当前位置:首页 > 大数据
  • 滴滴Elasticsearch集群跨版本升级与平台重构之路

    分享嘉宾:赵情融 滴滴专家工程师 编辑整理:王洪达 出品平台:DataFunTalk 导读: 前不久,滴滴ES团队将维护的30多个ES集群,3500多个ES节点,8PB的数据,从2.3.3跨大版本无缝升级到6.6.1。在对用户查询写入基本零影响和改动的前提下,解决了ES跨大版本协议不兼容、文件格式不兼容、mapping不兼容等难题,整个过程对绝大部分用户完全透明。同时还完成了Arius的架构升级,取得了单机查询性能提升40%,整体集群cpu下降10%,写入tps提升30%,集群资源使用率提升20%、0故障、运维成本下降60%的成绩。 本文将系统的介绍滴滴在从2.3.3跨大版本升级到6.6.1过程中的遇到的问题和解决方案,以及在搜索平台建设过程中的体系化思考。 01 背景介绍 1. 集群规模 目前滴滴使用的ES版本是2.3.3,集群个数有40多个,节点规模有3500+,集群总容量有8PB。 2. 业务规模 1200多个平台应用方在使用ES,30多个核心应用在使用ES,写入的TPS有1500W,查询的QPS有25W。 02 问题分析 针对以上规模的ES集群,从2.3.3升级到6.X版本,小版本会根据最后分析的结果确定,需要对潜在可能的问题进行分析和区分。 1. 问题分析 主要先从四大问题域进行区分分析: 引擎侧:由于从2.3.3升级到6.X版本,版本差距过大,在文件格式和协议上都不兼容,因此无法进行原地滚动直接升级,需要双写搬迁升级,这样会耗费大量的机器去参与其中 用户侧:6.X版本开始逐渐的不支持TCP接口,因此需要用户适配和升级;查询和返回值也有一定差异,如果用户侧做适配,会极大影响升级的进度 资源侧:由于无法直接原地滚动直接升级,需要双写使用大量的机器,但是无法提供升级所需要的机器,如果升级过程中资源无法得到保障,那也会极大影响升级的进度 操作侧:新版本的多集群如何进行运维管控?升级的结果如何验证?查询的效率和质量如何保障和保证的?这些问题都需要考虑 2. 升级思路 根据上一部分问题的汇总和分类,形成了一个大致的升级思路并会根据这四大步骤来解决具体的问题。 架构设计:平台支持多版本支持,查询网关上进行多版本兼容,在查询和插入使用SDK时候要做到SDK接口的透明,最后要做一个平台数据采集和分析用于后续做升级的分析对比 资源准备:进行合理的多集群容量规划来提高资源使用率,尽可能的节省机器;设计索引分级存储来提升资源的利用率;还针对大索引迁移开发了一个插件FastIndex也用来提升资源利用率 运维绩效:开发ES集群管控平台,将ES集群管控平台化和图表化;通过Docker的方式来提升部署和运维的效率 实操:在实际操作中,需要实现批量双写以及查询回放的功能;需要对业务进行区分,实现日志和核心集群的分步推进;最后就是升级过程中会遇到一些坑,需要把坑都填满,后续会详细介绍一下这些坑 3. 升级方案 上面是升级思路,接下来介绍一下升级方案: 架构:ES多版本支持的架构改造,同时支持2.3.3以及6.X版本;开发一套多集群管控平台,用于滴滴内部ES多个集群的管控;同时还开发了一套ES服务元数据体系建设 资源:设计ES分级存储体系;开发ES-FastIndex离线数据导入的插件;最后构建了一套ES集群容量规划方案来提升集群的资源使用率,节约资源成本 实操:通过ES多集群搭建、ES流量回放对比系统、ES版本升级采坑分享来完成升级和对比的一个过程 03 方案介绍 1. 架构 ① 架构重构 介绍一下滴滴搜索平台(Arius)的架构,业务方使用ES搜索进行读写请求时都会经过网关;运维的时候会根据集群的重要程度进行划分,会将四十多个集群划分为VIP、Important、Normal、Backup四类,开发了一个DCDR工具用于跨集群的数据同步;在ES集群运维之上开发了三大组件,一个是ES Cluster Manager,用于集群的搭建、重启和升级混合操作的平台;第二个是集群ES的数据分析构建了一个Arius Metadata Service的元数据管理服务,用于做DSL分析、成本优化和查询回放;在这两个系统之上有一套Arius Admin管控系统,包含索引管控、权限管控、DSL运维、多版本支持、资源管控以及容量规划等功能;基于Arius Admin,构建了两套面向运维和用户的管控平台前端工程。 以上就是滴滴搜索平台的整体架构,然后基于此来做ES的版本升级。 ② 升级流程 上图为升级的流程,首先是要升级对ES集群的管控,要支持2.3.3和6.6.1两个版本;对每个要升级的索引要进行主备索引的创建,创建完毕后通过双写的形式对主和备都同时写入到新的索引中,对于历史索引采取的是这样一个策略:在双写之前,主备创建之后,会暂停历史数据的写入,把历史数据通过migration的方式从低版本迁移到高版本中,迁移完后再进行双写;在迁移完成,双写链路打开之后,做一个DSL数据回放,由于用户的读写都是通过gateway进行的,所以可以拿到用户的DSL语句和返回数据来进行一个高低版本的查询、对比和分析,如果最后比对结果是数据一致、性能也一致,那就认为该索引在高低版本中迁移是成功的。如果迁移成功,会在网关层完成用户查询的向高版本的切换,如果切换完成后,业务方运行没有问题就会将低版本的索引下线掉,最终就完成了索引由低版本向高版本升级的过程。 ③ GateWay兼容性 升级是一个比较漫长的过程,高低版本集群会并行运行一段时间,用户使用的SDK也会高低版本共存,这样就需要解决高低版本兼容性的问题。查询可能会分为上图六条线标识的六种情况,蓝色线表明不需要进行改造直接进行查询的,2.3.3的http和tcp sdk查询2.3.3ES集群,6.6.1 high sdk查询6.6.1的ES集群都是没有问题的;红色线表明是需要考虑兼容性问题进行改造的,例如2.3.3的sdk查询6.6.1的ES集群时候语法的差异性问题等,然后ES高版本中会逐渐取消掉tcp的查询接口,但是滴滴内部还是有很多用户是使用tcp方式查询的,如果需要用户进行代码改造的话流程会非常漫长,因此在Gateway层面做了一些兼容性处理:在2.3.3http api和6.6.1 high sdk查询6.6.1集群和2.3.3集群时候,做了请求DSL的兼容性处理和响应结果兼容,解决了用户的痛点;对于使用tcp方式查询的用户,开发了一个elasticsearch-didi-java-client的sdk,用户替换一下pom即可,表面上还是使用tcp的方式,但是在网关层面已经将其转换为了http查询的方式。这样就做到了用户透明。 ④ ES集群管控平台 同时搭建了一套ES集群管控平台,用于进行集群搭建、集群扩容、集群升级、集群监控以及集群诊断等工作,为升级过程中的运维赋能,提升升级推进进度。 ⑤ 元数据服务 前面介绍的时候有讲到元数据服务,该模块的作用就是提供一个ES集群和业务方的数据的分析,然后获取cluster/stats、node/stats、日志、监控数据等信息进行分析,最后可以得到节点磁盘使用状况、DSL查询情况(慢查、错误查询),基于此来做容量规划、分级存储、查询回放等数据驱动型工作。 ⑥ DSL服务 此处着重介绍一下DSL服务,用户所有请求都会通过网关,经过网关时会收集到kafka,然后用flink做一些分析,如DSL模板提取(具体查询参数去掉,抽象为模板)、DSL统计、DSL慢查分析、DSL异常分析等,然后将分析结果回写到ES集群中;然后根据这些分析的数据来做DSL审核(用户可能会查询滴滴的核心索引,此处需要审核才能查询)、DSL限流(有的DSL里面会有大量的聚合查询,此处会进行一定限流)、DSL分析(首先会对DSL语句进行语法树的解析,解析后会生成一个无参的查询模板)等。 2. 资源 ① 容量规划 接下来将一些如何在升级过程中解决资源问题,为此开发了一个容量规划的算法,ES缺乏一个多节点之间索引均匀分布的功能;在滴滴内部最大的集群是在两百多个节点,承载容量在PB级别,索引有上千个,在写入索引时候可能流量分布式不均匀的,很有可能有索引节点的热点存在。 解决思路为将两百多个节点进行划分为五个region,一个region都会有很多节点组成,如r1、r2、r3组成,划分之后就可以计算每个region中节点磁盘的使用情况,设置一个高水位线和低水位线,通过分析每个region的数据情况,region超过高水位就会通过rack变更进行扩容,region内部会监控不同节点的使用情况,通过rack建索引mockShard进行均衡,从而整体提升资源利用率,通过该算法后集群磁盘的使用率从百分之四十提升到百分之六十,这样就节省了大量的资源。 ② 分级存储 基于用户查询和保存的操作进行一个数据分析,开发了一个ES分级存储的体系,搭建ES集群时候主要基于两种磁盘进行搭建的,一种是SSD磁盘,另一种是Ceph(可以理解为HDD磁盘组成的网络磁盘);SSD磁盘非常贵,但是查询性能特别好,会存储一些查询频繁的数据,Ceph磁盘比较便宜,但是查询IO性能比较低,存储查询不是那么频繁的数据;根据用户查询的频率,将数据区分为冷数据和热数据,根绝查询的DSL来分析索引的保留期限,在滴滴内部基本上索引都是按天保存的(举个例子:日志都是按天建索引保存的),三天之内的放到SSD上保存,三天之前的数据会放到Ceph上存储,这样可以大量存储的成本,同等成本情况下,把集群存储容量从5PB提升到了8PB。 