国出海方案全球图商+中国伙伴全球图商基建开发者平台核心集成方式SDK集成（标准C++/Java）导航应用+ADAS SDKSD Map✅✅✅✅LD Map✅✅✅⚠️（部分）
2026-05-28 20:29:21
769
原创 华为花瓣地图海外版市场与技术对标分析报告
总结华为花瓣地图海外版通过差异化技术策略和本地化合作，已在全球160多个国家和地区建立市场基础。其核心优势在于厘米级定位精度、离线地图包体积压缩、与TomTom等国际图商的技术合作以及针对不同区域市场的特色功能开发。虽然在欧美成熟市场仍面临品牌认知度和生态整合的挑战，但在新兴市场表现突出，特别是在东南亚、非洲等地区。建议技术团队持续优化厘米级定位技术，降低对5G基站的依赖加速AR导航硬件适配，支持更多华为终端开发AI辅助数据更新工具，提升数据更新效率决策者。
2026-05-28 19:32:24
629
原创 座舱域控-架构基础1.1
接上文：https://blog.youkuaiyun.com/weixin_44665232/article/details/161392778?spm=1011.2124.3001.6209https://blog.youkuaiyun.com/weixin_44665232/article/details/161392778?spm=1011.2124.3001.6209关于主SoC与车辆接口处理器（MCU/VIP）之间通信，这部分实际操作的少，不属于具体实操范围，整理了下了解的，不过这确实是座舱域控开发中最底层、也最考验系
2026-05-25 14:46:45
1080
原创 座舱域控-架构基础1
多年之后，想要总结一下；在智能座舱域控软件系统的开发中，“主SoC与车辆接口处理器（VIP/MCU）之间的IPC”以及“Android与QNX之间的跨分区通信”，正是目前座舱架构中最核心、也是最考验技术功底的通信链路。
2026-05-25 14:29:02
475
原创 AI基础_LLM推理过程
2. 选择 Token： 假设模型计算出在“今天天气”后面，接“很”的概率是 30%，接“不”的概率是 25%，接“还”的概率是 20%。如果对话太长，最早的记录就会被强制“遗忘”。模型的工作原理是自回归（Auto-regressive）的，也就是说，它会一次只生成一个 Token，然后把这个新生成的 Token 加入到已有的序列中，再去预测下一个 Token。总结来说，LLM 推理就像是一个超级厉害的“文字接龙”高手，它通过海量的训练数据，极其精准地猜出你下一句最想看到的是什么字，从而流畅地与你对话。
2026-05-13 22:44:43
223
【计算机视觉与人机交互】基于视觉语言模型的汽车用户界面理解框架：利用合成数据微调实现UI视觉定位与评估
2025-11-02
DriveVLM The Convergence of Autonomous Driving and Large VLM
2025-10-12
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人