大數據

高异步并发在前端大数据渲染场景是常遇到的问题，如何有效管理并发过程，解决资料合并与节流，消息中心等问题一直是该场景下常遇到的问题，但目前为止一直没有一套完善的解决方案。本文阐述了如何利用工作流模式搭配rxjs实践一套有效的流管理工具。工作流模式是2000年由W.M.P. van der Aalst等人提出的一种设计模式，该模式旨在透过清晰的定义各种流动的流场景之处理模式，来简化流程问题的复杂性，并达到流程可视化与自动化的目的。工作流模式可以分为控制流模式，资源模式，数据模式与异常处理模式四大方向，其中控制流模式决定了业务流程的流向与行为，资源模式阐述了业务流程过程中所使用到的资源分配行为，数据模式则讲述了数据在控制流当中的传递情况与使用，异常处理则描述了流异常的情况下终止流的规则与行为。本文中我们运用了rxjs作为实践工具。rxjs是一个基于观察者模式搭建异步序列的工具库，透过名为observer的观察对象发送消息给订阅者。本文中，我们结合了工作流模式与rxjs的pub/sub特性实现了控制流的并行，循环，条件，控制等特性，并透过observer的观察对象，来达成消息中心与异常处理流。解决了高频并发异步场景下的代码复杂问题，并达到流程可视化与自动化的特性。 介绍 工作流模式 工作流模式 (workflow pattern）是设计模式的一种，用于具有流程性质的场景。 工作流模式是一种设计模式，它描述了在工作流程当中对于流程的管控，资源的分配，数据管理与异常处理情况。以下我们将针对四个方向进行介绍。 控制流 控制流是工作流模式中的基础，它描述了如何将工作流程前后串接，并行与条件处理等等。透过将程序想像成河流流动的方式，我们可以很容易的管理不同场景下需要的流动行为，例如，不同的参数需要请求不同的接口，此时出现了条件判断，应该使用排他选择流 (Exclusive Choice)，又例如我们希望接收到反应后(response），做一个节流的动作，则我们可以选择使用合并流蒐集反应，再接上节流阀。以下简单介绍几种常见的控制流模式： 序列流 (Sequence Flow) 序列流是最常见的一种控制流，它描述了顺序执行的流的特性，如下图： 当程序A执行完毕后，才能执行程序B，然后C，最后有一个终止程序。该流动当中不会出现循环或条件分流的情况。 并行流 […]

先来波广告，DataWorks全新起航，提供给大家更优的数据开发体验，有任何建议欢迎反馈。 问题：废话不多说，看一下优化之前的菜单栏显示的交互。 是的，我就是想直接选中数据开发，怎么就这么难。这一块整体的交互就是hover到上面的图标，然后出现产品菜单，第一版在实现的时候，用css去控制菜单的display属性，所以就会导致当图标失去焦点的时候，菜单就立马消失了。 .logo:hover .list { display: none; }​ 解决思路：一种常见的解决方式就是设置延时，失去焦点后不会立马消失。这种做法有一个缺点就是当用户真的是想收起菜单时，还是要经过一段延时。经过主管和师兄的指导，去看了下亚马逊的菜单实现，他们的问题和这个相似，就是如何判断用户是要切换子菜单还是想移动到子菜单中，具体的交互如下： 可以看到在移动到子菜单的过程中，会经过下面的一级菜单，但是子菜单的内容并没有发生变化。具体的实现过程，已经单独抽成了一个jquery的组件，https://github.com/kamens/jQuery-menu-aim原理解析：学习了下实现的代码，其核心就是认为当下一刻的鼠标轨迹在这个蓝色三角区域的时候，用户是想移动到子菜单的。仔细想了下，确实如果用户是想切换一级菜单的时候，鼠标的轨迹一般是会往正下或者正上方向去滑动。将这个原理应用到现在的场景中，假设当前的鼠标位置为A，那么如果下一刻鼠标的位置在这个红色区域内，就认为用户是想移动到菜单中。那么怎么判断下一刻鼠标的位置是在三角形内，方法有很多，最简单的判定方法就是，AB与BC的夹角e’1<e1，AC与BC的夹角 e’2<e2。 代码实现：根据上面分析的原理，进行代码实现。 export default class MenuAim { constructor(hoverDom, menuDom)

