Wang Jianmin, Tsinghua Üniversitesi: Büyük Veri Sistemi Yazılımı Endüstriyel Dijital Dönüşüme Yardımcı Oluyor
AIoT entegrasyonu yükselişte ve endüstriyel üretimin akıllı dönüşümü yakın.
Endüstride AIoT endüstrisine ilişkin yeni bir anlayış oluşturmak için AIoT pan-endüstri "bulut, tüp, uç ve son" gelişimini ve akıllı üretim endüstrisini analiz edin, mevcut AIoT endüstrisi iniş ikilemini ve endüstriyel İnternet geliştirme fikirlerini tartışın, 22 Kasım 2019 , Global AIoT Industry · Akıllı Üretim Zirvesi, görkemli bir şekilde Shenzhen'de gerçekleştirildi. Bu konferans Leifeng.com tarafından düzenlendi ve Shenzhen Yazılım Endüstrisi Derneği, Shenzhen Büyük Veri Endüstrisi Derneği, Shenzhen Yapay Zeka Derneği ve Shenzhen Yapay Zeka Endüstrisi Derneği tarafından desteklendi. .
Öğleden sonra Endüstriyel Dijital Dönüşüm Forumunda, Yazılım Okulu Dekanı, Bilgi Fakültesi Dekan Yardımcısı ve Tsinghua Üniversitesi Büyük Veri Araştırma Merkezi İcra Direktörü Wang Jianmin ilk olarak "Büyük Veri Sistemi Yazılımı Endüstriyel Dijital Dönüşüme Yardımcı Olur" konulu bir akademik rapor getirdi. Endüstriyel dijital dönüşüm, büyük veri sistemi yazılım mühendisliği ve üretimde büyük veri uygulamasının üç bölümü hakkında bilgi veren Dean Wang Jianmin, endüstriyel üretimin gelişmesi için kaçınılmaz yolu tanıttı ve endüstriyel dijital dönüşümün temel amacının insanlar ve ekipman arasında olduğuna dikkat çekti. Organik füzyon. Daha sonra ikinci bölümde büyük veri yazılım teknolojisini tanıttı, amaç büyük verinin dört çağrışımını araştırabilmek. Üçüncü bölüm endüstriyel büyük verinin bazı pratik uygulamalarını paylaşıyor.
Wang Jianmin, Yazılım Okulu Dekanı, Tsinghua Üniversitesi, Bilgi Okulu Dekan Yardımcısı, Büyük Veri Araştırma Merkezi İcra Direktörü
Aşağıdaki konuşma kaydıdır:
Genel olarak dünya değişti ve imalat sanayi değişti. Bu, Harvard Üniversitesi'nin 2014'te bilgi teknolojisinin bir ürün devrimi yarattığı ve ürün yükseltmenin küresel üretimin gelişmesi için tek yol olduğu şeklindeki çok ünlü bir tezi. Üretim sadece bir ürüne değil, tüm ürünün işleyişinin ekolojisine bağlıdır ve sınır ötesi olup bir traktörle başlar, sonra bir antenle başlar ve son olarak hava durumu verileri, tohum verileri ve tarımsal sulama verileri ile ilişkilendirilmelidir. Bu modern tarım, modern endüstri ve modern hizmet endüstrisidir. Modern endüstri devrimi birincil, ikincil ve üçüncül endüstrileri bulanıklaştırmıştır.
Endüstriyel dijital dönüşüm
Şu anda, imalat sanayinde bir makas eğrisi ortaya çıkmaktadır ve malzeme ürünlerinin pazar kapasitesinin sınırlandırılması gerekmektedir. Çıkış nerede? İnovasyon, başkalarının yapmadığı yeni ürünler yapıyorum. Bir diğer şey de eski ürünleri iyi kullanmak, servis yapmak ve hizmet verme sürecinde yenilik yapmaktır, işte böyle bir süreçtir.
