首页 文章 精选 留言 我的

精选列表

搜索[撒谎模式],共10000篇文章
优秀的个人博客,低调大师

技术平权:大模型如何颠覆技术普及的传统模式?

OpenAI 联合创始人、前特斯拉 AI 负责人 Andrej Karpathy 近日在推特上发表文章《Power to the people: How LLMs flip the script on technology diffusion》。 原文翻译如下: 变革性的技术,通常是沿着一条“自上而下”的路径普及开来的:它们先在政府或军方萌芽,随后进入企业界,最终才来到普通人身边——想想电力、密码学、计算机、航空、互联网和 GPS 这些例子就明白了。这个过程似乎是理所当然的,毕竟那些强大的新技术在早期往往是稀缺品,需要大量投入,还得有专业人士才能玩转。 所以,当我看到 LLM 彻底颠覆了这个规律时,真的觉得既独特又震撼——它们给普通大众带来了远超比例的益处,而在企业和政府层面,其影响力反而显得平淡和滞后。就拿 ChatGPT 来说,它是有史以来用户增长最快的消费级应用,每周有 4 亿活跃用户用它写作、编程、翻译、辅导、做总结、搞深度研究、进行头脑风暴等等。这可不是对现有工具的小修小补,而是对个人能力的全面、大幅提升。更关键的是,使用门槛低到令人难以置信:模型便宜(甚至免费)、反应快,任何人只要有网(甚至在本地电脑上)就能随时调用,而且它们还懂得各种语言,连语气、俚语和表情包都不在话下。这简直不可思议。在我看来,普通人从未如此迅猛、如此深刻地体验过一次技术带来的能力“解锁”。 那么,为什么在企业和政府这些机构里,LLM带来的好处就没那么明显了呢?我想,首要原因在于LLM的能力特点很特别:它能在极其广泛的领域里都懂一点,达到“准专家”的水平,但同时又不够深入,而且会犯错。 也就是说,它“博而不精”,还不可全信。而机构组织的独特优势恰恰在于,可以通过雇佣工程师、研究员、分析师、律师、营销专家等等,汇聚不同领域的深度专业知识。LLM 当然能帮助这些专家提高个人效率(比如起草个合同初稿、生成点基础代码),但对整个组织而言,更多的是在原有基础上“锦上添花”,让本来就能做的事做得更好一些。相比之下,个人通常最多只精通一件事,LLM 这种广泛的“准专业”能力,则从根本上让他们获得了以前不具备的能力。 现在,普通人也能凭感觉写出个App;能看懂甚至着手处理法律文件;能啃下高深的研究论文;能做数据分析;能制作像样的图文视频来做品牌营销。所有这些,他们自己就能达到不错的水平,不再需要额外请专家了。 其次,机构组织要处理的问题,其复杂度和协调要求都高得多。想想吧:系统集成、兼容老旧系统、遵循公司品牌和风格规范、严格的安全要求、隐私保护、国际化、满足监管合规、控制法律风险……变量、限制和要考虑的因素实在太多,而且出错的代价非常高。想把这么多条条框框都塞进LLM的对话框里可不容易。你不能随心所欲地让它“凭感觉”干活,一次离谱的“胡说八道”就可能让你丢掉饭碗。 再者,大机构普遍存在着根深蒂固的惯性:企业文化、历史包袱、快速变革期更显激烈的内部政治、沟通成本、庞大团队的再培训难题,以及那套老掉牙的官僚流程。面对一个新潮、全能但又不够成熟可靠的新工具,这些都是巨大的阻力。我不是要贬低LLM对企业和政府的潜在影响,但至少就目前而言,放眼整个社会,LLM对个人生活的改变,确实比对机构组织的改变要深刻得多。受益最多的,是张三李四王五这些普通人,而不是谷歌或美国政府这样的庞然大物。 展望未来,LLM能否继续普及,当然要看它的性能会不会持续提升,以及能力边界会不会扩展。其中,“利益如何分配”这个格局尤其值得关注,它很大程度上取决于“花多少钱能提升多少性能”这个“性价比”的动态范围。 目前,顶尖 LLM 的性能非常亲民,甚至可以说是廉价。达到这个水平后,再多花一点钱,也无法显著提升其性能、可靠性或自主性。钱买不来更好的 ChatGPT,比尔·盖茨跟你我一样用着 GPT-4o。 但这种情况能一直持续下去吗?通过扩大模型参数和数据进行训练时扩展、增加推理时间进行测试时扩展、以及使用模型集成等方法,都在试图拉大这个“性价比”的范围。另一方面,“模型蒸馏”(用大模型教小模型,让小模型变得异常强大)这类技术则在努力缩小这个范围。 可以肯定的是,一旦金钱真的能买到明显更强的 ChatGPT 时,游戏规则就会改变。大公司可以凭借雄厚资源购买更强的智能。而在“个人”这个群体内部,精英阶层也可能再次与普罗大众拉开差距。他们的孩子可以用 GPT-8 至尊版接受辅导,而你的孩子可能还在用 GPT-6 迷你版。 但无论如何,至少在此时此刻,我们正身处技术史上一个独特且前所未有的境况。回看各种科幻作品,你会发现几乎没人预料到人工智能革命会是这样一番景象。它本该是将军们掌握的、政府最高机密的超级大脑项目,结果却是 ChatGPT 这样几乎一夜之间冒出来、免费出现在每个人口袋里的设备上的东西。 还记得威廉·吉布森那句名言吗?“未来已来,只是分布不均”?但出乎意料的是——未来确实来了,而且它分布得惊人地广泛!这真是把力量交给了人民。 就我个人而言,我太喜欢这种状态了。 转载自:https://mp.weixin.qq.com/s/awPOFvHgpzFLw4hot4Z2Hw

