雲計算

3.1 序言传统的工业生产制造，由于科学技术的限制仍然主要采用人工检测的方法去检测产品表面的缺陷，这种方法由于人工的限制和技术的落后，不仅检测产品的速度慢、效率低下，而且在检测的过程中容易出错，从而导致了检测结果的不精确。通过人工智能算法结合机器视觉技术，利用影像数据，实时对产品的斑点、凹坑、划痕、色差、缺损等缺陷进行检测，并支持工业摄像头、超声、微波、红外及激光全息和X摄像照相机等不同的图像信源，实现精确检测。3.2 研究背景当今社会，随着计算机技术，人工智能等科学技术的出现和发展，以及研究的深入，出现了基于机器视觉技术的表面缺陷检测技术。这种技术的出现，大大提高了生产作业的效率，避免了因作业条件，主观判断等影响检测结果的准确性，实现能更好更精确地进行表面缺陷检测，更加快速的识别产品表面瑕疵缺陷。产品表面缺陷检测属于机器视觉技术的一种，就是利用计算机视觉模拟人类视觉的功能，从具体的实物进行图象的采集处理、计算、最终进行实际检测、控制和应用。产品的表面缺陷检测是机器视觉检测的一个重要部分，其检测的准确程度直接会影响产品最终的质量优劣。由于使用人工检测的方法早已不能满足生产和现代工艺生产制造的需求，而利用机器视觉检测很好地克服了这一点，表面缺陷检测系统的广泛应用促进了企业工厂产品高质量的生产与制造业智能自动化的发展。3.3 研究意义工业产品缺陷检测这块市场空间很大，目前除了传统的机器视觉厂商在做以外，深度学习创业巨头涉及的比较少。缺陷检测可以为工厂带来以下好处：1、优化人力：人工检测易受经验和心里等因素的影响，精度低，稳定性差；解决劳动力短缺的问题；2、非接触处理：避免二次损伤，提高可靠性；3、降低成本：改善产线自动化，提高生产效率；协助作业人员消除生产错误、降低内部生产损失；早期就报废劣质产品，减少浪费节约成本；提高生产的柔性和自动化程度；4、提高品质：产品品质均一，提升品牌竞争力。通过图像分析，可检测各种瑕疵位置、尺寸、形状和类型等；5、高精度检测：某些要求精密度较高的检查领域、在配了合适的相机后，检测精度可达到u级，人眼无法检测可使用机器完成；6、对缺陷进行分类：通过图像分析，检测出图像上各种瑕疵的位置、大小和形状，解析图像，并对其进行分类；7、分析无规律图像、复杂图像：通过深度学习算法，系统可自动学习瑕疵特征，是无规律图像的分析变得可能； 3.4 产品缺陷检测模型介绍Mask R-CNN的方法通过添加一个与现有目标检测框回归并行的，用于预测目标掩码的分支来扩展Faster R-CNN，通过添加一个用于在每个感兴趣区域（RoI）上预测分割掩码的分支来扩展Faster R-CNN，就是在每个感兴趣区域（RoI）进行一个二分类的语义分割，在这个感兴趣区域同时做目标检测和分割，这个分支与用于分类和目标检测框回归的分支并行执行，如下图（图1）所示（用于目标分割的Mask R-CNN框架）： 掩码分支是作用于每个RoI的小FCN，以像素到像素的方式预测分割掩码，可是要在ROI区域进行一个mask分割，存在一个问题，Faster R-CNN不是为网络输入和输出之间的像素到像素对齐而设计的，如果直接拿Faster R-CNN得到的ROI进行mask分割，那么像素到像素的分割可能不精确，因为应用到目标检测上的核心操作执行的是粗略的空间量化特征提取，直接分割出来的mask存在错位的情况，所以作者提出了简单的，量化无关的层，称为RoIAlign(ROI对齐)，可以保留精确的空间位置，可以将掩码(mask)准确度提高10％至50％。3.5 实验分析3.5.1 产品缺陷数据集Kaggle钢铁表面缺陷检测数据集，数据集中，钢铁表面图像可以不具有缺陷、单个类别的缺陷或多个类别的缺陷，缺陷类别分为4类。 3.5.2 数据集转换方法COCO数据集Json格式{ “info”: info, “licenses”: […]

