• 关于 生产大数据分析 的搜索结果

问题

【教程免费下载】Python数据分析与挖掘实战

沉默术士 2019-12-01 22:07:58 1710 浏览量 回答数 2

回答

物联网在不同领域需要技术不一样,以下就我的行业(工业领域)做大概分析。 物联网在工业领域主要用于生产执行管理系统(MES),通过让死物(生产设备)联网,将各个部分的信息孤岛连接(物料、仓储、生产、计划、订单等),将数据经过云端大数据分析呈现在手机端,使用户做到统筹兼顾,实现柔性生产! 其中涉及技术: 数据采集:嵌入式系统、PLC、RFID、各种传感器等等 数据分析:服务器,后端程序员 数据呈现:APP/PC,前端程序员 总结:物联网+云端+大数据+移动互联 工业物联网生产执行系统了解更多可考虑我。 来源于网络,供您参考,如若满意,请点击右侧【采纳答案】,如若还有问题,请点击【追问】 希望我的回答对您有所帮助,望采纳! ~ O(∩_∩)O~

保持可爱mmm 2019-12-02 03:04:06 0 浏览量 回答数 0

问题

汇众智联—工业大数据的采集、清洗和组织

福利达人 2019-12-01 21:13:33 411 浏览量 回答数 0

海外云虚拟主机包年25元/月起

海外独享虚拟主机全面上线,助力构建海外网站,提升公司国际形象;全球有效覆盖,超高性价比;建站入门首选,助力出口,适合跨境贸易企业。

回答

DataQuotient 画像分析可以应用于各个行业,丰富的功能特性可以满足您不同的场景需求。本文以精准营销场景为例为您介绍DataQuotient 画像分析在实际场景中的应用。 精准营销是根据营销活动快速圈定目标用户,帮助精准的制定营销策略。DataQuotient 画像分析在精准营销场景中通过其特有的优势,能够帮助用户解决各类场景化问题。 DataQuotient 画像分析的优势 • 沉淀核心标签资产 帮助客户基于自身商业化场景打造的标签画像数据管理平台,可以帮助数据开发人员进行表的实体化,加速应用开发,沉淀业务模型的输入。 • 降低业务人员大数据分析的门槛 业务人员可以利用简单的分析模型,深入洞察业务、挖掘潜力客户,通过标签快速圈定目标人群,建立个性化的用户细分和精准营销。 DataQuotient 画像分析解决的问题 • 数据汇聚及同步 各种不同数据源的数据表做抽取、合并与同步自动化难度高,数据运维效率低。 • 智能搭建标签体系 标签数量多,生产复杂,业务人员无法自助生产和使用标签,业务推进难度高。 • 洞察分析模型丰富 BI上手高门槛,报表质量差,精准投放效率低。

LiuWH 2020-03-24 09:21:43 0 浏览量 回答数 0

问题

大数据在新制造领域的应用

福利达人 2019-12-01 20:56:38 464 浏览量 回答数 0

问题

高性能时间序列数据库HiTSDB的应用场景

云栖大讲堂 2019-12-01 21:31:32 1446 浏览量 回答数 0

问题

云数据库 HybridDB for PostgreSQL的概述

云栖大讲堂 2019-12-01 21:28:00 1166 浏览量 回答数 0

问题

性能测试技术怎么进行?

猫饭先生 2019-12-01 21:26:08 1341 浏览量 回答数 0

问题

利用大数据技术做营销推广是种什么体验

青丝入流年 2019-12-01 19:23:16 1655 浏览量 回答数 1

问题

分析型数据库数据导入任务生产指南

nicenelly 2019-12-01 21:16:12 1221 浏览量 回答数 0

问题

分析型数据库数据导入任务生产指南是什么?

nicenelly 2019-12-01 21:25:51 905 浏览量 回答数 0

问题

【健康医疗】4步完成数据分析报表,让医疗数据转化为生产力

sheroy 2019-12-01 21:21:39 4378 浏览量 回答数 4

问题

阿里巴巴人工智能驱动大数据

福利达人 2019-12-01 21:13:14 609 浏览量 回答数 0

问题

【教程免费下载】 数据分析实战:基于EXCEL和SPSS系列工具的实践

沉默术士 2019-12-01 22:07:48 1408 浏览量 回答数 1

问题

请教各位如何对大量mysql数据汇聚整理和分析?

