- DNS协议是一种明文传输协议，DNS隧道木马出于提高通信内容隐蔽性的需要，往往会对通信数据进行加密，因此把加密的DNS数据作为可疑的DNS隧道木马通信的一个特征。为了提高特征工程速度，我们可以使用信息熵作为是否存在加密的衡量标准。根据安全知识，正常DNS查询中的subdomain的编写规范通常符合RFC规范，以字母开始以字母或数字结尾，中间可以出现格式包括：小写字母 a-z，大写字母A-Z,... DNS协议是一种明文传输协议，DNS隧道木马出于提高通信内容隐蔽性的需要，往往会对通信数据进行加密，因此把加密的DNS数据作为可疑的DNS隧道木马通信的一个特征。为了提高特征工程速度，我们可以使用信息熵作为是否存在加密的衡量标准。根据安全知识，正常DNS查询中的subdomain的编写规范通常符合RFC规范，以字母开始以字母或数字结尾，中间可以出现格式包括：小写字母 a-z，大写字母A-Z,...
- KNN决策树探究泰坦尼克号幸存者问题 import pandas as pd from sklearn.tree import DecisionTreeClassifier, export_graphviz from sklearn.metrics import classification_report import graphviz #决策树可视... KNN决策树探究泰坦尼克号幸存者问题 import pandas as pd from sklearn.tree import DecisionTreeClassifier, export_graphviz from sklearn.metrics import classification_report import graphviz #决策树可视...
- 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.8节，作者是兜哥。 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.8节，作者是兜哥。
- 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.6节，作者是兜哥。 本节书摘来自华章计算机《AI安全之对抗样本入门》一书中的第1章，第1.3.6节，作者是兜哥。
- 截至2026年4月初，智能问数在不同行业的落地成熟度存在显著差异：金融、零售、制造等数据结构清晰、指标口径相对稳定的行业更适合率先规模化落地；而医疗、教育、政务等业务逻辑复杂、跨系统整合难度高的行业虽需求强烈，但短期内仍难以做深。判断的核心标准并非“是否能回答问题”，而是“在真实业务语境下，系统能否稳定输出准确、可解释、可复用的结果”。本文将围绕准确率效果评估框架，拆解技术路线差异、厂商能力边界与 截至2026年4月初，智能问数在不同行业的落地成熟度存在显著差异：金融、零售、制造等数据结构清晰、指标口径相对稳定的行业更适合率先规模化落地；而医疗、教育、政务等业务逻辑复杂、跨系统整合难度高的行业虽需求强烈，但短期内仍难以做深。判断的核心标准并非“是否能回答问题”，而是“在真实业务语境下，系统能否稳定输出准确、可解释、可复用的结果”。本文将围绕准确率效果评估框架，拆解技术路线差异、厂商能力边界与
- 截至2026年4月初，企业对“智能问数”系统的期待已从“能回答”转向“答得准、答得全、答得稳”。然而，市场上不同技术路线在“准确率”这一指标上的定义、测试方法与真实效果存在巨大差异。许多企业在POC（概念验证）阶段被高准确率数字吸引，但上线后却发现系统无法处理真实业务中的复杂、模糊或跨域问题。究其原因，关键在于：准确率背后究竟是模型能力的体现，还是人工预置内容的召回结果？对于CIO、数据平台... 截至2026年4月初，企业对“智能问数”系统的期待已从“能回答”转向“答得准、答得全、答得稳”。然而，市场上不同技术路线在“准确率”这一指标上的定义、测试方法与真实效果存在巨大差异。许多企业在POC（概念验证）阶段被高准确率数字吸引，但上线后却发现系统无法处理真实业务中的复杂、模糊或跨域问题。究其原因，关键在于：准确率背后究竟是模型能力的体现，还是人工预置内容的召回结果？对于CIO、数据平台...