优秀的个人博客,低调大师

ModStartBlog v7.2.0 暗黑模式,超级搜索,富文本升级

ModStart 是一个基于 Laravel 模块化极速开发框架。模块市场拥有丰富的功能应用,支持后台一键快速安装,让开发者能快的实现业务功能开发。 系统完全开源,基于 Apache 2.0 开源协议。 功能特性 丰富的模块市场,后台一键快速安装 会员模块通用且完整,支持完整的API调用 大文件分片上传,进度条显示,已上传文件管理 强大的模块扩展功能,所有模块可以无缝集成,支持在线安装、卸载模块 完善的开发助手,实现模块、主题的的一键创建 完善的后台权限管理,支持基于RBAC的权限管理系统 后台管理支持使用手机、平板、PC,无论何时何地都可方便管理 第三方登录(QQ、微信、微博、支付宝、微信小程序) 第三方支付支持(微信、支付宝、支付宝当面付、微信扫码、微信小程序) 第三方云存储支持,支持云储存分片上传(阿里云、百度云、华为云、腾讯云、FTP、七牛云、UCloud、又拍云) 第三方短信支持(阿里云、腾讯云、华为云、百度云、253云通讯、聚合、七牛云、融云、赛邮、UCloud、云片、网易云) V7.2.0版本更新 2023年04月25日ModStartBlog发布v7.2.0版本,增加了以下19个特性: [新功能] 轮播图片快速调用方式BannerView [新功能] Echarts基础库升级5.4.2 [新功能] UEditorPlus升级3.1.0 [新功能] ManyRelation组件,支持多对多模型关联 [新功能] ImageUrl图片信息新增文件大小 [新功能] 后台审核新增文档标题查重功能 [新功能] 颜色处理函数,便捷处理主题色 [新功能] 模块安装失败增加日志记录功能 [新功能] 博客支持超级搜索ElasticSearch(需要安装SuperSearchES) [新功能] Values组件增加Grid和Detail显示优化 [新功能] Grid过滤组件Range-Datetime增加快捷时间选取 [新功能] Banner导航自动隐藏显示动画 [新功能] 图表显示新增加另存为图片、数据视图功能 [系统优化] Tree组件子组件Key默认调整为_child [系统优化] FileUtil文件下载失败时异常捕获返回NULL [系统优化] 移动设备导航菜单过多自动启用垂直滑动 [系统优化] config默认值为null时自动转换为字符串,避免缓存失效 [系统优化] 富文本字体显示大小 [Bug修复] IPV6地址太长问题,自动截断 模块市场一键安装 系统内置模块市场,有行业应用、插件、云存储、云短信等功能模块,后台支持一键安装、启用、禁用、卸载,可快速搭建属于自己的系统应用。 系统演示与文档 码云仓库:https://gitee.com/modstart/ModStartBlog Github仓库:https://github.com/modstart/ModStartBlog 系统演示:https://blog.demo.tecmz.com/ 下载试用:https://modstart.com/download 开发者文档:https://modstart.com/doc 模块市场:https://modstart.com/store