落地花开啦 2019-12-01 19:40:40 1063 浏览量 回答数 1

回答

跨数据建模:支持对MaxCompute、RDS等云计算资源上的数据做业务建模,让业务用户在使用时对具体物理资源无感知。 • 智能数据同步:实现对各种不同数据源的数据表做自动抽取、合并与同步,提升数据运维效率。 • 动态逻辑建模:改变传统数仓层层物理数据加工的模式,统一动态逻辑建模,适应业务数据化快速迭代的需求场景。 • 时效性:基于数据库日志解析模块的实时同步,能够有效保障数据的时效性。 智能标签:从业务角度出发对数据进行组织管理,提升业务人员理解和使用数据效率。通过高频应用迭代并优化模型,提炼数据价值,沉淀数据资产。 • 业务化视角:业务视角看数据,业务人员“看懂数据”进而“使用数据”,为灵活的分析探索方式提供基础。 • 可视化建模:告别手工代码脚本,降低标签生产以及运维成本,可视化控制台统一管理数据资产,运维日常任务调度。 • 积累画像资产:补充优化数据标签,打磨实体画像资产,为算法/应用开发提供丰富高质量数据输入,即用即取。 画像分析:通过丰富标签,深入用户洞察,圈定目标群体,并实现精准画像的大数据分析。 • 便捷客群圈选:通过高定制化的标签集,自由组合海量标签,可视化规则设置,快速圈定人群。 • 灵活群体计算:多群体的交、并、差计算,方便地将您的数据进行综合再应用,满足精准营销需求。 • 可视化报表展现:指定群体的跟踪分析报表,通过动态标签数据,了解客群指标变化,为优化标签模型提供直接参考。

LiuWH 2020-03-24 09:19:56 0 浏览量 回答数 0

问题

学术界关于HBase在物联网/车联网/互联网/金融/高能物理等八大场景的理论研究

pandacats 2019-12-18 16:06:18 1 浏览量 回答数 0

回答

为每条工业产线赋予大脑 支持工业领域90%以上的设备与协议,无需改造工业设备与生产流程,产线数据即可实时接入工业大脑。 提供数字化的行业知识图谱 平台集成与开放了4大行业知识图谱、13个已验证行业业务模型、7个行业数据模型以及20+行业算法模型,并提供持续的升级与演进能力。平台同时提供了算法工厂和知识图谱构建工具,可持续生成与积累数字化的工业知识。 数十万人可持续注入智慧 降低了大数据和AI使用门槛,让业务专家、工艺师、老师傅能够轻松使用数据与AI能力,实现人类智慧与工业大脑的完美结合。同时阿里云天池平台20多万数据科学家构建的国内最大人才库,为工业大脑注入持续的外脑智慧。 “轻服务”模式提供“大数据“应用 支持云和端一体化,在“云”上提供了海量数据处理能力,为庞大复杂的工业产线提供数据挖掘分析,并实现复杂算法模型训练。训练好的智能服务能够以轻量级模式在本地工业“端”部署运行。 测试灵活,成本低 数字世界的试错成本远低于物理世界。大脑就像做微创手术一样,并不需要大量的硬件投入与生产线的改变,仅通过在虚拟环境中对数据的改动与优化即可产生明显的价值与收益,且路线不对可及时调头。