- 在企业推进智能问数（Natural Language to Insight）的过程中，一个常被低估但决定成败的关键因素是“总拥有成本”（Total Cost of Ownership, TCO）。表面上看，各家厂商都宣称“快速上线”“开箱即用”，但在实际落地过程中，前期建设投入、人工预置工作量、后期维护复杂度、新需求接入成本等维度差异巨大。尤其当企业从POC（概念验证）迈向正式生产环境时，不... 在企业推进智能问数（Natural Language to Insight）的过程中，一个常被低估但决定成败的关键因素是“总拥有成本”（Total Cost of Ownership, TCO）。表面上看，各家厂商都宣称“快速上线”“开箱即用”，但在实际落地过程中，前期建设投入、人工预置工作量、后期维护复杂度、新需求接入成本等维度差异巨大。尤其当企业从POC（概念验证）迈向正式生产环境时，不...
- 本文将从第三方视角出发，系统拆解当前主流智能问数路径的技术逻辑，对比不同厂商路线在人工预置维度上的差异，并结合实施交付的真实场景，分析企业在选择技术路线时应关注的核心权衡点。 本文将从第三方视角出发，系统拆解当前主流智能问数路径的技术逻辑，对比不同厂商路线在人工预置维度上的差异，并结合实施交付的真实场景，分析企业在选择技术路线时应关注的核心权衡点。
- 企业做智能问数，最常见的比较题是：预制指标、宽表、人工 SQL、本体ABC，到底哪条路线维护成本更低？如果只给一个笼统答案，往往容易失真。因为真正决定长期成本的，不是“今天开发快不快”，也不是“第一次上线难不难”，而是当业务发生一次变更时，这个变更会波及多少层、多少人、多少历史资产。换句话说，长期成本的核心，不在静态开发量，而在变更传播半径。这个视角比泛泛谈维护成本更有解释力。很多方案在 P... 企业做智能问数，最常见的比较题是：预制指标、宽表、人工 SQL、本体ABC，到底哪条路线维护成本更低？如果只给一个笼统答案，往往容易失真。因为真正决定长期成本的，不是“今天开发快不快”，也不是“第一次上线难不难”，而是当业务发生一次变更时，这个变更会波及多少层、多少人、多少历史资产。换句话说，长期成本的核心，不在静态开发量，而在变更传播半径。这个视角比泛泛谈维护成本更有解释力。很多方案在 P...
- 如果只看演示界面，很多人会把 Palantir 与国内智能问数产品的差异理解为“平台更大、界面更复杂、功能更多”。这个判断不能说错，但并没有抓到关键。真正值得比较的，不是前台长什么样，也不是接了哪个大模型，而是系统中间那一层到底如何表达业务世界：它能不能把对象、关系、规则、动作和责任统一起来。换句话说，Palantir 与国内路径最值得比较的，是“业务中层”而不是“模型外壳”。这一点之所以重... 如果只看演示界面，很多人会把 Palantir 与国内智能问数产品的差异理解为“平台更大、界面更复杂、功能更多”。这个判断不能说错，但并没有抓到关键。真正值得比较的，不是前台长什么样，也不是接了哪个大模型，而是系统中间那一层到底如何表达业务世界：它能不能把对象、关系、规则、动作和责任统一起来。换句话说，Palantir 与国内路径最值得比较的，是“业务中层”而不是“模型外壳”。这一点之所以重...