2020年1月4日，由蚂蚁金服体验科技主办的第三届 SEE Conf 蚂蚁金服体验科技大会在杭州如期举行。大会上，蚂蚁金服公开了 Ant Design 4.0 预览版本、幻鹦数字驾驶舱，以及可视化智能研发流程 AVA 等。用可视化、智能化等手段，让体验科技从好看到好用，让前端和设计能够更快乐的一起工作。 从好看到好用的体验科技 在开场演讲中，蚂蚁金服体验技术部负责人玉伯，分享了他对体验科技与好的产品的思考。 在过去几年，体验技术部致力于中后台以及企业级SaaS产品的研发，但在他看来，SaaS 产品让我们的生活更简单，但还远远不够美好。 玉伯认为，SaaS 产品的体验需要更新迭代，SaaS 产品体验的演进分为两个阶段，第一个阶段是从有到美，也就是从功能满足需求之后，开始追求页面美化、UI 重新设计，这也是Ant Design 的初衷和对业界最重要的贡献；第二个阶段是从美到好，也就是从好看到好用，需要重新思考整个产品，降低研发和使用成本。

2019年AnalyticDB干了哪几件大事？快来看看? 1、长脸了！我们拿下了世界第一 2019年7月，全球最知名数据管理系统评测标准化TPC组织公布了数据库领域分析性能基准测试最新排名，阿里云超大规模分析型数据库AnalyticDB登上榜首，是全球首个通过TPC严格审计认证的云数据仓库产品，登上TPC榜首，意味着其已经成为全球最快的实时数据仓库！ 2、AnalyticDB for MySQL重磅升级3.0 ——更简单易用的数据仓库 2019年7月31⽇，阿⾥云PB级实时数据仓库AnalyticDB重磅升级，推出AnalyticDB for MySQL 3.0版。全新的AnalyticDB采⽤分布式云盘三副本机制，为企业客户提供99.9999999%的数据可靠性保证。此外，性能⼤幅度提升，基准测试写⼊性能提升50%，查询性能提升40%。实例存储空间可变，灵活控制CPU、存储 和内存配⽐。全⾯兼容MySQL。更简单易⽤，使得企业客户像开启MySQL⼀样，使⽤数据仓库！ 3、荣获数据库顶级会议VLDB认可 数据库领域顶级会议VLDB 2019于美国当地时间8月26日-8月30日在洛杉矶圆满落幕，分析型数据库AnalyticDB在VLDB 2019正式发布论文《AnalyticDB: Real-time OLAP Database System

主题： 使用Apache SuperSet和EMR Spark打造交互式的数据探索平台 点击这里是直播间直达链接（回看链接） 时间1月9日：19：00-20：00 直播介绍：本次分享主要介绍如何结合Apache SuperSet和EMR Spark，利用EMR Spark提供的JindoCube高级特性在SuperSet进行秒级响应，交互式的可视化数据探索。 主讲人：李呈祥，花名司麟，阿里云智能EMR团队高级技术专家，Apache Hive Committer， Apache Flink Committer，目前主要专注于EMR产品中开源计算引擎的优化工作。 请钉钉扫码至群内观看直播，与嘉宾互动有机会获得社区礼物一份。