Bugün Endüstriyel İnternet'ten bahsediyoruz.Bunlardan biri de yükseltme. 5G ve AloT ürünleri yükseltmek. Ayrıca bilgiyi yaymak ve paylaşmak için Leifeng.com gibi daha endüstriyel formlara ihtiyacımız var. İmalat sanayine yardım etmek aynı zamanda imalat hizmetleri yapmaktır.
Endüstriyel dijital dönüşümün temel amacı, insanlar ve makineler arasındaki etkili entegrasyondur.Bence az önce bahsedilen yükseltme ve dönüşümün bir unsurunun ihmal edilen insanlar olduğunu düşünüyorum. Gerçekte konuşulan şey, insan ile toplumun, insanın ve makinenin uyumlu bir şekilde bir arada varoluşudur. Buradaki insanlar bazen nesneleştirilmek zorunda kalıyor ki bu çok trajik bir şey.
Bir yandan ekipmanın kişileştirilmesi gerekirken, diğer yandan insanlar endüstriyel üretim geliştirme sürecinde ekipman olarak nesnelleştirilecek. Bu iyi mi kötü mü? Bence durdurulamaz ve başka seçenek yok. Bu süreçteki en yüksek seviye, insanların ve makinelerin entegrasyonudur.Makineyi çalıştırırken, makinenin beni anlamasına izin verin ve makine tarafından hizmet verildiğinde, umarım makine beni anlar.
Bugün bahsettiğim konu büyük veri ... Dördüncü Genel Oturumda büyük verinin yatırım ve paylaşım için bir üretim aracı olarak kullanılabileceği söylendi ... Benzer şekilde veri de tüm sektörün dijital dönüşümünün anahtarı. Bir süre Siemens paylaşımları olacak ... Siemens şüphesiz Endüstri 4.0'ın dönüşümü ve yükseltilmesinde lider.
Ancak herkes soruyor, endüstriyel büyük veri ile diğer büyük veriler arasındaki fark nedir? Aşağıdaki cümle hepsini temsil etmeyebilir, ancak bir bakış açısını temsil eder. Endüstriyel büyük veri, fiziksel nesnelerle birleştirilmelidir.Bu, endüstrinin temel unsurudur. Endüstride büyük bir bilgi var ve bu bilginin çoğu alan bilgisidir. Bu nedenle, son 200 yılda endüstriyel medeniyetin gelişimi modern bir toplum yarattı. Bunu terk edersek, her zaman "İnternetin ilk yarısı, Endüstriyel Nesnelerin İnternetinin ikinci yarısı" deriz. Çok fazla fark yok.
Büyük veri yazılım teknolojisi
Yazılım yapıyorum. Büyük verinin yazılım teknolojisine tekrar bakacağım. Neden bahsettiğimi açıklığa kavuşturmak için aşağıdaki şekli kullanın. Bugün herkes büyük veriden bahsediyor. Kişisel olarak onu dört ana bölüme ayırıyorum.
Büyük verinin bir anlamı, topladığımız ve gerçekleştirdiğimiz 0 ve 1 varlıkları olan büyük veri kümesidir. Diğeri ise problemleri çözmek için büyük veriyi kullanmaktır, yani büyük veri uygulamaları.Veri hayatın her alanında problemleri çözer ve değer yaratır. Çin'in dijital ekonomisinin 30 trilyon RMB ölçeğiyle GSYİH'nın 1 / 3'üne ulaştığına dair bir rapor var. Ancak 2009'da Googleın ABDnin tamamına katkısı 540 milyar ABD dolarıydı ve hâlâ çok sayıda ev ödevi yapmamız gerekiyor. Hizmet verdiğim Ulusal Bilgi Güvenliği Standardizasyon Komitesi bünyesindeki Büyük Veri Güvenliği Standardizasyon Görev Gücü, yapay zeka, blockchain ve bulut bilişim gibi güvenlik standardizasyon çalışmalarını da içeriyor.
