PAI-FeatureStore特征平台的相关问答
本栏目解答FeatureStore常见问题：实时视图时间戳支持BIGINT/TIMESTAMP；ODPS同步需字段完全匹配；Item特征表由关联视图确定；离线视图禁止写入；实时数据查询延迟通常仅数秒。（238字）
【DSW Gallery】数据分析经典案例：Kaggle竞赛之房价预测
Python是目前当之无愧的数据分析第一语言，大量的数据科学家使用Python来完成各种各样的数据科学任务。本文以Kaggle竞赛中的房价预测为例，结合JupyterLab Notebook，完成数据加载、数据探索、数据可视化、数据清洗、特征分析、特征处理、机器学习、回归预测等步骤，主要Python工具是Pandas和SKLearn。本文中仅仅使用了线性回归这一最基本的机器学习模型，读者可以自行尝试其他更加复杂模型，比如随机森林、支持向量机、XGBoost等。
基于阿里云PAI平台搭建知识库检索增强的大模型对话系统
基于原始的阿里云计算平台产技文档，搭建一套基于大模型检索增强答疑机器人。本方案已在阿里云线上多个场景落地，将覆盖阿里云官方答疑群聊、研发答疑机器人、钉钉技术服务助手等。线上工单拦截率提升10+%，答疑采纳率70+%，显著提升答疑效率。
智能AI机器人管家
应用场景：四层别墅，每层面积1000平+，有自己的地下停车场，地下酒窖，阳光房，花园，广场。在此场景下想做一个智能机器人管家。
主要功能：
1、自动跟随制定的人，可以根据设定的人的语音指令做一些动作，比如：停下、充电、倒退、去某个地方等等。
2、可以根据设定的人的语音回答一些常见问题，比如：今天天气，股票走势，黄金走势，钢铁走势等能够从网上直接获取到的信息。
3、可以根据设定的人的语音回答一些本地问题，比如家里还有多少酒，调一下某地的监控，花房的温度多少，打开某房间的空调。
4、可以帮助做一些本企业决策性的问题。
阿里云人工智能平台 PAI 开源 EasyDistill 框架助力大语言模型轻松瘦身
本文介绍了阿里云人工智能平台 PAI 推出的开源工具包 EasyDistill。随着大语言模型的复杂性和规模增长，它们面临计算需求和训练成本的障碍。知识蒸馏旨在不显著降低性能的前提下，将大模型转化为更小、更高效的版本以降低训练和推理成本。EasyDistill 框架简化了知识蒸馏过程，其具备多种功能模块，包括数据合成、基础和进阶蒸馏训练。通过数据合成，丰富训练集的多样性；基础和进阶蒸馏训练则涵盖黑盒和白盒知识转移策略、强化学习及偏好优化，从而提升小模型的性能。