不想错过16年前的淘宝7年前的天猫阿里云发起了“赛道明星班”挖掘和帮助更多的优秀科技型创企为企业赋能、为创新加速做云生态的创企加速器本期人物是赛道明星班2号学员—李通 在北京东四十条的三只耳河鲜店，只见两台圆圆脑袋的机器人在二楼餐厅内忙碌地为客人送餐，每天从上午十一点工作到晚上十一点，平均每天送餐56次。该款机器人来自擎朗智能的无人配送机器人家族，大家长则是创始人李通。 始于热爱，变于“野心” 十七年前，华科大十几个来自电气、自动化、机械、生命科学等不同学科的师兄师弟们陆续加入了“大师兄”李通等人在启明学院召集的机器人项目。这群机器人爱好者们一不为本科主业研究、二不为市场盈利研究，纯粹出于对机器人的热爱聚了在一起。 那时小组陆续做出过很多项目，重型机械机器人、排爆机器人、智能家居机器人等等，还参加过现在有名的Robocup机器人世界杯，在启明学院里也是小有名气。大学四年大家几乎有两三年时间都住在实验室里，白天在屋里做实验，晚上凉席一铺躺下就睡。 研究生毕业之后，李通来到了位于北京的微软亚洲研究院，参与机器人控制系统相关项目，但逐渐他发现，“虽然学到了很多东西，但并不是我想要的。”换句话说，做一颗螺丝钉”远远不够，他想要亲手做些什么。 抓住机遇，危机变成先机 2010年，李通在上海一间1室2厅的毛坯房里创建了擎朗。彼时人工智能在国内还未被普遍看好，投资稀缺。没有资本的铺路，即使脑子里有“天马行空”的技术，也无法轻易将产品落地。于是李通等4个人凑了20万，用于研发机器人，以售卖为主赚钱，维持公司的基本运作。 李通用“拮据”来概括那段时光。为了争分夺秒地做好第一个项目，团队可以3个星期不出实验室。扎实的技术、敢拼的狠劲儿为他们赢得了第一单好评，客户连连称赞，表示机器人的运行时长、运作能力都远超他们的预期。 2015年，人工智能大潮奔袭而来，国内很多机器人研发公司纷纷入局，行业得到了井喷式发展。然而，由于机器人成本高、资金回笼慢，每三年就要消失一波被智能浪潮裹挟而前的企业。而擎朗踽踽前行，以宿命般的坚决对抗这万物急遽前奔的时代，急速转型、自主迭代。 专注无人配送 客户超千家 擎朗智能目前致力于研发最先进、安全、可靠的室内无人驾驶技术，专注于无人配送机器人的普及，实现室内无人配送领域机器换人的彻底变革。擎朗无人配送机器人主要应用于餐厅配送、酒店服务、医疗配送、快递/ 外卖配送等场景。据悉，目前擎朗的产品销量行业领跑，运行超300万+公里，服务2000万+人次， 足迹遍布全国400+城市，以及美国、德国、加拿大、西班牙、意大利、希腊、比利时等欧美市场，日本、韩国、新加坡等亚洲国家。 客户方面，李通表示，擎朗送餐机器人包括售卖及出租两种商业模式，不仅在火锅成为标配，也在中餐、西餐等餐饮品类规模化落地。公司服务了包括海底捞、呷哺呷哺、巴奴毛肚火锅、大龙燚、大渝火锅、德庄、左庭右院、小肥羊、SPACELAB失重餐厅、新白鹿、外婆家、全聚德、避风塘、云海肴、好乐迪、银泰百货等在内的1000+个B端头部客户。李通表示，目前，擎朗已完全实现收支平衡，盈利主要来自于智能机器人的出售和租赁。 李通告诉我们：擎朗智能的使命是，“把简单重复性的工作交给机器人，让人提升服务”。擎朗智能一直以来秉承的是：专注于无人配送机器人的普及，实现室内无人配送领域机器换人的彻底变革。 链接阿里，擎朗再冲天 2016年，擎朗智能获得A轮投资，随着投资到账，擎朗智能也加快了商业化的脚步。但是，他们也发现，如果自己的机器人要遍布全国甚至全球，只凭自己的服务器，无法满足海量的数据处理。“所以，必须要到云端去。”向公有云的迁移被提上日程。“服务器的成本还挺贵的，但关键还不光是成本的问题，当使用地域增加的时候，对私有云是很有挑战的。相对而言，当我们卖到全国各地甚至全球各地去的时候，一个公有云会非常重要。”李通说，阿里云在中国市场占有率有绝对优势。 2018年，在投资人的引荐下，擎朗智能成为“赛道明星班”第一期的2号学员。李通认为，赛道明星班带给擎朗智能的，不仅仅是云，更重要的是阿里生态的资源。通过明星班的链接，擎朗智能先后与口碑、饿了么、菜鸟物流等达成深度合作，无人配送机器人业务开始规模化的铺货和落地。截止到2019年9月，擎朗智能已经出了将近3000台无人配送机器人，是2018年的5倍多。

最近研究Xamarin.Forms，发现它的MVVM的命令绑定很是让我郁闷，和标准WPF也不一样。我要做一个简单的登录界面，在用户名和密码都输入的时候，才能点击登录，当有一个输入时可以点击清除按钮。XAML文件如下： <?xml version=”1.0″ encoding=”utf-8″ ?> <ContentPage xmlns=”http://xamarin.com/schemas/2014/forms” xmlns:x=”http://schemas.microsoft.com/winfx/2009/xaml” xmlns:d=”http://xamarin.com/schemas/2014/forms/design” xmlns:mc=”http://schemas.openxmlformats.org/markup-compatibility/2006″ mc:Ignorable=”d” xmlns:local=”clr-namespace:MVVMDemo” x:Class=”MVVMDemo.MainPage”> <ContentPage.Resources> <local:MainPageViewModel x:Key=”vm”></local:MainPageViewModel> <local:ValueConverter x:Key=”valuecheck”></local:ValueConverter> </ContentPage.Resources> <Grid