美国安全培训与研究机构SANS研究所最近确定了确保企业供应链安全的关键组件，而这是行业专家认为它们很重要的原因。 随着网络犯罪分子和黑客不断攻击安全性脆弱的企业或个人用户，供应链上的网络攻击不断增加。正如SANS研究所在最近关于供应链安全成功模式的报告中指出的那样，许多备受瞩目的安全事件表明了创建或升级供应链安全的重要性。 •今年4月，许多美国公司的外包商Wipro公司的可信网络遭到破坏，并被威胁参与者用来对这家印度公司的客户发起网络攻击。 •今年5月，Adobe公司的Magento电子商务平台和7,000多个业务应用程序中的其他第三方服务遭到破坏，导致包括Ticketmaster公司在内的许多公司的密码和其他敏感信息被盗。 •今年5月，第三方承包商将敏感凭证暴露给Universal Music Group的内部服务器，使存储在这些服务器上的敏感信息面临风险。 •今年7月，英国信息专员对英国航空公司处以2.3亿美元罚款，占其2017年净销售额的1.5%，原因是该公司网站及其应用程序中的恶意软件感染，泄露了约50万名客户的敏感信息。 SANS研究所新兴趋势总监John Pescatore解释说：“大约在四年前，当网络犯罪分子开始攻击供应链以达到主要目标时，供应链安全对于首席信息安全官变得更加重要。”他表示，最近由于一些国家对供应链的网络攻击引起了媒体对该主题的兴趣，供应链安全问题变得更加令人关注。 总部位于芝加哥的咨询机构Liberty Advisory Group公司的负责人ArmondÇaglar补充说：“威胁行为者越来越喜欢利用第三方供应商和分包商的防御手段，因为这些实体经常向黑客开放。” SANS研究所发布的报告确定了有效的供应链安全计划的五个关键措施： 1.确定供应链负责人 SANS报告指出，安全性必须在管理链中确定供应链决策的负责人，以确保安全性涉及未开发地区的某个级别。这名负责人可能是企业董事会成员、首席执行官、首席运营官、首席信息官或采购主管。负责人需要获得首席信息安全官或安全经理与企业管理人员的信任，然后与他们合作，而不是试图发布安全指令。 Çaglar指出，负责人必须被企业领导者认为是可靠的，并应与其他执行利益相关者一起协商。他说：“没有这样的内部政治力量，当面对困扰大多数业务部门的传统资源和预算限制时，适当的供应链计划就可能被降级为另一个成本中心，而其风险缓解工作将被边缘化。” Webroot公司是一家保护计算机免受病毒、恶意软件和网络钓鱼攻击的软件制造商，该公司工程部副总裁David Dufour补充说，不仅要有负责人，而且必须是合适的负责人。他解释说：“供应链安全的负责人应该对安全有深入的了解，但他们的重点不是以安全为中心。他们还必须考虑到商业因素，并制定一个整体流程。” SANS研究所的Pescatore承认，对于具有成熟安全状况的大型公司来说可能不需要这样的负责人。他说：“大型公司并不需要IT部门和IT安全部门来证明他们能够以业务发展的速度来实现供应链安全。否则，业务人员会说，‘我们要承担风险而不是失去市场份额。’”