Şimdi büyük veri yazılımlarına bakalım, bu 2016 yılı için eksik bir istatistik. Büyük veri açık kaynak yazılımların arz tarafı çok zengin. Sorun şu ki, pek çok şey bu kadar basit bir sorunu çözmekten başka bir şey değil, yani fili beş adımda buzdolabında tutmak, toplamak; sonra çıkarmak, temizlemek, işaretlemek; sonra bütünleştirme ve birleştirme; anahtar, analiz etmek, modellemek ve sonunda sonuçları yorumlamak ve uygulamaktır.
Bu beş adımdaki zorluklar nelerdir? Heterojen zorluklar, ölçek zorlukları, zamanlılık zorlukları, mahremiyet zorlukları ve insan-bilgisayar etkileşimi ve işbirliği var. Sorunu bu beş adımdan sonra çözerseniz, şanslı olacaksınız ve büyük veri çok basit hale gelecektir.
Gerçek durum böyle değil döngüseldir.Bazen bu döngüden çıkmak zordur.Sorunu çözmek için mevcut verileri bulmak ve verileri biraz anlamak gerekir. Şu anda birçok döngü olabilir.Genellikle iş problemlerini çözmek için kullanılabilecek veriler çok azdır.İşletmeler çok fazla veriye sahiptir, ancak sorunları çözmek için kullanılabilecek bir veri setinden yoksundurlar. Aslında, şirketler özellikle endüstriyel şirketlerde büyük veri projeleri yaparken, konu seçimi zor bir sorundur. İyi konu seçimi işin yarısıdır. Çoğu zaman iyi bir konu seçimi bulamazsınız. Tabii ki, birçok insan iş anlayışı ve veri anlamadan dümdüz gidebilir ve sonuç çok risklidir.
Konu neredeyse güvenilir hale geldikten sonra veri modellemesi yapacağız. Şimdi sözde makine öğrenimimiz, eğitim setinizin ve uygulama senaryonuzun eşleştiğine, yani bağımsız ve aynı şekilde dağıtıldığına dair güçlü bir varsayıma sahiptir, ancak bu varsayım doğru değilse, model tahmini güvenilir değildir. Büyük veri geleceği öngördüğü için, gelecekteki veriler bağımsız ve özdeş dağıtım gerekliliğini karşılıyor mu? Yani modeli değerlendirmek için, eğer şanslıysanız ve patron çok talep etmiyorsa, analiz modeli neyse ki çevrimiçidir. Bu en iyi çözümdür Bu bataklıktan çıktığınız için tebrikler. Öğrendiğiniz sonuçlar çoğu zaman endüstriyel sitenin gereklilikleriyle eşleşmiyor. Örneğin, bilgisayar anakartının lehim bağlantılarının kalitesini görmek istiyorum. Manuel inceleme% 99,99'a ulaştı. AI programınız ondalık basamağa ulaşmasına rağmen% 99,98'e ulaşırsa Üçüncüsü, ancak bu iyi değil, bu nedenle endüstriyel uygulama senaryolarının gereksinimleri, İnternet'in doğruluk gereksinimlerinden çok daha büyüktür.
Google önerilerinin neden bu kadar çok para kazandırabileceğini düşünüyordum. Bildiğim kadarıyla PV dönüşüm oranı sadece binde 20, ancak bu sektörde çok etkileyici. Ancak endüstriyel uygulamalarda sadece binde 20'lik bir doğruluk oranına sahipseniz, patron bunu satın almayacaktır. Endüstriyel ortamın veri kalitesi neden önemlidir? Çünkü endüstriyel ortam, yüksek veri analizi sonuçları gerektirir.