剑曼红尘 2020-03-24 11:19:37 0 浏览量 回答数 0

回答

为每条工业产线赋予大脑 支持工业领域90%以上的设备与协议,无需改造工业设备与生产流程,产线数据即可实时接入工业大脑。 提供数字化的行业知识图谱 平台集成与开放了3大行业知识图谱、13个已验证行业业务模型、7个行业数据模型以及20+行业算法模型,并提供持续的升级与演进能力。平台同时提供了算法工厂和知识图谱构建工具,可持续生成与积累数字化的工业知识。 ** 数十万人可持续注入智慧** 降低了大数据和AI使用门槛,让业务专家、工艺师、老师傅能够轻松使用数据与AI能力,实现人类智慧与工业大脑的完美结合。同时阿里云天池平台20多万数据科学家构建的国内最大人才库,为工业大脑注入持续的外脑智慧。 “轻服务”模式提供“大数据“应用 支持云和端一体化,在“云”上提供了海量数据处理能力,为庞大复杂的工业产线提供数据挖掘分析,并实现复杂算法模型训练。训练好的智能服务能够以轻量级模式在本地工业“端”部署运行。 测试灵活,成本低 数字世界的试错成本远低于物理世界。大脑就像做微创手术一样,并不需要大量的硬件投入与生产线的改变,仅通过在虚拟环境中对数据的改动与优化即可产生明显的价值与收益,且路线不对可及时调头。

剑曼红尘 2020-03-24 09:47:49 0 浏览量 回答数 0

回答

1,数仓规划与建模研发:建模研发支持通过可视化定义SQL表达式的方式完成模型设计,而系统自动发布生成任务与生产数据,且所有数据指标标准规范无二义性,适用于业务对数据需求多且及时性要求高而专业人才有限情况的客户,一般需要全局化数据监控; 2,数据萃取:支持通过自定义配置参数的方式三步完成以实体对象为中心的业务主数据提炼、DMP构建,实现ID识别连接、标签标准规范地自动化生产,消除数据孤岛,适用于可以有丰富数据自建DMP、有营销投放等对象识别分析需求、用数据驱动业务发展而专业人才有限情况的客户,一般需要数据化运营; 3,资产分析及治理:支持资产化视角构建及管理数据体系并一目了然数据价值,适用于数据类型多样、数据丰富、数据成本或者质量安全对企业很重要等需要统一管理数据的客户,特别是以数据为业务的、数据融入业务的; 4,数据服务:支持面向主题的逻辑表查询,保证数据被快捷方便地查找定位、数据查询SQL得到最大的简化,提高效率的同时,保证规范、标准、无二义的数据输出至业务应用,适用于有很多数据应用、需要API化或者其他非代码查询方式使用数据的客户,数据化运营或者数据业务化都会有需求。

游客xuhte2uigqv3o 2020-03-23 12:52:54 0 浏览量 回答数 0

回答

Dataphin遵循阿里巴巴集团多年实战沉淀的大数据建设OneData体系(OneModel、OneID、OneService),集产品、技术、方法论于一体,一站式地为您提供集数据引入、规范定义、数据建模研发、数据萃取、数据资产管理、数据服务等的全链路智能数据构建及管理服务。助您打造属于自己的标准统一、资产化、服务化和闭环自优化的智能数据体系,驱动创新。Dataphin的主要功能模块包括: • 平台管理 平台管理是Dataphin的基础功能,主要包含全局化功能设置和首页引导。该功能帮助您系统地了解和熟悉整个产品,快速开始工作,并进行必要的系统管理与控制,保障各模块正常运转。 o 全局化功能设置包括计算设置与成员管理、智能引擎。 o 首页引导详情请参见Dataphin首页。 • 全局设计 基于业务全局,从顶层自下规划设计业务数据总线,包括:划分命名空间、定义主题域及相关名词、划分管理单元(即项目)、定义数据源及计算引擎源。 • 数据引入 数据引入基于全局设计定义的项目空间与物理数据源,将各业务系统、各类型的数据抽取加载至目标数据库。这个过程可以实现各类业务数据的同步与集成,助您完成基础数据中心建设,为后续进一步加工数据奠定基础。 • 规范定义 基于全局设计定义的业务总线、数据引入构建的基础数据中心,根据业务数据需求,结构化地定义数据元素(例如维度、统计指标),保障数据无二义性地标准化、规范化生产。 • 建模研发 基于规范定义的数据元素,设计与构建可视化的数据模型。数据模型提交发布后,系统智能自动化地生成代码与调度任务,完成公共数据中心的全托管建设。 • 编码研发 基于通用的代码编辑页面,灵活地进行个性化的数据编码研发,完成任务发布。 • 资源及函数管理 o 支持管理各种资源包(例如JAR、文本文件),以满足部分数据处理需求。 o 支持查找与使用内置的系统函数。 o 支持用户自定义函数,以满足数据研发的特殊加工需求。 • 数据萃取 基于Dataphin数据建模研发沉淀的数据,萃取提供以目标对象为中心的数据打通和深度挖掘,并生成代码与调度任务,完成实体对象识别、连接及标签生产,可快速应用于各类业务。 • 调度运维 对建模研发、编码研发生成的代码任务进行基于策略的调度与运维,确保所有任务正常有序地运行。调度运维操作包括:部署数据生产任务、查看任务运行情况、管理及维护任务之间的依赖关系。 • 元数据中心 支持采集、解析和管理基础数据中心、公共数据中心、萃取数据中心的元数据。 • 资产分析 o 在元数据中心基础上,深度分析元数据,实现数据资产化管理。 o 为您可视化地呈现资产分布、元数据详情等,方便您快速查找、深度了解数据资产。 • 即席查询 支持用户通过自定义SQL等方式,查询数据资产中的数据。同时,通过查询分析引擎,快速获取物理表、逻辑表(即数据模型,或逻辑模型)的数据查询结果。 • 数据服务 数据服务为您提供高效便捷的主题式查询功能及有效的全链路企业内API生命周期托管,真正实现低门槛API开发,帮助您更好地进行数据资产应用以实现价值化。