在分级存储之上,还开发了一些特性,专门开发了high level和low level的水位线,这是基于冷存和热存系统消耗是不一样的,冷存的时候high level可能会更高一点,以上就是分级存储的内容。 ③ FastIndex 另外还为离线数据导入ES开发了一个FastIIndex的组件,该组件开发主要是基于滴滴内部用于分析乘客的标签系统,从离线系统导入ES集群而开发的;标签系统每天都会重新计算,数据总量在40TB左右,原始数据在hadoop上,计算好之后通过kafka然后实时链路写入到ES,以前把40TB数据导入到ES需要40台高配物理机,基于这样一个案例开发了FastIndex组件,利用hive进行一个mapreduce的过程,在reduce阶段使用FastIndex组件启用ES local这样的模式将数据写到lucene data中,然后再把lucene文件加载到ES集群中,这样就完成了把离线数据导入ES集群的操作,资源从40台下降到10台高配物理机,时间也从6小时下降到1.5小时,节省了大量的成本。 3. 升级 ① 查询回放 机器资源优化好了之后,开始升级,升级过程前面有讲过了,这里主要介绍一下查询回放流程,因为要保证升级后对用户的查询是没有影响的;基于gateway网关层DSL的分析,将用户查询的DSL全部在高低版本上进行一个回放,最后得出一份查询性能报告和查询结果报告,通过分析两篇报告,如果是一致的就认为升级完成;如果不一致,就分析2.3.3和6.6.1哪些查询导致的问题,然后做兼容性适配,适配完成后再进行查询回放,循环往复直至最后所有的报告都一致,这样就认为ES集群升级成功。 ② 采坑 接下来介绍一下升级过程中遇到的坑: Mapping:选择6.6.1的理由是代码里面暂时还是支持多type的;还有就是布尔类型数据的兼容,分词不分词的mapping修改,这些内容都会提前帮助用户修改好mapping。 查询兼容:聚合查询term size不能为0,网关兼容默认返回1000条;match不支持type关键字,网关兼容查询type处理逻辑;not/or/and关键字不兼容,网关转换must/should/must_not;不支持关键字fields,网关转换为store_fields 性能:数值字段改为BKD,枚举字段会从Long类型改为keyword类型;否则long类型在BKD查询时候还有问题的 SDK:使用高版本ES会有堆外内存消耗过大的问题,需要开启jdk,nio.maxCachedBudderSize参数来保障堆外内存不会消耗过大。 04 升级收益 1. 平台升级 构建了一个完善的管控的平台,大大降低了使用成本。 2. 成本下降 机器数量下降了400台,每月成本节约了80万左右。 3. 性能提升 高版本的ES查询性能提升还是很明显的,请求耗时下降40%,集群写入提升30%。 4. 特性应用 使用了高版本特性带来的一些优势: Sequence Number提升了集群升级速度 Ingest Node索引模板和限流从网关层下放到引擎层 DCDR滴滴跨集群数据同步,相比CCR性能提升2倍 Cluster reroute冷热节点shard搬迁更均匀 Cluster allocation explain降低集群状态运维成本 05 总结与展望 1. 总结 针对搜索平台进行大版本的升级时,一定要做到: 架构要可控:服务化(网关服务、管控服务、元数据服务、FastIndex服务)、高内聚、一定优先保证稳定性 平台要易用:平台化、自动化、可视化 成本要低廉:数据驱动、技术改造、业务配合 引擎要深入:深入理解版本差异、深入理解ES原理、深入定位问题根因 2. 规划 最后对滴滴搜索平台做一个整体的规划: 更大的集群:在滴滴现有的目前40多个集群的规模下,做得更大,由于master元数据管理的限制导致对集群的管控是无法做到非常大的,目前滴滴希望做到单集群支持50万下载、1500节点的支撑;同时需要做好多租户能力的支持 更易用的平台:ES云平台建设、ES专家服务 更强的引擎:CBO/RBO查询优化、提升写入性能 更多的贡献:加强和开源社区的互动、深入引擎开发 嘉宾介绍: 赵情融 滴滴出行 | 专家工程师 2018年加入滴滴,负责滴滴搜索平台建设工作,曾在阿里工作多年,有丰富平台建设经验。 特别推荐一个分享架构+算法的优质内容,还没关注的小伙伴,可以长按关注一下: 长按订阅更多精彩▼如有收获,点个在看,诚挚感谢 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-28 关键词: 大数据 云计算 互联网