Bir veri sistemi nasıl kurulur? Büyük veri uygulama sisteminin temel özelliği kişiselleştirmedir, örneğin her büyük veri uygulaması sürekli yenilenen bir villadır. BAT, tüketici interneti alanında çok iyidir Bu şey sektöre itilecekse her şey kolayca çözülecek mi? Geçtiğimiz birkaç yıl içinde ne kadar çok şey başardığımıza ve kaç endüstriye indiğimize bir bakalım. Evinizin villalarında başkalarının kullanılması uygun değildir. Bu nedenle, bu konuda kişiselleştirme özüdür, nasıl kişiselleştirilir, bu bizim metodolojimizdir. Farklı seviyelerde tartışılan konular.
Örneğin Berkeley, herkesin kullanabileceği bir büyük veri yazılım yığını geliştirip geliştiremeyeceğini düşünüyor.Amazon da bu konu hakkında düşünüyor. Bulut bilişimin başlangıcından büyük veriye ve Nesnelerin İnternetine kadar Amazon çok iyi.Amazon'un sorduğu soru, bir referans mimarisi var mı? Bu referans mimari, hayatın her alanında kullanılabilir ve takip edilebilir. Bu kadar çok araçla, bazıları şimdi ve bazıları orijinal olan yüzlerce ana akım araca baktık.Büyük veri problemlerini çözerken benim için hangi araçlar uygundur? Bu araçları nasıl kullanmalıyım? O zaman bu araçları neden kullandığımızı sorun.
NIST, büyük veri sistemlerinin böyle büyümesi gerektiğine inanan bir standarda sahiptir. En alttaki bir teknoloji yığınıdır ve en üstteki verilerin yaşam döngüsüdür, ancak bence önemli olan, üzerinde bir Sistem Orkestratörü bulunmasıdır. Bulut bilgi işlem anlayışınız varsa, Orkestratör çok sıradan. Ama büyük veride yeni bir anlamı var.
Bu bağlamda Ulusal Büyük Veri Sistem Yazılımları Mühendislik Laboratuvarımız şu sorulara odaklanmaktadır: Büyük veri yazılımlarının bilimsel bir teorisi var mı, büyük veri sistemi geliştirmek için bir yazılım mühendisliği yöntemi var mı, geliştirme ve işletim platformu ve araç desteği var mı? Büyük veri yazılım yapısının üretim verimliliğini artırmaktır.
Bugünün imalat endüstrisi, teknoloji ve araçlarda bir devrim geçiriyor. Gelecekteki yazılım üretimi, bugün kesinlikle bizim "kod çiftçilerimiz" olmayacak. Bazıları java, C veya diğer geliştirme dillerini, diğer yandan düşük kod geliştirme ve diğer gelecekteki yazılım oluşturma mantığını kullanıyor. Büyük veri sistemlerinin yapılandırılma şeklini değiştirecek.
Bu nedenle, Tsinghua Üniversitesi'nden serbestçe birleştirilebilir bir büyük veri yazılım yığını tasarladık. Kendi temel işlevlerimiz ve temel bileşenlerimiz vardır: IoTDB, XLearn, DQuality, vb. Hepsi kendimiz tarafından geliştirilmiştir. Diğeri ise sağdaki Tsinghua Data for the Framework (DWF) çok önemli, bir büyük veri sistemi inşa yazılımı çerçevesi, bir yandan düşük kodlu bir bilgi geliştirme ortamı, diğer yandan büyük veri yazılım bileşenleri ile entegre etkileşimli bir veri yolu ve kontrol. Otobüs ve veri yolu.
Büyük veri yazılımı ekolojisinde kaplanlar, aslanlar ve filler varsa, bir hayvan eğitmenine ihtiyaç vardır ve her programın bunu koordine edecek bir kişiye ihtiyacı vardır: Bu Tsinghua Dijital Çerçevesidir.