据企查查显示，阿里巴巴(BABA.US)入股了天鲜配（上海）科技有限公司（以下简称天鲜配）。天鲜配原本隶属于内蒙古蒙牛乳业（以下简称蒙牛）的新零售事业部。阿里巴巴以1.5亿元认缴天鲜配50%的股权。当前，阿里巴巴与内蒙古蒙牛乳业并列为两大股东，分别持股50%。 天鲜配股权结构图（来源企查查） 与此同时，天鲜配公司的注册资本也由5000万人民币增加为3亿人民币，增幅达500%。法定代表人也由吕烨变更为FUMIN。 公开信息显示，天鲜配与蒙牛乳品合作，以及与阿里巴巴旗下的淘宝和天猫展开了技术方面的合作。天鲜配将传统奶箱改造为消费者楼下的智能冰柜，并且采用了全程冷链运输，其主要商品都是蒙牛旗下的产品。用户可通过手机淘宝、天猫扫描冰柜二维码或者直接搜索就可以支付购买，或加入配送计划；收到取奶密码后，可在单元楼下的智能冰柜输入密码或扫码取奶。 目前该业务，只覆盖上海、南京、杭州、广州、武汉等15个城市，未见北方主要城市。 天鲜配这种“线上平台订奶，线下智能冰柜取奶”的方式，与阿里巴巴主推的“新零售战略”不谋而合。这也是阿里会以1.5亿入股成为并列第一大股东的原因。 自2016年10月马云在云栖大会上首次提出“新零售”，线上与线下的融合正在被不断加深，阿里新零售生态内的玩家也越来越多。 在零售领域，阿里不仅入股了苏宁易购和银泰商业，还陆续收购了欧尚、大润发的母公司高鑫零售、三江购物和新华都等上市商超，阿里还和华联超市的母公司百联股份进行了合作。在不断扩大新零售生态时，阿里也亲手培育出了新零售品牌“盒马鲜生”。 在11月1日阿里巴巴发布的2019年Q3业绩报告中，新零售业务在阿里营收中占比上升，已经成为阿里巴巴的第二大收入来源。 电商线上广告和佣金收入一直是阿里巴巴最核心的收入模式，但在Q3财报中，以新零售业务为主的“其他收入”在本季度的营收占比达到15%，首次超越佣金的14%，成为阿里巴巴第二大收入来源。在本季度中，以新零售业务为主的“其他收入”实现营收182.1亿元，同比增长125%，继续保持了100%以上的增速。 转自创头条，原文链接：http://www.ctoutiao.com/2499894.html

摘要：数字经济时代，各个行业都面临着巨大的挑战和机遇，如何用新科技来发现和驱动新的商业场景和业务增量。阿里云研究中心，致力于“用科技探索‘新商业’界”。研究领域既涵盖云计算、人工智能、区块链、大数据、物联网、量子计算等前沿科技的演变趋势及产业应用，更进一步积极探索在前沿科技的推动下，新零售、新制造、新能源、新金融等产业数字化转型的方法论和路径。经过大量的案例调研和深度研究，阿里云研究中心完成了零售、数字政务和城市治理、制造、金融、传媒、教育等多个行业数字化转型路径和方法论的思考和沉淀。在此基础上，通过扎实的workshop微咨询服务等产品形态，阿里云研究中心已经成为很多企业数字化转型的“战略顾问”。 开放下载！ | 《新一代数字化转型白皮书》 开放下载！ | 《AI时代零售业智能变革》 开放下载！ | 《消费品生态全链路数智化转型白皮书》 重磅报告 | 《未来银行-DT时代中国银行业发展的新起点》白皮书 重磅报告 | 《证券行业互联网数字变革与发展白皮书》 开放下载！ | 《未来社区数字化操作系统白皮书》 开放下载！

3.2 研究背景当今社会，随着计算机技术，人工智能等科学技术的出现和发展，以及研究的深入，出现了基于机器视觉技术的表面缺陷检测技术。这种技术的出现，大大提高了生产作业的效率，避免了因作业条件，主观判断等影响检测结果的准确性，实现能更好更精确地进行表面缺陷检测，更加快速的识别产品表面瑕疵缺陷。产品表面缺陷检测属于机器视觉技术的一种，就是利用计算机视觉模拟人类视觉的功能，从具体的实物进行图象的采集处理、计算、最终进行实际检测、控制和应用。产品的表面缺陷检测是机器视觉检测的一个重要部分，其检测的准确程度直接会影响产品最终的质量优劣。由于使用人工检测的方法早已不能满足生产和现代工艺生产制造的需求，而利用机器视觉检测很好地克服了这一点，表面缺陷检测系统的广泛应用促进了企业工厂产品高质量的生产与制造业智能自动化的发展。