实测AI Ping，一个大模型服务选型的实用工具
作为一名长期奋战在一线的AI应用工程师，我在技术选型中最头疼的问题就是：“这个模型服务的真实性能到底如何？” 官方的基准测试总是在理想环境下进行，而一旦投入使用，延迟波动、吞吐下降、高峰期服务不可用等问题就接踵而至。 直到我发现了由清华系团队打造的AI Ping，这个平台号称能提供真实、客观的大模型服务性能评
人工智能
Apache Flink——多流转换
概述
无论是基本的简单转换和聚合，还是基于窗口的计算，都是针对一条流上的数据进行处理的。而在实际应用中，可能需要将不同来源的数据连接合并在一起处理，也有可能需要将一条流拆分开，所以经常会有对多条流进行处理的场景。
简单划分的话，多流转换可以分为“分流”和“合流”两大类。目前分流的操作一般是通过侧输出流（side output）来实现，而合流的算子比较丰富，根据不同的需求可以调用 union、con
“FAQ + AI”智能助手全栈实现方案
文章目录
**第一部分：总体架构与技术选型**
**1.1 核心架构图**
**1.2 技术选型说明**
**第二部分：详细实现步骤**
**2.1 环境准备与项目初始化**
**2.2 知识库处理与向量化 (Ingestion Pipeline)**
**2.3 构建后端API (FastAPI Server)**
**2.4 构建简单
统计学习方法1.4-2.1 笔记
1.4 模型评估与模型选择
训练误差与测试误差
关于模型的拟合好坏，计算训练集的训练误差进行衡量。
关于模型预测的好坏，通过测试集衡量
计算预测和真实的差异：测试误差：衡量预测效果
训练误差：
所有样本来自训练集，模型对于已知数据的预测能力。
测试误差：
样本来自测试集。模型对于未知数据的预测能力。
误差率和准确率是测试误差的两个特例
误差率里，当
创建自定义的 Angular 管道
我们在上一篇文章中，了解了什么是 Angular 管道，以及如何使用 Angular 提供的一些常用管道。本文将进一步深入探讨如何创建一个 Angular 管道，实现对数据的自定义转换。
创建管道
我们可以使用 Angular CLI 的 generate 命令，创建一个管道：
ng generate pipe sort
输出结果：
CREATE src/app/sort.pipe.spec.
SparkThriftServer内存泄漏排查
STS（SparkThrfitServer）版本
spark-3.2.1-bin-hadoop3.2
问题表现
Spark UI 经常无响应
STS 经常挂掉
问题分析
获取heap.hprof和gc.log
spark.driver.extraJavaOptions -XX:+HeapDumpOnOutOfMemoryError -XX:HeapDumpPath=/home/spark/
DG知识点整理 - 数据伦理
//本系列是基于DMBOK2的学习过程中的知识点整理，方便学习与回顾//
数据伦理描述的是在数据全生命周期中，如何用符合伦理(不仅仅是法律要求)的行为来完成数据的处理。组织要注重数据伦理的原因有几个
1）数据对个人的影响，它会被用于各类决策，进而影响个人的生活；
2）数据有被滥用的可能；
3）数据具有经济价值，需要规定数据的所有权，使用权和使用方式。
数据管理者有有管理数据