LiuWH 2020-03-23 11:15:47 0 浏览量 回答数 0

回答

大数据系统部署方法 大数据的部署是个复杂的过程,涉及内容众多,但无论如何都离不开以客户需求为导向。所以我们首先需要从客户的角度去考虑对方的需求,抽取出影响点,如实际运行时大概的数据量,客户的实时性要求怎样,高可用方面的要求如何,如此等等。 进而我们依据上述的要求来考虑硬件的选型、平台软件的版本选择、部署时组件的配合以及组件自身针对业务形态进行的优化配置。 一般来说,对于硬件往往是配置越高越好,但客户往往也关注效费比等经济性方面的问题,因此我们进行大数据部署时也需要寻找一个经济上的均衡点,让硬件能最大效率的发挥出功能和性能。 大数据项目的实施,一般从概念阶段到部署上线主要分为以下几个步骤: 需求分析 首先就需要和使用大数据平台的用户进行充分的沟通,通过沟通了解用户将来运行的上层业务的业务特点以及重点。一般来说,大数据的业务类型基本可分为离线业务和在线业务,离线业务主要为MapReduce,进行数据的分析计算处理;在线业务主要为HBase,HBase对外提供实时的数据查询业务。当然上层业务也可能基于Hive来处理,但Hive实质上还是基于MapReduce。 了解用户业务运行时的数据量,分析数据模型,包括已有的数据量、后续单位时间内增加的数据量,以及用户期望的数据保存时间等要求。 模型设计 基于用户的数据量等信息设计存储和计算模型。 考虑数据的存储方式是通过HDFS进行存储还是通过HBase进行存储,或者两者兼而有之。如果用户的数据较为离散,并且只有存储的简单要求,一般单纯采用HDFS即可满足要求。如果用户数据存在外部查询用途,且实时性要求较高,则可以考虑采用HBase进行存储,通过HBase对外提供在线查询业务。 硬件规划 主要基于用户的需求进行硬件规划、部署设计、以及IP地址的规划。需要考虑每台服务器的单节点的性能要求。如计算要求高,则CPU和内存的配置要求也较高,同时在部署设计上需要把计算节点独立出来,避免存储节点占用过多CPU,导致计算延迟。如存储要求高,则需要加大磁盘的容量,在部署设计上可以多DataNode节点分担文件读写压力,同时将计算节点和DataNode节点合设,以减少服务器数量。 市场上有各种类型的磁盘,性能上存在差异,所以还要考虑磁盘类型的选择,一般来说选用sas盘较多,性能要求较低可考虑sata盘,性能要求较高可考虑采用ssd盘。 另外还可以通过raid来辅助实现磁盘性能的提升以及高可靠性的提升。 同时平台的整体部署离不开高性能网络的支撑,所以网络建议采用万兆网,既可以降低网络部署的复杂性,也可以提高可维护性。特殊情况下,也可以采用多网口绑定的方式,但是往往会大幅提高网络部署的复杂性。 对于实现高可用,我们一般都会对网络采用双网双平面的部署方式,如下图所示(图中略去防火墙等设备,主要保留平台所需的设备)。 干货丨大数据系统部署4大步骤5大原则 软件规划 根据用户的业务,规划采用哪些组件来满足用户的功能要求,并且通过部署来实现业务的高可用,高可扩展。 