3.3 研究意义工业产品缺陷检测这块市场空间很大，目前除了传统的机器视觉厂商在做以外，深度学习创业巨头涉及的比较少。缺陷检测可以为工厂带来以下好处：1、优化人力：人工检测易受经验和心里等因素的影响，精度低，稳定性差；解决劳动力短缺的问题；2、非接触处理：避免二次损伤，提高可靠性；3、降低成本：改善产线自动化，提高生产效率；协助作业人员消除生产错误、降低内部生产损失；早期就报废劣质产品，减少浪费节约成本；提高生产的柔性和自动化程度；4、提高品质：产品品质均一，提升品牌竞争力。通过图像分析，可检测各种瑕疵位置、尺寸、形状和类型等；5、高精度检测：某些要求精密度较高的检查领域、在配了合适的相机后，检测精度可达到u级，人眼无法检测可使用机器完成；6、对缺陷进行分类：通过图像分析，检测出图像上各种瑕疵的位置、大小和形状，解析图像，并对其进行分类；7、分析无规律图像、复杂图像：通过深度学习算法，系统可自动学习瑕疵特征，是无规律图像的分析变得可能； 3.4 产品缺陷检测模型介绍Mask R-CNN的方法通过添加一个与现有目标检测框回归并行的，用于预测目标掩码的分支来扩展Faster R-CNN，通过添加一个用于在每个感兴趣区域（RoI）上预测分割掩码的分支来扩展Faster R-CNN，就是在每个感兴趣区域（RoI）进行一个二分类的语义分割，在这个感兴趣区域同时做目标检测和分割，这个分支与用于分类和目标检测框回归的分支并行执行，如下图（图1）所示（用于目标分割的Mask R-CNN框架）： 掩码分支是作用于每个RoI的小FCN，以像素到像素的方式预测分割掩码，可是要在ROI区域进行一个mask分割，存在一个问题，Faster R-CNN不是为网络输入和输出之间的像素到像素对齐而设计的，如果直接拿Faster R-CNN得到的ROI进行mask分割，那么像素到像素的分割可能不精确，因为应用到目标检测上的核心操作执行的是粗略的空间量化特征提取，直接分割出来的mask存在错位的情况，所以作者提出了简单的，量化无关的层，称为RoIAlign(ROI对齐)，可以保留精确的空间位置，可以将掩码(mask)准确度提高10％至50％。3.5 实验分析3.5.1 产品缺陷数据集Kaggle钢铁表面缺陷检测数据集，数据集中，钢铁表面图像可以不具有缺陷、单个类别的缺陷或多个类别的缺陷，缺陷类别分为4类。 3.5.2 数据集转换方法COCO数据集Json格式{ “info”: info, “licenses”: [license],

1 大数据的特点 大数据的大并非只是代表数据的体量巨大，事实上在大数据这个概念的出现前，数据的体量就已经随着人类社会的发展而增加到了一定的程度。通常所认为“大”的定义为以下4个方面：（1） 数据体量巨大（2） 数据类型繁多（3） 数据价值密度低（4） 数据处理速度快在云计算出现前，因为系统的处理能力有很大的局限性，因此对于体量巨大、类型繁多并且价值密度低的数据无法进行有效处理，大量的数据因无法处理而未被收集或是已经收集了但过了留存期限而被销毁。按照传统IT架构方式下的数据分析方式，从价值密度低而数量庞大的数据中去挖掘需要的信息所需要的成本大、效率低，因此往往按照经验来总结出一套理论来分析较小体量的数据并在此基础上对未来的同类型问题进行预测，统计学和概率论即在解决这个问题的过程中不断的完善。云计算技术应用后，计算力得到大规模提升，统一的数据仓库形成，同样的统计学算法和概率算法在输入数据爆发性增加后输出值的精确度无限接近于真实情况，大幅度减小了原来基于小规模数据得出的结果的误差。