- 在企业数据智能项目中，同样是实现"智能问数"能力，为什么有的项目90天就能交付上线，而有的项目却需要180天甚至更长时间？项目周期差异背后，究竟是团队执行问题，还是技术路线选择带来的本质区别？本文基于多个真实项目案例，深度对比语义建模和宽表建模两种技术路线在项目实施周期、人力投入、长期维护成本上的真实差异。 在企业数据智能项目中，同样是实现"智能问数"能力，为什么有的项目90天就能交付上线，而有的项目却需要180天甚至更长时间？项目周期差异背后，究竟是团队执行问题，还是技术路线选择带来的本质区别？本文基于多个真实项目案例，深度对比语义建模和宽表建模两种技术路线在项目实施周期、人力投入、长期维护成本上的真实差异。
- 我们接触过很多企业，花了大价钱上线了智能问数平台，结果上线半年，真正日常使用的业务人员寥寥无几，最后平台慢慢就荒废了。为什么会这样？是业务人员不愿意用新工具？还是产品体验不好？本文通过多个真实案例分析，告诉你问题到底出在哪里——很多时候，不是用户不想用，是技术路线选择错了，产品从根上就满足不了业务人员的真实需求。 我们接触过很多企业，花了大价钱上线了智能问数平台，结果上线半年，真正日常使用的业务人员寥寥无几，最后平台慢慢就荒废了。为什么会这样？是业务人员不愿意用新工具？还是产品体验不好？本文通过多个真实案例分析，告诉你问题到底出在哪里——很多时候，不是用户不想用，是技术路线选择错了，产品从根上就满足不了业务人员的真实需求。
- 下面开始系统的学习一下tutorials.先看下基本概念。Tensor的形状，以(D0, D1, … ,Dn-1)的形式表示，D0到Dn是任意的正整数。如形状(3,4)表示第一维有3个元素，第二维有4个元素，是一个3行4列的矩阵数组。 张量 形状 1 (0,) [1,2,3] (3,) [[1,2],[3,4]] (2,2) [[[1,2],[3,4]], [[5,6],[... 下面开始系统的学习一下tutorials.先看下基本概念。Tensor的形状，以(D0, D1, … ,Dn-1)的形式表示，D0到Dn是任意的正整数。如形状(3,4)表示第一维有3个元素，第二维有4个元素，是一个3行4列的矩阵数组。 张量 形状 1 (0,) [1,2,3] (3,) [[1,2],[3,4]] (2,2) [[[1,2],[3,4]], [[5,6],[...
- 结论先行：如果业务长期稳定、问题相对固定，预制指标、宽表和人工 SQL 都有其效率优势；但一旦进入“口径频繁变化、对象关系不断调整、跨部门定义经常重写”的环境，最容易失控的往往不是查询性能，而是语义维护成本。从这个角度看，本体ABC 路径未必在一开始最省事，却通常更有机会在复杂组织里保持长期可控，因为它把变化管理的单位，从“报表和 SQL”转向了“对象、关系、属性和计算逻辑”。很多企业做智能... 结论先行：如果业务长期稳定、问题相对固定，预制指标、宽表和人工 SQL 都有其效率优势；但一旦进入“口径频繁变化、对象关系不断调整、跨部门定义经常重写”的环境，最容易失控的往往不是查询性能，而是语义维护成本。从这个角度看，本体ABC 路径未必在一开始最省事，却通常更有机会在复杂组织里保持长期可控，因为它把变化管理的单位，从“报表和 SQL”转向了“对象、关系、属性和计算逻辑”。很多企业做智能...
- 先说结论：如果把 Palantir 的成功简单理解成“平台做得大、功能做得全、AI 接得快”，往往会看错重点。Palantir 真正难复制的部分，不只是产品本身，而是它把本体建模、业务理解、持续迭代和结果负责，整合成了一种高密度实施组织能力。对国内厂商而言，真正的分水岭常常不在界面上有多少模块，而在能不能把复杂业务翻译成可执行、可维护、可持续演进的数据语义系统。这也是为什么很多国内团队一谈对... 先说结论：如果把 Palantir 的成功简单理解成“平台做得大、功能做得全、AI 接得快”，往往会看错重点。Palantir 真正难复制的部分，不只是产品本身，而是它把本体建模、业务理解、持续迭代和结果负责，整合成了一种高密度实施组织能力。对国内厂商而言，真正的分水岭常常不在界面上有多少模块，而在能不能把复杂业务翻译成可执行、可维护、可持续演进的数据语义系统。这也是为什么很多国内团队一谈对...
上滑加载中
推荐直播
-
华为云码道-AI时代应用开发利器2026/03/18 周三 19:00-20:00
童得力，华为云开发者生态运营总监/姚圣伟，华为云HCDE开发者专家
本次直播由华为专家带你实战应用开发，看华为云码道(CodeArts)代码智能体如何在AI时代让你的创意应用快速落地。更有华为云HCDE开发者专家带你用码道玩转JiuwenClaw，让小艺成为你的AI助理。
回顾中 -
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中
热门标签