文章作者：廖学强 来自公众号：数据和云 链接：http://blog.itpub.net/30126024/viewspace-2655205/ PostgreSQL连续两年被评为年度数据库，备受很多DBA的青睐，本文我们一起来了解学习PostgreSQL常用的查询语句有哪些？ 查看帮助命令 DB=# help –总的帮助 DB=# \h –SQL commands级的帮助 DB=# \? –psql commands级的帮助 按列显示，类似MySQL的G DB=# \x Expanded

以下是陈旸的专访内容，推荐阅读（约3分钟）。 用数据解决问题是核心理念 不论学习、工作还是生活，我解决问题的方式始终以自己的价值观为导向。“Using data to solve problems”是我的信仰。我喜欢跳出个人角色，从外部视角去看待问题，寻找规律，然后给出答案。 比如从技术工作角度出发，解决问题取决于面向的用户画像，是技术人还是企业人。技术人更关心轮子是什么，使用怎样的框架和模型等，即“Using data”的部分。而企业人则更关心端到端的应用场景和可能出现的问题，即“Solving problems”，他们或许不懂技术，但懂需求。技术对他们来说就是黑盒子，实现过程并不重要。这个时候就需要从影响的维度去思考问题，需求是预测行为还是改进产品等。 在学习这件事上，要面向需求和场景进行选择。每年有大量的优秀模型产生，不能单纯为了学习而学习，而要挑选好轮子，通过代码实现，发挥模型的更大价值。 模型塑造商业价值，管理方案降本增效 2009年微博刚推出的时候我就在玩了，当时我还在清华读书，注册了2000个微博账号。首先研究内容规律，研究好内容是如何产生的。2010年写脚本抓取微博热门内容，然后让账号自动发，并打好标签分类存储到一个内容库里。接着研究运营规律，比如我固定的账号发某个明星的相关内容，并关注该明星后援会的粉丝，有一定的概率回粉。每天账号发300次微博，至少新增50个粉丝，这些都是通过机器自动化得到的。后来我又写程序加条件，比如只关注活跃粉丝，或本身有一定影响力的小V等。按这个模式运行了一段时间，平均每天新增25000粉丝左右，都是质量不错的真粉。最后是活动规律，我举办了100多次明星相关的转发抽奖活动，积累了第一批粉丝。 我们现在在做的自媒体有女性瘦身、服饰搭配等内容，还有“每天学点经济学”“每天学点心理学”。通过这样自动化的方式，获得了商业价值的持续性增长。 目前来说，管理并不是我的强项，我的角色主要是从公司角度考虑如何降本增效，即降低固定成本和提升弹性空间上限。时刻关注行业变化，判断行业发展是否符合规律；除此之外，重视开源。商业企业推广开源的原因是降低技术人使用的成本，降低自己维护的成本，大家一起来使用并改进你的工具。以前软件售卖方式统一，不论用户是谁都是一个价格，现在逐渐考虑需求分层。不同的用户对产品需求度和使用频率不同，那就应该实行不同的收费方式。潜在用户只是先了解一下，则没什么收费的必要，轻度中度重度使用用户则递增；而有些人可能会成为未来某些商业目标的用户，那就可以先培养这一批人的使用习惯。针对不同需求层面提升天花板，就是增效的一种体现。 立足核心优势，发挥最大价值 说说我对AI的理解。我从1995年开始学习编程，我认为编程=算法+数据结构，同理，AI=深度学习算法+大数据，顺延到这个时代的update而已。大数据框架可以解决量级增长数据的问题，现在的处理也不再用传统方式，而是深度模型的相关算法，AI屏蔽了中间的环节，我对AI的定义也符合“Using data to solve

为了对kubeflow有个更直观深入的了解，对kubeflow的各组件进行简单的介绍，先从机器学习任务来看kubeflow的的实现。 kubeflow系列(一)：kubeflow安装 机器学习任务工程化实现流程 一个建模任务下来主要可以分为四大块任务 业务理解(Business Understanding) 数据获取及数据理解(Data Acquistition) 特征处理(Feature Engineering)、建模与模型训练(Model Training)、模型评估(Model Evaluation) 模型部署(Deployment)，提供模型服务 一个机器学习任务从开始到结束主要分为了四大任务，Kubeflow的各项功能可以说就是围绕这四项任务构建的。 kubeflow kubeflow 最开始基于tf-operator，后来随着项目发展最后变成一个基于云原生构建的机器学习任务工具大集合。从数据采集，验证，到模型训练和服务发布，几乎所有步骤的小组件 Kubeflow 都提供解决方案的组件： kubeflow特点：