  • 第四届智慧医疗创新大赛全国总决赛圆满落幕

    第四届智慧医疗创新大赛全国总决赛圆满落幕

    2020年10月12日,在福州数字中国会展中心圆满落幕了“2020数字中国创新大赛·智慧医疗赛道暨第四届智慧医疗创新大赛全国总决赛”。本次总决赛评选出星光行动团队获得特等奖,11个团队获得一等奖,17支团队获得二等奖、29支团队获得三等奖。 江西省儿童医院报送的参赛作品《星光行动》为关爱自闭症患儿的项目,该院通过搭建儿童保健大数据平台,实现儿童自闭症患者在线筛查、基层转诊、随访复诊、干预治疗,以达到自闭症患儿早筛查、早诊断、早干预的目的。参赛主选手为医院儿童保健科医师赖媛,她的演讲极富感染力,从自闭症患儿的现状、困境及早期干预的意义娓娓道来,参会人员落泪不止,获得在场评委的高度好评。 由福建医科大学孟超肝胆医院选送的“肝病大数据平台创新体系建设”获得一等奖。肝病大数据平台创新体系是国内首个医疗领域的大数据体系,为医学专科大数据平台的建设提供了一个创新模式,可推广复制到其他疾病领域。 由数字中国建设峰会组委会指导,福建省数字福建建设领导小组办公室、福建省工业和信息化厅、福州市人民政府、移动医疗教育部中国移动联合实验室及清华-福州数据技术研究院联合主办,福州数据技术研究院、智医疗联合承办的2020数字中国创新大赛智慧医疗赛道暨第四届智慧医疗创新大赛,是2020年数字中国建设峰会的重要组成部分。

    时间:2020-10-28 关键词: 信息化 智慧医疗 大数据

  • 工信部:将 再接再厉,继续大力推进5G创新

    工信部:将 再接再厉,继续大力推进5G创新

    工信部称,下一步,我部将继续会同相关部门大力推进5G创新发展,支持各地区积极开展5G应用探索,助力5G产业发展。 持续加强5G产业创新能力建设,推动5G与云计算、大数据、人工智能、区块链等技术协同发展。