在各个节点部署服务时,还要注意服务间的依赖关系。如HDFS的QJM方式的HA实现对Zookeeper有依赖。 硬件部署 即完成机架的部署和网络的部署,以及服务器在机架上的部署。如果有raid卡的话还要完成raid卡的设置。 软件部署 当硬件完成部署后,接下来就是部署软件了,包括操作系统的安装配置,以及大数据平台的安装配置。 操作系统安装完后,如果是多网口绑定,那就还需要作网口绑定设置。 然后就是最关键的大数据平台的部署了,中兴通讯自研了一套功能强大的管理系统,可完成大规模的平台部署,同时完成大量节点的部署,自动高效。 为保证大数据系统的稳定可靠运行,在整体部署上应遵循如下隔离原则: 生产环境和测试环境的隔离 系统环境分为生产环境和测试环境。其中生产环境用于实际运营,承载真实业务数据和业务应用;测试环境用于各种功能验证和性能测试等,包括应用在上线前的功能验证。如把两个环境合用,将带来很多不确定性,测试环境容易对生产环境造成干扰,影响生产环境正常业务的提供,甚至测试环境中不成熟的应用和业务运行时可能对环境造成破坏性的影响。因此对两个环境进行物理隔离,两者独立运行,互不干扰,防止因硬件资源的占用或者抢夺对运行造成不必要的影响。 不同集群的隔离 为避免可能存在的机架断电导致集群数据丢失或者停止服务,需要将属于同一个集群的不同节点分别部署到不同的机架上,通过多个机架的方式提供对服务器的承载。每个集群都基于一套独立的HDFS运行,这样从物理上和逻辑上与其他集群都进行了隔离。 在线应用和离线应用的隔离 在大数据平台上运行的应用分为在线应用和离线应用两大类。为保证重点在线应用的正常运行,需要单独规划HBase集群,且该集群基于一套独立的HDFS运行,从物理上和逻辑上和其他集群都进行隔离。 不同在线应用的隔离 对于在线应用,分为一般在线应用和重点在线应用,重点在线应用基于一套独立的HDFS运行,实现物理隔离,用于存储重要的在线数据,保证实时查询服务的持续提供。一般在线应用用于提供普通的HBase查询,对实时性的要求低于重点在线应用,所以可和离线应用部署在一个集群中。 不同应用数据的隔离 集群中的数据都是基于HDFS进行存放的,因此对于属于同一个集群内的应用的数据隔离,可通过设置不同的HDFS目录存放的方式实现不同应用数据的隔离,参见下图: 干货丨大数据系统部署4大步骤5大原则 不同应用属于不同的用户,不同的应用使用不同的目录,然后通过对目录进行权限配置的方式进行隔离和共享。

1748847708358317 2019-12-02 03:11:09 0 浏览量 回答数 0

回答

对经常进行刷新select查询的字段信息不应该通过redis来查询,在用户注册、登录等操作的时候,考虑到系统需求应该在入库的同时生产log日志,比如注册日志、登录日志等。每天如果数据量很大的话也可以按天生成日志,这样对以后系统需求扩展或数据分析更加灵活些!

