收录了 数据分析技术架构 频道下的 50 篇内容
今年是IoT物联网的元年,也是人工智能的元年。之所以人工智能这么热,与大数据有密不可分的关系,大数据就是现在网络时代的石油。2016 年 10 月 28 日上午 7 位大数据相关专家齐聚“2016 易观 A10 大数据应用峰会”对实时分析技术的看法和实践经验进行了分享和讨论,从技术角度解析了企业如何做到实时分析。
本文着眼于顶级云服务商云服务商的云数据库方案背后的架构,以及笔者最近观察到的一些对于云数据库有意义的工业界的相关技术的进展,希望读者能有所收获。
如何构建 AI 原生全球化数据分析架构以跨越实时、成本与合规鸿沟。
AI 如何推动数据分析从“工具辅助”到“决策建议和工作流协同”的质变。
数据智能引擎从规则到意图、单一到全链路、“工具”到“智能助手”的跃迁。
阿里云 Quick BI 如何实现从传统 BI 到 AI 驱动的智能 BI 的跨越式进化。
重构商业规则的今天,数据能力已不再仅是企业的“数字化配件”,而是驱动智能革命的“数字神经中枢”。价值爆发的“第一性原理”。
落地过程中其实90%是软件工程,都是在解决行为一致性确定性的问题,可能只有10%是在做prompt、模型调优。
有一件事儿,让众多企业持续投入了一百多年:让数据变得更有价值。最终,更复杂的统计方法、更炫酷的可视化报表出现了,伴随而来的是更庞大的数据团队。
与开放文件格式相比,开放存储 API 屏蔽了底层的文件格式的具体实现,Doris 可以通过自身存储格式中的高级特性,如丰富的索引机制来加速数据访问。
从产品探索与演进、落地难点与解决方案、典型实践到对未来 ChatBI 产品形态的演进思考。
随着企业数据量的增多,为了配合企业的业务分析、商业智能等应用场景,从而驱动数据化的商业决策,分析型数据库诞生了。由于数据分析一般涉及的数据量大,计算复杂,分析型数据库一般都是采用大规模并行计算或者分布式计算来提升它的数据处理能力。
8月28日,阿里巴巴旗下的瓴羊发布首个数据分析Agent,Quick BI里的“智能小Q”升级为一名由问数、解读和报告三大核心Agent组成的“超级数据分析师”,可以帮助用户快速获取数据、解读数据和输出洞察报告。
模块化的Lakehouse架构将成为企业的优选。
深入了解测试过程中被测系统的架构与数据流,有助于理解业务逻辑,梳理业务用例以及促进部门协同。
本文将为大家介绍 ChatBI 系统的核心功能与技术实践
过去二十年,数据平台的发展随着互联网时代的崛起而不断加速。BigTable,奠定了现代大数据技术的基石。
作为基座大模型的智能服务体系,这将降低算力成本,充分释放用友iuap作为企业数智化底座的AI生命力。
传统基于数据分析师主导的流程面临效率与可扩展性瓶颈。
天翼云通过合理运用以上技术手段,并进行了详细测试和调优,最终在物联网业务中实现了平均 QPS 8000,峰值 QPS 15000 的性能表现。