优秀的个人博客,低调大师

突破传统监测模式:业务状态监控HM的新思路

作者:京东保险管顺利 一、传统监控系统的盲区,如何打造业务状态监控。 在系统架构设计中非常重要的一环是要做数据监控和数据最终一致性,关于一致性的补偿,已经由算法部的大佬总结过就不在赘述。这里主要讲如何去补偿?补偿的方案哪些?这就引出来数据监控系统了。有小伙伴会问了,为什么业务状态监控系统可以做补偿?别急,往下看。 传统监控系统分为两种,系统监控和业务监控。系统监控有并发量监控、异常监控、调用链监控、端口监控、zabbix 监控、http监控等。业务监控是指用以监控业务数据是否正常,用户需要进行业务埋点进行数据采集。业务监控底层常规依赖日志上报系统,接入业务监控之前先申请接入日志上报系统。如图1 (图1) 从业务监控时序图中看到一般分为五步: 1.数据埋点,业务端埋点后上报的日志,也可以是mysql。日志文件最后通过flume或者bin log上报。 2.数据收集,通常都通过kafka做数据采集。 3.数据清洗,一般都是在ods层用spark-streaming进行分流,清洗。 4.数据存储,数据分流后会存储到dw层,最后落到各种库里面。 5.数据展示,开源的很多,用的多还是grafana,还有数据大屏等。 看到这里大家有没有感觉到一丝困惑?有没有感觉跟链路追踪傻傻分不清楚?业务监控和链路追踪的区别就成了侵入式埋点上报和无侵入式agent抓取上报。这仿佛没了灵魂,于是我去问了下AI,AI给出的答案是“业务监控则是一种用于监测业务指标和关键业务流程的技术,目的在于实现对业务运营状况的实时了解和快速响应”。 二、新型业务监控,hunter-monitor的诞生。 站在巨人的肩膀上开始俯视全局,发现真实的需求: 1.报警能力,围绕业务,运营场景。设置各种预警的阈值。达到阈值后要及时发出响应。 2.数据计算和数据统计能力,根据埋点计算整条链路上,每个节点的异常数据。帮做统计和输出。 3.触达能力,京me,邮件,必要时电话,短信,微信都要跟上。 4.数据归档能力,数据归档是为了兜底,做最终一致性。是为了异常时做数据比对。 5.数据自理能力,在AI时代,必须要有自动消化处理的能力。 6.报警规则能力,“树”的应用,要把整个系统链路串联起来的能力。 我们是京东保险平台研发部,承接商城的端延保订单的流量。流量全是交易数据。交易数据是不允许丢失。因此我们孕育出自己的业务监控系统“监控猎手 (hunter-monitor)” 简称hm。hm已经实现了以上6种能力。在出现问题时,会第一时间通知业务和产品。还提供了异常数据统计、节点数据计算、回溯、补偿等能力。业务或产研发需要时,可以在平台上做数据对比。还具备了延展能力,如可以对接jsf接口。来实现自动补偿能力。 hm业务状态监控的核心能力是:数据串联和数据计算。是可以把业务整条链路在系统中的埋点,已线性串联起来。并展示出每个节点的异常状态数据。最终消化掉异常数据。 三、三连问:谁适合接入?如何使用?有接入的实例么? 1、谁适合接入 接入保险SaaS工作台的系统都可以接入业务状态监控。没介入的呢?只需要在保险SaaS工作台中,创建租户便可以使用hm业务状态监控。 2、如何使用 2.1 监控接入 接入hm只要简单的三步即可,创建规则,创建报警规则,业务接入埋点。创建方式和常规的业务监控系统一样。 2.2 数据处理 异常数据最终需要处理掉。在监控列表中可以一键处理异常数据 2.3 定制化 我们支持**触达内容定制化,异常数据处理方式定制化,异常数据统计定制化。**可以调用业务系统jsf接口完成自动处理,也可以根据需求出异常数据报告,更可以深度帮助业务方定制系统链路中的异常处理。hm已应用到延保交易全链路系统,履约平台,业财一体平台和保险abTest等系统。我们来看几个延保业务的接入的场景。 3、实战!延保业务接入场景 3.1 大屏展示: 每周都会公示出上一周延保业务出现的问题,并通过经代小助手、京me和邮件发送给业务方负责人,支持异常投保单的下载。业务收到邮件后会按照邮件中的攻略去操作,完成正确的投保。截止目前帮助业务侧完成40万+的异常投保单的重新投保。帮助业务降低了客诉率,也帮助保司拿到保费。(图2) (图2) 3.2 自动补单: 延保的业务上游大多来自商城,业务会在系统里处理订单分发到下游,由于量大,操作门槛高,总会出现异常的情况,比如漏配某个参数,导致交易失败或者用户不能正常履约。以前都是到客户履约的时候或者下游交易发起结算失败时,才能发现的问题。在hm中配置了监控后,发现异常情况会调用补单的jsf接口,触发自动补单。以前出现问题最长要已天为单位才能解决,现在分钟级解决问题。起到了降本增效的效果。 3.3 数据归档: hm给延保上游和下游交易提供数据了永久归档能力,如发现各种异常类的情况,可以从hm系统里面导出数据来作数据比对。如果是金额类的还可以自动接入到对账系统。在线上查看对账结果,导出对账差异数据(图3)。同时会发送异常数据邮件,通知对应的产品和业务(图4)。 (图3) (图4) 四、HM的内核,技术架构和实现方案 如果实在是没办法接入,只能自研怎么办?没关系,我把技术方法列出来。给大家提供解决方案的思路。 1.技术架构 hm架构上化繁为简,单刀直入。