Endüstriyel büyük veri aslında üç ilişkiyle uğraşmak zorundadır, biri veri kaynağı, diğeri veri veritabanı ve veri gölüdür. "Bahar" konusunu açıklığa kavuşturmalısınız. Veri yayı bugün bahsettiğimiz şeydir. AloT veya A kaldırılırsa IoT'dir. Nesnelerin İnterneti tarafından üretilen veriler bir veri kaynağıdır ve bugün bir veri üretimi patlamasıdır. Musluk, suyu tutamazsa, sadece kaç Bu yüzden bugün IoT hakkında konuşuyorum, onu bağlamanız gerekiyor ve sonra kalmanız gerekiyor, bu nedenle veri kaynağı önemli bir taze veri kaynağı, gerçek zamanlı, çevrimiçi bir şey. Veri veri tabanı, önemli bir bilgilendirme teknolojisidir.İnsanlar tarafından oluşturulan veriler kütüphanede saklanır ve yapılandırılmış veriler kütüphanede saklanır.
Bugün data lake'den bahsediyoruz.Birçok firma data lake yaptığımı söylüyor.Bence bu yanlış. Data lake'i siz inşa etmediniz, bu doğal bir oluşum. Bu yaylar ve kitaplıkların hepsi sizin kuruluşunuzda. Belki de o sırada bu verileri nasıl düzenleyeceğinizi bilmiyordunuz ve sonra bir veri gölü oluşturdunuz. Veri gölünün, yararlı verileri "yakalaması" için yönetilmesi gerekiyor.
"Kaynak, kütüphane, göl" veri merkezinin ortasında bir şey var, birazdan veri merkezinin ne olduğundan bahsedeceğim. Bu süreçte, DWF Tsinghua, çeşitli bileşenleri koordine eden büyük veri sisteminin koordinatörü olan ve diğeri, daha fazla iş personelinin veri yapmak için kullanabilmesi için az sayıda bilgi uygulamasının geliştirilmesini destekleyen çerçevedir. uğraşmak. Veri çeşmesini çözme sorunu da var Toplanan verilerin kurtarılması için Nesnelerin İnterneti uygulamasının bir konfigürasyon yazılımına dönüştürülmesi gerekiyor.
Düşük kodlu yazılım özelleştirilmiş dağıtımdır, özellikle büyük veri yazılımı statik değildir, her zaman yeni gereksinimler vardır, düşük kodlu bir yazılım geliştirme biçimine sahip olabilir miyiz, dünden önceki gün Tsinghua'da ilk aşamayı yaptık Eğitimde, şirkette yaklaşık 50 çalışan var ve düşük kod geliştirme etkileşimli ortamımızın, kurumsal işteki sık değişikliklere uyum sağlamak için yazılım olmayan profesyoneller tarafından kullanılıp kullanılamayacağını test ediyoruz. .
Veri gölü beklediğimiz gibi değil. Hiç organize edilmemiş veya iyi organize edilmemiş bir dizi veri kümesine atıfta bulunuyor. Bu, insanların sadece balıkçılık gibi yararlı verileri "yakalayabildikleri" bir düzensiz şeydir. , Bu yerlerden bazıları çok besleyici değil, hatta bazı yerlerdeki veriler zehirli ... Nasıl tanımlanır? Nasıl yönetilir?
Şimdi veri merkezine baktığımızda, herkes veri arka ucunun ne olduğunu net bir şekilde düşünmelidir, aksi takdirde orta ve arka uç arasındaki ilişki net değildir ve veri yönetimi kaotik olacaktır. Artık veri merkezi çok sıcak, herkes dikkatli olmalı, tuzağa dönüşebilir. Her şeyden önce, veri arka ucu yeteneğini aşırı derecede kullanmalısınız. İhtiyaçları karşılayamadığınızda, talep üzerine bir veri merkezi oluşturabilirsiniz. Bugün kalın ve ağır bir merkez inşa etmeyin. Gelecekte buna ihtiyacınız olabilir. Harcı ödemek için. Burada bu temel kavramları açıklığa kavuşturmalıyız ve ardından şirket veri yönetişimini Tsinghua Üniversitesi çerçevesinde gerçekleştirebilir.