落地花开啦 2019-12-02 01:55:30 0 浏览量 回答数 0

回答

工业互联网企业级平台(数字工厂)简介 工业互联网企业级平台(数字工厂)为制造企业提供基于阿里云物联网平台的物联网、云技术和工业大数据的技术,为企业实现业务操作都由真实可靠的数字化的信息支持,构建了一套用数字化控制并管理资源、收集分析历史信息、基于数据分析结果进行业务决策和优化的技术和方法。数字工厂将制造企业中的对象通过数字模型来表示,通过统一系统平台、统一门户入口、统一权限管理和统一的数据模型来集成制造企业从产品研发、生产、销售、物流到售后整个价值链过程中需要的所有应用。数字工厂为制造企业提供可持续性和可扩展性的信息系统,不但为制造企业提供供应链上下游的随时随地信息分享提供可行性方案,也为数字化的智能产品在售后和运维领域提供高效可靠的工具和方案,实现数据采集、状态感知与远程控制,提高产品的附加值,增加服务收入。数字工厂是数字工厂运行管理的统一门户入口,汇聚整合各个业务应用的数据,具备如下功能:业务协同处理,提供产品制造全生命周期的业务系统处理,实现工厂事件的快速响应;综合监测,对数字工厂的事件和指标进行实时监控和可视化展示;分析决策,基于物联网数据进行分析挖掘实现高效决策和反馈。

垚tutu 2020-03-30 17:35:11 0 浏览量 回答数 0

问题

如何测试准备阶段

猫饭先生 2019-12-01 21:26:05 1466 浏览量 回答数 0

回答

据知识、数据资产,治理数据问题。同时,Dataphin还支持数据表查询、智能语音查询等多种类型的数据服务。 选择Dataphin,您可以轻松构建具有以下优势的数据体系: • 数据规范统一:采用维度事实建模理论,对维度、维度属性、业务过程、指标字段等进行严格的标准化、规范化定义,保障数据质量,避免数据指标定义的二义性。 • 自动化编码: o 高效且自动化的编码:基于函数化理念,对通用数据计算逻辑进行组件化定义,并可自由组建统计指标,从而实现自助化建模研发,系统自动生成代码执行数据生产。 o 智能计算优化:支持从业务视角进行逻辑建模。逻辑模型发布后,系统自动化进行物理建模、编码,从而降低对开发人员的技术能力依赖。 • 一站式研发体验:一站式地完成数据引入、建模、研发、运维、数据查找及探查等过程,研发链路统一且高效。 • 系统化构建数据目录:基于规范化建模、高效自动化的元数据抽取,以标准的技术框架系统地构建规范的业务化数据目录,形成数据资产地图,方便业务查找及应用。 • 高效的数据检索:基于元数据及业务数据构建数据图谱,实现快速、智能检索数据表及数据。 • 可视化的数据资产:系统化构建业务数据资产大图,从数据视角还原业务系统、提取业务数据,快速感知业务关键环节及数据。 • 数据使用简单可依赖:通过主题式数据查询服务,您可以快速查询和访问研发构建的数据逻辑表,简化约80%的查询代码。 同时,Dataphin可以为您提升构建数据体系的效率,降低成本: • 提升效率:提供全链路、一站式、智能化的数据构建与管理工具,降低数据建设门槛。不同背景的开发人员可以自助ETL,快速满足业务需求。通过OneData(OneModel、OneID、OneService)方法论体系,可以完成模型和指标的抽象与自助定义、代码自动化生产、主题数据自动聚合并输出服务。 • 降低成本:以元数据为基础、算法智能为驱动,实现物理和逻辑分层的智能自动化生产。同时,分析数据资产全链路,优化计算及存储资源分配,从而降低数据生产及消费成本。