此外，因为云平台降低了计算的成本，所以对于存量数据和增量数据都能够进行反复迭代计算，机器学习由此诞生，其原理是通过对于现有的大量数据进行有监督学习（根据现有数据训练得出规律预测未来）和无监督学习（在海量数据中寻找规律），根据训练的结果总结出模型并预测未来的情况。 2 移动互联网数据特征 互联网时代到来之后，提升了人和人之间的沟通效率，目前通常将人人通过PC机沟通的时代定义为互联网的初级阶段，智能终端的崛起则将互联网推动到了移动互联时代，整个技术发展的趋势就是人类在不断向在线化靠拢。PC机初步解决了人人在线的问题，虽然在实时程度上还不够但和传统书信、电报及电话相比已经大幅度的增加了人类沟通的便捷性，移动互联则是在此基础上进一步提高人与人之间的在线化程度，移动互联网和PC时代的互联网从沟通效率相比有两个显著的提升是：（1）终端从固定向移动发展（2）多人使用一台终端到各人使用一台终端前者使人能够摆脱原先空间上的限制，保持时刻在线状态，这为电子商务、即时通信和移动支付业务等提供了技术基础，表象体现出来的便捷性提高的背后是整个社会的扁平化以及解决了许多领域信息不对称的问题。后者是各类个性化服务的基础，在PC机时代因为往往多人使用同一台终端并且有空间限制，因此在数据采集方面一是由于非完全实时的因素导致数据采集非连续性，另一个是对个体特征值的提取很不方便，无法精确的根据提取出的数据来判断个体的各项特征并用于未来行为的预测。移动互联网的发展解决了这两个问题，突破了空间的限制并且缩小了用户群体的颗粒度，同时，也在这个过程中带来了大量原先不需要、没能力进行处理和无法取得的数据，而真正改变整个社会消费习惯、生活习惯并创造出数字经济这种经济形态的正是这些海量的数据。因此在技术体系中，云计算、大数据和移动互联网的协同发展和运作是缺一不可的，云计算提供计算力的保障，移动互联网作为数据的源头提供已被现代社会视为重要资源的数据和数据的传输通道，大数据在前两者基础上分析和挖掘数据资源的价值。 3 物联网数据特征 如果说移动互联网提供的还是人与人之间的沟通媒介则近年来开始蓬勃发展的物联网则将人的在线化进一步扩展到物的在线化，根据通常的定义，物联网就是物物相联的互联网，这使数据的来源和预期的数量变成几乎无限，因为如果人还是有个总数的概念则物的总数根本没有办法去统计，因此在云计算未诞生前物联网虽然已经有文献提出过这个概念但是根本没有技术支撑和计算力保证。传统方式下将物与物相联和物与人的相联的方式称为自动控制，即并非传统模式下物与物之间或物与人之间就一点互动也没有，其特点是有明确的边界范围并且提供的数据量非常有限，各个子系统之间既没法互通也没有为以后的互通做好预留接口，更不可能将互通范围扩大到不同领域和不同行业。自动控制与物联网的区别就如同统计学与大数据的区别，其核心的方法没有太大的差异但是因为数据量的提升和对数据利用率要求的提高，造成原来的体系不再适用于如今几乎没有边界的范围。和移动互联网一样，物联网同样是技术协同体系中数据的源头和传输通道，需要云计算提供计算力支撑和大数据对于收集的数据进行分析挖掘。 4 产业互联网数据特征 从生产上各类设备的运行数据属于典型的低价值密度数据因为这些设备在大部分情况下工作是正常的，在原先缺乏计算力的情况下没有办法能够挖掘这些数据，判断设备的故障采用的是安装测量仪表的方式，明显的缺陷是测量仪表只有在故障发生时才能通知运行人员并进行保护动作，而大数据应用后，能够通过历史数据和同类型设备运行数据特别是故障情况下的特征进行挖掘和提取，通过预判来做到在设备可能会发生故障时就通知运行人员处理而不必等到故障真正发生，显而易见，这种预测的模式对于生产效率的提升非常显著。 