Burada bir davamız var, bu bir kask, neden kask yapmalı, insanları internete entegre etmektir. Bu bir bakım işçisi.Bu kaskı taktıktan sonra patron bakımı nasıl yaptığını biliyor ve arkasında belirli bir tane var.Bu sayede endüstriyel büyük veride olduğumuzu ve geleneksel bilgi verilerini almamız gerektiğini biliyoruz. Gelin, mevcut Nesnelerin İnterneti verilerini getirin ve sınır ötesi verilerinizin çoğunu getirin ve daha sonra anlamak için yapay zeka kullanın. Bu kask üzerinde davranış tanıma özelliği vardır. Bu, veri gölünü tanıtan bir çerçevedir.
Dataspring'in yönetişim çerçevesi hakkında konuşmama izin verin. Tsinghua Üniversitesi, Nesnelerin İnterneti veritabanı olan Apache IoTDB'yi geliştirmiştir.Aslında, veritabanının adı kesin değildir, çünkü sensör ve diğer terminallerdeki verilerden sürekli bir TsFile-CLI format dosyası oluşturabilir ve bunu ana bilgisayarın veritabanına girebilir. IoT verilerinin tüm yaşam döngüsü kullanımını desteklemek için bulut AI işleme ortamına giren yine de bu veri dosyası formatıdır.
IoTDB neden açık kaynaklıdır? Şimdi bir paylaşım çağı ve üniversiteler istisna değil. Bir yıl önce uluslararası bir konu değerlendirmesi yaptık. Herkes üniversiteleri etkileyen tüm yazılım konularının sizin yazılım ürünlerinize bağlı olduğunu düşünüyor. İnsanların görüp kullanamayacağı. IoTDB uca, endüstriyel bilgisayara, saha kontrol makinesine veya buluta yerleştirilebilir TsFile, dosyaları uçtan buluta açmak için bir dosya formatıdır.
Kasım 2018'de Apache topluluğuna resmi olarak katkıda bulunduk. Bu açık kaynak deneyimi bize büyük cesaret verdi. Gerçekten açık bir ortamda yenilik var. Bu bizim ekibimizin savaşı değil. Shenzhenin inancının bize Lenovo, Haier ve diğerleri dahil çok iyi derinlemesine testler verdiğini göreceksiniz. Alman girişimci şirketler de dahil olmak üzere bazı üniversiteler için Shenzhen özellikle iyi bir yer ve Shenzhen özellikle güçlü yenilik ve canlılığa sahip bir yer.IoTDB açık kaynak projesini birlikte yaratmak hepimiz için çok anlamlı.
Nesnelerin İnterneti, ardından önceki veri yönetimi ve ardından Al, bununla nasıl başa çıkılacağıyla, Xlearn adında bir makine öğrenimi platformumuz var, ancak adı ağır, onu yeniden adlandıracağız. Etiketlemeden başlayarak tüm yaşam döngüsüne hizmet eder. Makine öğreniminin güncel temel konularından biri, analojiden öğrenme ve aktarım öğrenme yeteneğine sahip olmaktır.İlgili çalışmaları önceden uluslararası olarak düzenledik. Veri görselleştirmenin etkileşimli keşfinde, AutoVis aracına da sahibiz.
Büyük veri uygulamaları üretme
Bugünün AloT'si bence bu beş aşamanın entegrasyonu, biri Nesnelerin İnterneti aşamasında veri toplama, diğeri ise bilgi aşamasındaki her türlü verinin yönetimi, ardından BI adlı orijinal rapora ve ardından mevcut AI'ya. Makine öğrenimi, bugün bahsettiğimiz AloT, bu teknolojilerin kapsamlı bir uygulamasıdır.