LiuWH 2020-03-23 11:16:30 0 浏览量 回答数 0

回答

作为两款产品的深度使用者,浅略地谈一谈dataworks和dataphin两款产品的区别。 区别1:产品功能不同 1、Dataworks,在阿里集团内部为大家所熟知的部分是D2,在阿里云则是数加平台的主体-数据工厂。DataWorks(数据工场)具备全栈数据研发能力(数据集成与开发、 生产运维调度、离线与实时分析、数据质量治理与资产管理、安全防护、数据共享与服务、机器学习、数据应用搭建)的大数据平台; 2、Dataphin,通过输出阿里数据中台实战沉淀的大数据建设体系OneData+OneID +OneService(产品+技术+方法论),一站式提供集数据引入、规范定义、数据建模、数据研发、数据萃取的全链路智能数据构建及管理服务。  一句话总结:  DataWorks具备全栈数据研发能力和机器学习开发能力的大数据平台,这是dataworks的优势,劣势就是不具备数据中台(数据仓库)建设方法论的指导; Dataphin具备完善的“OneData+OneID +OneService(产品+技术+方法论)” 数据中台(数据仓库)建设方法论构建体系,这是dataphih的最大优势,劣势就是不具备很强的全栈数据研发能力,暂时也不具备机器学习开发能力。---- 区别2:产品定位不同 1、Dataworks 定位为大数据开发平台,ETL、数据仓库建设等对开发者不做任何限制。开发者可以利用dataworks做任意想做的工作,数据中台(数据仓库)构建的方法论也不做任何限制。开发者可以利用dataworks,既可以按照维度建模理论构建数据中台(数据仓库)、也可以按照范氏建模理论构建数据中台(数据仓库)、也可以按照E/R理论构建数据中台(数据仓库),灵活性是dataworks的优势之一,当然也是劣势之一。因为缺乏数据中台(数据仓库)建设方法论的支持,dataworks对于缺乏数据中台建设方法论经验的开发者(或者企业)不够简单易用; 2、Dataphin 定位于输出阿里巴巴数据中台方法论,开发者严格按照基于阿里多年零售经验的维度建模理论构建数据中台(数据仓库)。“设计即开发”,这是dataphin坚持的核心理念,使用dataphin的时候,开发者需要严格定义业务板块、数据域、业务过程、维度、原子指标、派生指标,然后“傻瓜式”地构建数据中台(数据仓库)。开发者可能都不用写任何代码(甚至连sql都可能不用写),只要按照上述维度建模方法论完成所有设计,即可构建数据中台(数据仓库)。---- 区别3:实时计算能力 不论是dataworks还是dataphin,均定位于离线批量开发能力。对于实时计算能力的支持,dataworks比dataphin稍微更强一些。利用dataworks集成的datahub+flink等工具能力,能够实现一些简单应用场景的实时计算能力; dataphin也在规划实时计算能力,预计再过几个月,dataphin最新版本也能实现一些简单场景的实时计算能力。 【总结】 1、如果开发者(或者企业)希望傻瓜式的构建数据中台(数据仓库),而且是借鉴阿里基于零售业务积累的“OneData+OneID +OneService”方法论构建维度建模体系的数据中台,那么dataphin是不错的选择; 2、如果开发者(或者企业)希望购买一套全栈数据研发能力的大数据平台,涵盖完善的数据集成与开发、生产运维调度、离线与实时分析、数据质量治理与资产管理、安全防护、数据共享与服务、机器学习、数据微服务应用搭建等能力。而且数据中台(数据仓库)不限制于维度建体系,那么dataworks是不错的选择。

1965565873244895 2020-01-06 11:32:13 0 浏览量 回答数 0

问题

【教程免费下载】大数据系统构建

玄学酱 2019-12-01 22:07:49 995 浏览量 回答数 1

回答

工业大脑让机器能够感知、传递和自我诊断问题,通过分析工业生产中收集的数据,优化机器的产出和减少废品成本。通过并不昂贵的传感器、智能算法和强大的计算能力,工业大脑解决的是制造业的核心问题。工业大脑的部署原理可以分为以下四个步骤。 数据上云。 对企业系统数据、工厂设备数据、传感器数据、人员管理数据等多方工业企业数据进行采集。 数据预处理。 包括过滤脏数据与噪音、解决数据的多源异构、找回丢失的数据以及修正错误的数据等。同时,还要根据用途,对数据进行分割、分解、分类,为下一步的算法建模做好准备。 算法建模。 通过工业大脑AI创作间内置的算法引擎或算法市场提供的算法,对所收集并预处理完成的历史数据进行快速建模,该模型可以是描述模型、预测模型或优化模型。 模型应用。 对已经建立的算法模型,发布成服务并被集成到生产系统中,作用到业务,完成数据智能应用的闭环。