5 5G对数据科学发展趋势的影响 结合以上几个领域的数据特征和5G的特点，可以判断一下5G对数据科学发展趋势的影响。5G的显著特点就是传输速度快并且时延低，从云管端三个层面来分析，5G处于网络层，传输速度的提高代表非结构化数据（视频、图像、语音等）的大规模接入会是未来的趋势，并且这个发展趋势会同时出现在移动互联网、物联网和产业互联网领域，跟随而来的是对于非结构化数据处理和计算的要求变高，云计算方面各领域对于GPU服务器的需求度将会显著上升。从数据算法方面面向结构化数据的机器学习算法目前已经在不断向面向非结构化数据和异构数据计算的方向靠近，这个趋势从阿里云天池比赛的赛题设置可以明显的感受到。在5G出现以前，云端其实已经有能力针对大量的非结构化数据进行大规模计算，但是由于传输通道受限，海量单体文件较大的非结构化数据传输是个很大的问题，传输速度的限制导致了实时性也一并降低因此阻碍了很多应用场景的落地。5G使无线传输速度大幅度提升后解决了传输限制，以神经网络为代表的非结构化数据算法才能够大规模在实际中采用，特别是在无人驾驶、医疗、视频监控等数据量大并且实时性要求极高的场景，传输速度直接影响这些场景下数据的有效性（数据价值随时间下降）。网络层限制解决后，平台层方面流计算的应用程度将会提高以确保数据处理和计算迭代速度不会成为新的瓶颈。产业互联网的典型特征是数据的传输都是双向的，将数据分为反馈信息和控制信息分析，反馈信息进入边缘端或者云端后，通过规则引擎（参见ALIOS IOT平台）计算得出需要发送给感知层的控制指令，对感知层控制设备进行操作。这使网络层的时延必须非常低并且传输非常稳定，由于工业生产过程中各类参数往往在实时波动，因此高延迟不但会造成平台层收到的反馈信息滞后于实际生产过程，更会由于控制信息的返回再次被网络层延迟而造成控制效果变差甚至毫无意义，严重者会干扰工业生产过程的安全运行。5G的低延时性（约为4G的10分之1左右，15ms）从实时性角度看直接关系到产业互联网整个业态的发展，当然在5G实际运用到实时性要求较高的生产场景时，是否真的在可靠性上能够做到和有线传输同等水平比如面对生产环境干扰较多的情况能否不受影响还需要根据其实际落地后并试验后才能验证。

10月31日，南方电网公司与阿里云在广州签署合作备忘录。南方电网公司党组成员、副总经理刘启宏，阿里巴巴集团副总裁兼达摩院城市大脑实验室主任华先胜等出席并见证签署仪式。当天，南方电网公司发布了依托阿里云平台、云桌面举办的2019年电网调度AI邀请赛决赛结果，南京德睿能源研究院有限公司代表队以超过97%的负荷预测准确率摘得冠军，展示了AI技术在电网负荷预测的不俗实力。 刘启宏表示，人工智能给电网业务带来了巨大挑战和机遇。南方电网公司将打开视野，以开放的姿态、务实的态度，加快推进人工智能在生产领域的落地。此次南网总调与阿里云达摩院签署合作备忘录，发挥各自行业优势，有利于促进人工智能前沿技术与电力调度系统业务深度融合，提升电网智能化水平，促进电网生态发展。华先胜表示，阿里巴巴达摩院将与南方电网加强业务交流和技术探讨，深化合作，共同推动人工智能技术在调度业务中的应用。 大会当天，南方电网公司发布了与阿里云合作举办的2019年电网调度AI邀请赛决赛结果。中国科学院院士程时杰、清华大学教授孙宏斌、中国电力科学研究院电力气象模拟与应用研究室主任冯双磊、南方电网系统运行部高级技术专家苏寅生、百度云行业架构师总监郑毅、华为技术有限公司EI创新实验室主任肖凡等业界顶级专家现场观摩，并对参赛队伍发布的成果进行提问、点评。 