logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

【软件系统架构设计师论文展播-2024年-论多源异构数据集成方法与应用】

本文以“智慧城市政务数据中台”项目为背景,论述了多源异构数据集成的方法与应用。面对数十个委办局数据源在结构与语义上的异构性挑战,项目综合运用数据湖集中采集、ETL按主题入仓及联邦查询等方法,构建了混合集成架构。实施中通过建立数据标准与质量稽核平台解决了数据质量问题,采用批流一体架构满足了实时与批量处理需求,并构建了统一权限与脱敏机制保障数据安全。最终成功打破了数据壁垒,形成了统一的高质量数据资源体

文章图片
#系统架构
Qwen+RAGFlow本地部署构建企业知识问答系统全指南

本文详细介绍了基于Qwen大语言模型和RAGFlow检索增强生成引擎的企业知识问答系统本地化部署方案。系统通过RAGFlow构建知识库,集成Qwen模型提供智能问答能力,支持PDF、Word等多种文档格式解析。部署过程涵盖环境准备、RAGFlow配置、Qwen模型集成、知识库构建优化及AI助手创建等关键步骤,可有效解决企业知识分散、查询效率低下的问题。该方案支持CPU/GPU部署,提供精准引用和高

文章图片
#人工智能
【小基站芯片测试与验证】

小基站芯片测试与验证技术发展 5G网络部署背景下,小基站芯片测试验证面临技术挑战与发展机遇: 测试技术趋势:标准体系快速演进(3GPP Release 18、O-RAN规范),测试需求多元化(射频性能、协议一致性等),智能化转型(AI辅助测试) 芯片架构特点:分为SoC和虚拟化架构,呈现集成化(基带+NPU+CPU单芯片)和智能化发展趋势 测试方法论:基于规范测试、事务级验证等系统化方法,覆盖全生

文章图片
以高中生视角深入浅出理解人工智能及其应用

理解人工智能的原理、算法和应用对于高中生来说,是一个充满挑战但又极具价值的探索旅程。虽然涉及数学和编程,但完全可以从基础概念、直观理解和实际应用入手,逐步深入。

文章图片
#人工智能#机器学习#生活 +1
Qwen+RAGFlow本地部署构建企业知识问答系统全指南

本文详细介绍了基于Qwen大语言模型和RAGFlow检索增强生成引擎的企业知识问答系统本地化部署方案。系统通过RAGFlow构建知识库,集成Qwen模型提供智能问答能力,支持PDF、Word等多种文档格式解析。部署过程涵盖环境准备、RAGFlow配置、Qwen模型集成、知识库构建优化及AI助手创建等关键步骤,可有效解决企业知识分散、查询效率低下的问题。该方案支持CPU/GPU部署,提供精准引用和高

文章图片
#人工智能
RAG检索增强生成 技术原理及应用全面分析

摘要 RAG(检索增强生成)技术通过融合检索系统与生成模型,解决了大语言模型的知识截止和幻觉问题。其核心流程包括离线构建知识库索引和在线检索生成两个阶段,通过语义检索增强提示输入,显著提升模型在知识密集型任务中的表现。技术演进经历了从基础检索到模块化、智能体协同的发展,目前正向多模态支持、复杂推理和实时处理方向突破。在医疗领域,RAG应用于临床决策支持、病历分析和药物研发;在金融领域,则服务于风险

文章图片
#RAG#AI#人工智能
测试可测性设计准则

软件可测试性是保障软件质量的关键特性。它涵盖可观察性,即软件运行能输出关键信息助于了解内部状态;可控制性,测试人员可灵活操控输入与功能;可拆解性,软件模块划分合理、依赖清晰便于独立测试;可再现性,相同条件下软件行为一致、结果可重复。遵循这些原则,能提升测试效率与准确性,及时发现并修复问题,确保软件稳定可靠运行。

文章图片
#测试用例#可用性测试
AI 编程环境与主流 AI IDE 对比分析报告

摘要 AI编程环境已成为软件开发工具的重要演进方向,2025年市场规模达77亿美元,预计2029年将达181.6亿美元。AI编程环境可分为五大类型:AI原生IDE(如Trae、Cursor)、IDE插件扩展类(如GitHub Copilot)、云端AI开发平台(如Google Project IDX)、AI生成定制化IDE及多智能体协作平台。功能上分为L1-L5五个等级,从基础代码补全到AI开发团

文章图片
#人工智能#ide
金融领域 AI 全栈开发实践与案例分析

金融AI全栈开发实践摘要 本文系统介绍了金融领域AI全栈开发的技术架构与实践方案。金融AI技术体系采用五层架构:算力层提供GPU/NPU集群支持;数据层处理5PB多源异构数据;框架层集成10+基础模型;模型层融合监督/无监督学习及深度学习;应用层实现智能风控、投顾等场景。 核心技术选型包括:Milvus向量数据库实现毫秒级检索;"基座+微调"策略优化大语言模型;Flink+Ka

文章图片
#金融#人工智能
【大模型基准测试】

大模型基准测试:原理、方法与挑战 本文系统探讨了大模型基准测试的关键技术与实践。首先阐述了基准测试的核心价值与标准化流程,包括需求分析、数据构建、测试执行和结果评估等环节。文章重点分析了评估大模型面临的特殊挑战,如处理逻辑不可还原、评估维度多元化和文化偏差等问题,并对比了与传统软件测试的本质区别。在测试用例设计方面,详细介绍了四类典型基准:通用语言理解(MMLU、C-Eval)、推理与数学能力(B

文章图片
#人工智能
    共 38 条
  • 1
  • 2
  • 3
  • 4
  • 请选择