剑曼红尘 2020-03-24 11:18:04 0 浏览量 回答数 0

回答

工业大脑的使用场景如下图所示: ** 良率提升** 您可以使用工业大脑平台,提升生产良品率,具体应用场景如下: 企业借助工业大脑的人工智能技术提升光伏电池片生产A品率。公司首先把从车间实时采集到的上千个生产参数传入工业大脑,通过人工智能算法,对所有关联参数进行深度学习计算,精准分析出与生产质量最相关的30个关键参数,并搭建参数曲线模型,在生产过程中实时监测和调控变量,最终将最优参数在大规模生产中精准落地,提升生产A品率7% ,创造数千万元利润。 质检效率提升 您可以使用工业大脑平台,高效低成本地完成图像质检,提高生产质量,具体应用场景如下: 企业在生产电池片过程中都是通过肉眼做产品质检,成本高、效率低。如今,企业使用AI图像技术,将带有产品缺陷的5万多张图片上传到云计算平台,通过深度学习与图像处理技术进行算法训练。优化的AI算法,其识别准确度可达到95%以上,碎片率(瑕疵品)下降50%。不仅如此,从图像拍摄到数据接收、处理,然后到数据上传MES系统做缺陷判定,再到最后MES系统下达指令给机械手臂抓取缺陷产品, 整个流程耗时不到一秒,仅为原先的一半,且检测过程无需人工参与。 测试效率提升 您可以使用工业大脑平台,提升产品检测效率,具体应用场景如下: 产品调试一直是通信生产过程中的瓶颈工序。调测成本占总生产成本比重高达30-40%,单个产品平均耗时超过1个小时。企业通过云端汇总、打通生产关键环节数据,以测试/检测数据为主体,使用算法模型进行制程能力的综合分析、评估、优化。最终,检测指标项从平均300个点位降到200个,产品整体调试效率优化35%。 能耗优化 您可以使用工业大脑平台,对产业能耗进行优化,降低生产消耗量,具体应用场景如下: 化纤属于高耗能行业,公司每年煤炭消耗达几亿元人民币。公司以提升燃煤发电效率做为首个突破口,使用喷煤到产出蒸汽整个流程中采集到的数据,基于工业大脑构建算法优化模型,准确实时预测蒸汽量,并向燃煤工程师推荐最优燃煤工艺参数指导实际生产,进而降低总体燃煤消耗。最终,燃煤效率提升2.6%,这意味着一家工厂一年可节省上千万元的燃煤成本。 设备维护成本降低 您可以使用工业大脑平台,预测设备故障并进行维护,具体应用场景如下: 企业使用物联网与算法模型技术提前预测风机故障。通过温度传感器对整个风机的温度测点进行实时监控,并对海量温度数据进做深度学习,构建风机故障检测与感知预测模型,最终做到提前1-2周识别风机微小故障并预警,单台风机单次重大事件维护成本大大降低。 生产工艺优化 您可以使用工业大脑平台,进行生产工艺的优化,提升产品合格率,具体应用场景如下: 作为一种天然植物,橡胶并不能像工业化流水线的出品一样标准,不同原产地、不同批次等因素,都可能带来指标的波动。ET工业大脑对橡胶的各类数据进行深度运算和分析,并给出最优方案。比如,哪几个产地的原料组合在一起质量最好,某个工艺处理环节该用怎样的参数可以使混炼胶的性能更稳定。通过云计算,企业的混炼胶平均合格率提高3到5个百分点,达到国际水平。

剑曼红尘 2020-03-24 09:49:27 0 浏览量 回答数 0
阿里云大学 云服务器ECS com域名 网站域名whois查询 开发者平台 小程序定制 小程序开发 国内短信套餐包 开发者技术与产品 云数据库 图像识别 开发者问答 阿里云建站 阿里云备案 云市场 万网 阿里云帮助文档 免费套餐 开发者工具 云栖号物联网 小程序开发制作 视频内容分析 企业网站制作 视频集锦 代理记账服务 2020阿里巴巴研发效能峰会 企业建站模板 云效成长地图 高端建站 云栖号弹性计算 阿里云云栖号 云栖号案例 云栖号直播