凭借科学建模和超强计算的强大实力，南京德睿能源研究院有限公司、泰豪软件股份有限公司、国电南瑞科技股份有限公司、上海交通大学、南京南瑞信息通信科技有限公司5家队伍分获前五名。“在此次AI大赛中，南方电网提供了宝贵的、真实的数据，为人工智能应用于电网业务开拓了另一片天地。”南京德睿能源研究院有限公司代表队员表示，人工智能当前已出现了一批经典算法，通过深度融入，相信人工智能将在推动能源变革、促进电力企业转型中发挥重要作用。 在现场答辩中，参加决赛的5支队伍发布了包括负荷数据分析、AI负荷预测算法及模型等成果。“短短10天时间，预测准确度已经达到了十几年专家的人工计算水平。”南方电网教授级高级工程师梁寿愚表示，这些成果将借鉴或应用于南方电网的中长期和日前负荷预测业务应用中，提升负荷预测的智能化水平。 据悉，本次比赛的调度云，采用了阿里云专有云技术，通过云桌面终端统一接入，竞赛内容为基于AI算法实现多地区的统调负荷预测。今年8月，南方电网51套调度业务系统迁移到云系统，与阿里云合作建成的调度云主节点带来了电网算力的大幅提升。“基于调度云的大规模算力，综合防御系统日前安全校核从原来的1个多小时，缩短到10分钟。”梁寿愚介绍说，云平台对数据的采集分析是按秒级计算的，“点完鼠标，读秒就可以了。” 目前，南网总调监视的变电站等级已经由220千伏拓展到35千伏，数量从1000多个增加到7000多个，这些数据每秒会以万次以上的变化频率，积累成数据库。通过调度云，南方电网整合全网的电网运行基础数据，实现了各级调度资源和数据的共享。 据悉，下一步，南方电网公司将与阿里云继续深化合作，积极推动人工智能等技术在电力调度系统业务的应用，包括调度人工智能算法平台的构建、智能调度技术、智能视频分析等合作，共同推动人工智能应用的生态建设。 文章来源：南方电网报

今天我们来揭秘下“城市大脑”背后的男人之一——华先胜，阿里科学家、城市大脑人工智能负责人、被业界公认为“视觉识别和视觉搜索领域的国际级权威学者”。 在周围同事中，华先胜被尊称为“华老师”，这自然与他的“头衔s（s指复数）”和取得的研究成果有关。 华先胜有很多头衔。在一篇报道中，他的头衔包括：国际电气与电子工程协会院士（IEEE Fellow）、美国计算机协会ACM杰出科学家、2008年MIT TR35大奖获得者（全球35位35岁以下的杰出青年创新人物），他还曾担任ACM Multimedia大会的程序委员会主席及将担任2020该大会的联席主席，并被业界公认为“视觉识别和视觉搜索领域的国际级权威学者”。 ET城市大脑的视觉计算项目，就是华先胜带领做的项目。因华先胜而慕名加入阿里云的人，比他的头衔还要多。陈静远就是其中之一，这位90后计算机博士说，她选择加入阿里云的原因有两个：第一，是ET城市大脑；第二，仰慕华先胜的团队。 只有实现用户价值，才算真正的成功 IEEE向华先胜颁发院士资格时，评价他“为多媒体内容分析和图像搜索做出了突出的贡献”。 他在图像搜索方面的努力，已经持续了近二十年。 在最近的一次内部分享中，华先胜把自己目前的人生分为了三段。北京大学十年寒窗苦读后，他在2001年获得了北大应用数学系的博士学位。之后，他在微软一呆就是14年。他先在微软亚洲研究院工作九年“写论文、做技术转化”的日子，写了200篇以上的论文。 “后来觉得有点迷茫，因为你一旦把论文写到100篇的时候，你就麻木了；到200多篇的时候，我根本不知道到底写过多少论文。”华先胜在一次内部分享中，回忆了他当时的一个职业转身，当然还是在微软内部，他去做产品，为必应做图片搜索引擎。 这段经历，奠定了他在图片搜索领域的深厚基础。他需要再深入一些去研究做产品过程中发现的问题，又去了微软美国研究院。 