Şimdi birkaç vakayı paylaşın: İlki, ekipman imalatı hizmetlerindedir.Hebei Tianyuan ile işbirliği yaptık.Komatsu ve Cummins gibi Fortune 500 şirketlerine hizmet vermektedir. Örneğin, yakıt tüketimini doğru bir şekilde analiz etmek için motorda toplanan verileri kullanın. Ekonomisi farklı iki sürücü göreceksiniz.Koyu yeşil olan kötü ve açık sarı olan iyi.Yakıt tüketim ekonomi analizi sayesinde her bir sürücünün ona ne kadar vermesi gerektiğini bileceksiniz. .
İkincisi, çok sayıda inşaat makinesinin kiralanması gerekiyor, bu kişinin ne kadar toprak kazdığını ve ne kadar toprak olduğunu ölçmek zor. Operatör akıllı kaskı taktıktan sonra, kasada bugün ne kadar para alması gerektiğini biliyor.
Üçüncüsü, çok sayıda mühendislik ekipmanı vahşi doğada. Bakım personeli sorumlu bir şekilde onarım ve bakım yaptı mı? Başlangıçta patron yalnızca raporu dinleyebilirdi. Bugün farklıdır. Akıllı bir kask taktığınızda patron nasıl savaşacağını bilecektir. Gres tabancası, ekskavatör A, B, C, D'nin temel parçalarında uygun şekilde muhafaza edilirse, bileceksiniz ve veriler değer yaratacaktır.
Taiwan Inventec üretim hattının da büyük bir veri analizi var.Bu reflow lehimlemede çok fazla veri var. Lütfen buradan sahneye bir göz atın. Bazen elektronik cihazların dengelenmesi, bazen bir anıt dikilmesi ve bazılarının kalay tırmanması gerekir. Bu eksiklikler endüstriyel büyük veri ve endüstriyel yapay zeka tarafından tespit edilir.
Son olarak, sınır ötesi büyük verinin uygulanmasına bir göz atalım. Rüzgar enerjisi ve güneş enerjisinin, rüzgarın ne kadar büyük olduğuna ve güneşin bugün ne kadar büyük olduğuna bağlı olarak yiyecek için gökyüzüne bağlı olduğunu hepimiz biliyoruz. Bunlar doğadan geldiğinden hava tahminlerine güveniyoruz. Bunu yapmak için, biz ve Merkezi Meteoroloji Gözlemevi bir bulut ekstrapolasyon yöntemi yaptık, dünya standartlarında sonuçlar elde ettik ve ticarileştirmeyi tamamladık.
Son olarak, ekibimizin, endüstrinin çok düşük bir maliyetle büyük veri uygulama yazılımı oluşturmasına, endüstrinin endüstriyel IoT verilerini etkili bir şekilde toplamasına, depolamasına ve analiz etmesine ve büyük veri analizi ve işlemesi için eşiği etkili bir şekilde azaltmasına olanak sağlama misyonunu yeniden vurguluyoruz.
Hepsi benim paylaşımım için, herkese teşekkür ederim!
Bu makalenin harika konuşma PPT'sini almak için "Leifeng.com" resmi hesabını ekleyin ve "2019 AIoT Summit-Tsinghua University" anahtar kelimesini gönderin.
Leifeng.com Yıllık Seçimi 19 büyük sektörde en iyi yapay zeka iniş uygulamalarını arıyor
2017'de kurulan "En İyi AI Nuggets Vakalarının Yıllık Listesi", sektörün ilk AI iş vaka seçimi etkinliğidir. Ticari boyuttan başlayarak, Leifeng.com çeşitli sektörlerde en iyi yapay zeka uygulamalarını arıyor.
Üçüncü seçim resmi olarak başlatıldı. Kayda katılmak için WeChat genel hesabı "Leifeng.com" u izleyin ve "liste" anahtar kelimesini yanıtlayın. Ayrıntılar için lütfen WeChat ID ile iletişime geçin: xqxq_xq