从最核心的业务数据下手,在业务应用中埋点,通过树型节点nodeId串起整条链路。埋点数据统一进数仓清洗后。由调度中心定时触发去做数据计算和数据统计,展示到前端。我们先来看一张架构图。图5 (图5) 2.核心技术 2.1 规则引擎 规则引擎是指埋点的规则。规则引擎参考了Jaeger源码,用来生成我们的规则编码nodeId。(图6)构建成hm的规则树。最终缓存到工作业务台展示(图7)。 (图6) (图7) 2.2 报警引擎 报警引擎是指配置报警的一系列的规则,数据计算的规则,触达的方式。创建好规则后,要对每一个规则进行详细的报警配置,包括触发报警的类型,报警规则,操作阈值,处理方式等。(图8)报警类型指触达方式,继承了保险SaaS-msg的能力,支持邮件、京me、微信、电话等触达方式。任务系统使用Easy-Job来动态管理任务。处理方式可以对接业务方Jsf 来完成闭环,也可以设置成归档,以便后续的有导出或对数的需求。 (图8) 2.3 数据埋点 在保险工作台配置好埋点规则和报警规则后,就可以在业务方去埋点,区别于链路追踪或传统的基于Agent系统,它们都是无侵入埋点系统。hm则属于强侵入式埋点系统,在这里我们定制了一套埋点规范,“必须启用异步线程,进行发送MQ或者调用API接口”。埋点支持两种方式,一种是send msg to topic,mq支持jmq2/jmq4。另一种就是通过调用API去初始化hunter-expoxt的实体类。由hm来发送消息。 2.4 数据清洗 hm的主要职责在业务数据的归纳、分拣。除了埋点接入外还支持,mq、数据库等数据源的接入。所有的数据统一有集团的DP(DataPilot )平台的DataBus系统的DTS完成,统一进数仓的FDM/BDM层。再由集团的调度中心Buffalo(EMR),配置的spark任务执行数据分拣。最终数据进入doris/hive/es中存储。 2.5 数据计算 hm只记录异常数据,发力在异常数据的统计和计算上。在配置好规则节点和系统埋点后,hm会去计算每个节点的异常数据。根据报警规则来进行处理,或通知业务和产研,或调用业务系统的jsf接口去做异常数据的自动处理,又或者根据规则自行处理数据。 2.6 数据统计 hm每周会出数据统计报表发送给业务和产研。报表中会体现他负责的业务线下所有系统的异常数据,包括处理过的异常数据和未处理的异常数据,A业务线和B业务线异常对比数据,业务系统与业务系统的异常对比数据等。可以根据业务需求定制报表。帮助业务和产研更好掌握系统的最新状况。 2.7 任务中心 任务中心是指EasyJob,是和报警规则强绑定的。调度任务分为两类,一类是业务类任务,是动态去创建的任务,按照设置的corn执行。另一类是平台任务。用于维护业务类任务的,比如定期去删除没有异常的任务等。(图9) (图9) 2.8 触达展示 触达方式支持了保险工作台、经代小助手、邮件、京me通知、企业微信、电话语音等。根据业务方需求来选择。 2.9 处理方式 如果触达3次还没有做异常的处理数据,会进行自动升级,在下次触达时会抄给上一级。异常数据需要在hm列表页里做数据状态变更。 2.10 开源能力:jaeger hm底层参考了jaeger-core,重写了jaegerSpan和jaegerTracer类。并把jaeger-core和opentracing-api重新打包-形成自己的jar(hunter-api) 五、总结 以上是hm的全部技术细节。hm灵魂是数据计算、治理、数据统计。hm根基是集成百家之长。hm生在保险SaaS工作台,是我们平台研发部自研的一款面向业务的,异常监控处理的解决方案。汇集了团队每位伙伴的智慧。感兴趣的同学可以联系我们。

资源下载

更多资源
Mario

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长,特征是大鼻子、头戴帽子、身穿背带裤,还留着胡子。与他的双胞胎兄弟路易基一起,长年担任任天堂的招牌角色。

腾讯云软件源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题,腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构,目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称,一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集,帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Sublime Text

Sublime Text

Sublime Text具有漂亮的用户界面和强大的功能,例如代码缩略图,Python的插件,代码段等。还可自定义键绑定,菜单和工具栏。Sublime Text 的主要功能包括:拼写检查,书签,完整的 Python API , Goto 功能,即时项目切换,多选择,多窗口等等。Sublime Text 是一个跨平台的编辑器,同时支持Windows、Linux、Mac OS X等操作系统。

用户登录
用户注册