gydtep

例子2，后接不同的名词：Exactly-once State Consistency 和 Exactly-once Process Consistency。前者是 Flink 在官网中对其一致性的叙述，后者是 Kafka Streaming 的一致性保证，前者的语义约束弱于后者。Exactly-once State Consistency 只是表达了：

gydtep

无法做到数据的自适应，因此需要人为介入，不断调整阈值。例如下图：

上面是一个指标，有规则性的毛刺。如果通过阈值来判断是否需要告警，当一个毛刺点异常的时候，可能由于不满足阈值，导致告警漏报。

gydtep

这些年我们的双11一直在解一道题，如何用更少的机器资源支撑更高的交易峰值，为商业增长、商家生意创造更大的空间，让消费者的体验更加丝般顺滑。

gydtep

第四个方向产业智能。过去12年我们发现最大的变革还发生在消费互联网侧，在产业互联网侧看到了点状的努力和创新。未来12年，我相信数字技术、智能技术能够从从生产到设计、制造到物流、到供应链等等每一个环节进行深度数字化改革。同时过程中，所有这些环节又会被数字技术实时串联在一起，形成一个新的数字商业生态。

gydtep

多模态知识图谱与传统知识图谱的主要区别是，传统知识图谱主要集中研究文本和数据库的实体和关系，而多模态知识图谱则在传统知识图谱的基础上，构建了多种模态（例如视觉模态）下的实体，以及多种模态实体间的多模态语义关系。

gydtep

图像检索的核心技术是度量学习，其目标是在固定维度的特征空间中，约束模型将同类别样本拉近，不同类别样本推远。

gydtep

而且该遮挡场景还是不规则的，导致很难对两个牌匾进行较好地特征对齐，这给POI牌匾检索带来巨大的挑战。

文本依赖性

POI牌匾还有一个独有特性就是对文本强依赖，主要是对POI名称文本的依赖。

gydtep

输入包括了：1）POI牌匾的图像信息；2）POI牌匾的文本信息。图像信息使用双分支进行特征提取，文本信息使用BERT进行特征提取，最后再将文本特征与视觉特征进行融合。

gydtep

图像检索是在高德地图数据自动化生产中的一次尝试，取得了不错的效果，并且已在实际业务中使用。但是模型并不是完美的，仍会存在Corner case，为了解决这些case，我们未来将会从半监督学习/主动学习自动补充数据，以及引入Transformer[9,10]优化特征提取和融合两方面进行探讨。

gydtep

半监督学习利用有标签数据训练出的模型来对海量无标签数据产生伪标签，进一步标签数据和伪标签数据混合后再优化模型。主动学习是利用有标签数据训练出的模型对海量无标签数据进行数据挖掘，并人工标注挖掘出的有价值数据。