本文为大家介绍一个针对工业异常监控的解决方案架构，基于 DolphinDB 规则引擎，快速搭建一个化工异常检测及实时预警系统。

指由时间戳索引的一系列数据点，通常具有写入密集型、按时间顺序到达、查询强依赖于时间范围等特点，在工业场景中典型表现为传感器读数、设备状态日志等。

车联网系统中，利用大数据对驾驶行为进行研究，有助于了解驾驶员的特征，并提供优化建议。本文从用户驾驶行程中的速度偏好、驾驶风格、熟练度三个方面描述用户画像，并介绍如何使用 DolphinDB 基于 K-means 算法的聚类模型生成用户画像与个性化标签，完成数据存储、处理、特征提取、模型构建及预测等全过程。

模板匹配算法是一种基于信号相似性的匹配算法，主要利用信号处理中的相关性来进行模板匹配。在模板匹配算法中，需要先定义一个待匹配信号，即需要被检测的信号。然后，构造一个模板，模板是一种已知特征的信号，其特征可以用来描述所要匹配的目标。模板通常是人为制定的，可以根据需要来选择和设计。模板匹配的核心是通过计算信号之间的相关系数来比较待匹配信号和模板之间的相似度。相关系数是一种用于描述两个信号相似度的指标。

使用 DolphinDB 训练机器学习模型，并用 DolphinDB 流数据处理工具进行实时数据预测，能够实现网约车行程时间的预测。快来看看吧~

随着大数据技术在生产领域的深入应用，基于机器学习的智能预警已经成为各大生产企业进行生产数据异常率预警的一种有效解决方案。

本期故事的主角是一名长期深耕数据领域的独立开发者——他自研的 ftpClient 插件，不仅保证了数据备份分发、跨平台文件采集等场景中，数据的高效、稳定传输，更是消除了数据冗余落盘带来的 I/O 开销，通过原生集成简化了跨系统交互链路，显著提升了数据流转的自动化程度与一致性。

初冬的黄浦江畔寒意料峭，但在“第八届金猿大数据产业发展论坛”的现场，关于“AI Infra”的讨论却热度惊人。这并非一场普通的行业聚会，在大数据国家战略落地十周年的节点上，技术圈的焦虑与兴奋并存：当大模型狂飙突进两年之后，企业界赫然发现，那个被寄予厚望的“Data Agent”，正被陈旧的数据基础设施卡住了脖子。“在数字孪生的世界里，你的最终用户不一定是人，它可能是一个Agent。”

根据 Vanna 官方的训练建议，提升回答准确率的最重要的训练数据是问题-SQL 对，即对于一个提问，使用怎样的 SQL 来回答，这些数据能够使 LLM 理解并更准确地回答相似问题。

最近，幻方量化的老板、DeepSeek 的创始人梁文锋，在舆论场上坐了一趟过山车。但这不仅仅是个人的道德审判，更是一种对量化交易的集体拷问。我们不禁要问：梁文锋到底是用 AI 颠覆了世界，还是把他在金融市场磨炼出的“最快的刀”，换了一个地方“切菜”？而作为争议主角的量化交易，究竟是金融创新的驱动力，还是潜藏在市场深处的洪水猛兽？