这是一个很多人来了都不想走的地方。华先胜又潜下心来，又写了两年多的代码，写了一套系统做图象识别，做任意物品的图像识别。 实验室的成果和论文带来的成就感没能满足他，有很多想法也无法实现。华先胜说，成功的定义有很多种，但对他而言，只有实现用户的价值才是真正的成功。 2015年，阿里在寻找做图片搜索的专家，华先胜进入了阿里的视野。这是后来手机淘宝上“拍立淘”技术诞生的前奏，也拉开了阿里在图像、视觉技术的跨越。 世界上最遥远的距离 比华先胜的头衔和追随者更多的，是他所支持的衢州城市大脑的黑科技。 衢州城市大脑“渐进式视频搜索引擎”系统上线后，成功帮助老百姓找回了被盗的财物，发现了破坏国家水利风景区自然环境的事件，寻回了走失的患有老年痴呆症的老人，从保护老百姓生命财产安全、保护城市环境等多个角度，将衢州社会基层治理的智能化水平提高到了一个新的层次，体现了阿里云城市大脑在全球领先的视觉计算力，让“只管看的眼睛”变成了“会思考的大脑”，堪称传奇。 “在现实场景中，视觉识别有非常多的应用场景，最重要的是，类似系统的启用会拯救很多生命，这是城市数据价值的体现。”华先胜说。

最炫的技术新知、最热门的大咖公开课、最有趣的开发者活动、最实用的工具干货，就在《开发者必读》！ 每日集成开发者社区精品内容，你身边的技术资讯管家。 每日头条 给 AI 讲故事，如何教它脑补画面？ 视觉想象力是人与生俱来的， AI 能否拥有类似的能力呢？比如：给出一段故事情节，如何让机器展开它的想象力，“脑补”出画面呢？看看阿里AI Labs 感知实验室的同学们如何解决这个问题。 最强干货 解密双十一小程序云背后毫秒级伸缩的Serverless计算平台：函数计算 自2017年第一批小程序上线以来，越来越多的移动端应用以小程序的形式呈现。小程序拥有触手可及、用完即走的优点，这大大减少了用户的使用负担，使小程序得到了广泛的传播。在阿里小程序也被广泛地应用在淘宝/支付宝/钉钉/高德等平台上，例如今年双11大家在淘宝/天猫上参加的活动，大部分都是通过小程序提供的。 每秒8700万次！数据库峰值新纪录背后的关键力量 2019年双11，阿里云自研云原生数据库POLARDB创造了每秒8700万次的数据库处理（TPS）峰值新记录。眨眼间，即完成了8700万次计算。 在阿里云双11技术媒体发布会上，阿里云智能数据库事业部总经理曹伟表示，在阿里自研数据库产品POLARDB以及其他多款数据库产品的共同支持下，今年双11开始前15分钟整个系统没有任何抖动，确保数亿用户顺畅购物。 5G对于云边协同发展前景的影响 从云管端三个层次来看，5G作为工作于网络层的通信技术，其发展和运用能够大幅度提高云端和边缘端的沟通效率。虽然边缘计算终端能够为云平台分解一部分计算压力，但是由于网络层的限制，实时性是云边沟通协同中的主要限制，5G的运用使边缘计算能够通过传输速度的加快克服其本身计算力较弱的特点，使边缘计算的作用从目前更靠近感知层而逐步北向真正融入平台层，真正起到其应是具有计算力的前端节点的作用。 每天读本书

1. 传统产品研发的不得已 传统产品研发过程中，包含有很多默认的准备工作，包括环境的准备、组件的选型及部署等，如： 数据库的选型、高可用方案的设计及部署 中间件的选型、高可用方案的设计及部署 基础功能模块的设计、开发 …… 以上这些工作的重要性不言而喻，而且技术挑战性高，普通的研发人员无法担当；另一面的事实是，这些问题每天在不同的研发团队中，不停的被解决。 2. 基于云计算的产品研发模式 2.1 基本理念 专业的团队做专业的事情 不重复发明轮子 2.2 构建基于核心能力互补的三层合作体系架构 层次 模块定位 合作要求 合作模式