    时间:2020-10-28 关键词: 工信部 5G 大数据

  • 腾讯智慧医疗联合创新基地正式落地武汉市

    腾讯智慧医疗联合创新基地正式落地武汉市

    前段时间,在武汉市正式举行了腾讯智慧医疗联合创新基地——武汉市第一医院互联网医院的启动仪式。该互联网医院由武汉市第一医院携手腾讯医疗共同打造的。 据武汉市第一医院院长魏力介绍,腾讯医疗和武汉市第一医院联合打造的线上线下全融合一体化的互联网医院平台,从诊前预约挂号,到就诊、快递送药、开发票,到诊后随访均可在线完成,最终实现线下、线上,诊前、诊中、诊后的全流程闭环。其中,首创的辅医介入模式,创新性的将“辅医”服务引入互联网医院线上候诊间,辅医在诊前完成对患者的预问诊,由人工智能与专业医生共同完成,引导患者完成诊前智能问答、填写病情概要、上传患处图片,智能生成诊前电子病历,在主动甄别患者需求,引导患者完成后续问诊过程中作用重大,并且还大大提升了诊疗效率。据测算,患者使用武汉市第一医院互联网医院后,整个线上问诊所花费的时间保持在7分钟左右,免去了传统线下就诊动辄几小时的舟车劳顿,从而有效解决了传统医院普遍存在的医生接诊效率低、候诊等待时间长、用户体验差等问题。 武汉市第一医院的互联网医院模式,在疫情爆发期的探索中发挥了重要作用,在如今疫情常态化下同样有着重要的现实意义。据腾讯智慧医疗总经理张国栋介绍,医疗是一个非常专业的领域,腾讯公司对自己的定位是做好“数字化助手”,发挥“连接+科技”的优势,与100+生态合作企业,共同服务医疗卫生领域的各类机构和人民群众。因抗击新冠疫情,智慧医疗的发展也被按下“快进键”。腾讯医疗以人工智能、大数据、云计算为核心的数字技术,成为推动这场升级的“数字引擎”。武汉市第一医院与腾讯医疗渊源颇深,已联合打造了线上线下全融合一体化的互联网医院平台,为居民提供“一部手机管健康”的服务,全面实现了打通资讯、挂号、问诊、购药、支付等健康服务环节,实现线上线下一体化的医疗健康服务,是腾讯智慧医疗创新的优秀实践。

    时间:2020-10-24 关键词: 腾讯 智慧医疗 大数据

  • 浅谈机器学习是大数据走向嵌入式智能化应用的捷径

    浅谈机器学习是大数据走向嵌入式智能化应用的捷径

    我们生活在一个特定的世界,几乎每个人都在谈论数据和潜在价值。绘制大量的原始数据是复杂且难以解释的。近年来,学习机器使我们能够实现在线公司迄今为止所做的大部分价值,但现在它们正在扩展到物理世界。然而,对于许多人来说,传感器数据和集成KI模型之间的路径似乎几乎无法逾越。 WriTIngembeddedsoftwareisnotoriouslyTIme-consuming,andisknowntotakeatleast10-20TImeslongerthandesktopsoftware被发展的状态开发区[1].Itdoesnothavetobethatway.Here,wewillwalkyouthrougharealAIproject—fromtoembeddedapplicaTIon—usingourefficient,time-savingmethod. 今天,处理和解释传感器数据的绝大多数软件都是基于传统的方法:变换、滤波、统计分析等。这些方法是由一个人设计的,他参考他们的个人领域知识,在数据中寻找某种“指纹。通常,这种指纹是数据中事件的复杂组合,需要机器学习才能成功地解决问题。 Tobeabletoprocesssensordatainreal-time,themachinelearningmodelneedstorunlocallyonthechip,closetothesensoritself—usuallycalled“theedge.”Here,weexplainhowamachinelearningapplicationcanbecreated,fromtheinitialdatacollectionphasetothefinalembeddedapplication.Asanexample,welookataprojectweatImagimobcarriedouttogetherwiththeradarmanufacturerAcconeer. (左)Acconeer生产世界上最小、最节能的产品雷达系统。 在2019年,Imagimob与Acconeer合作,创建了一个带有手势识别的嵌入式应用程序。两家公司都专注于为小型电池供电设备提供解决方案,对能源效率、处理能力和BOM成本提出了极端要求。我们的目标硬件包含一个基于ArmCortex-M0-M4架构的MCU,它提供了市场上最节能的平台。对于我们Imagimob来说,边缘计算几乎已经成为最小ArmCortexM系列MCU上的高级计算的同义词。重要的是,能够运行我们的应用程序在下端的ArmCortexM系列MCU,因为它向世界表明,我们正在瞄准地球上最小的设备。这就是我们希望从市场角度出发的地方。 Acconeer生产世界上最小、最节能的雷达系统。数据包含大量信息,对于手势控制等高级用例,需要复杂的解释。在数据输出流的顶部运行机器学习软件对这些案例有很大的好处。因此,Imagimob-Aconeer协作在创建全新的和创造性的嵌入式应用程序方面是一个很好的匹配。 我们与Acconeer的项目的目标是创建一个嵌入式应用程序,该应用程序可以使用雷达数据实时分类五种不同的手势(包括用于唤醒应用程序的一个手势)。由于雷达体积小,可以放置在一对耳机中,手势将作为虚拟按钮来引导功能,通常被编程成物理按钮。该项目的最终产品被确定为一个运行在ArmCortex-M4架构上的C库,该库于2020年1月在拉斯维加斯的CES上被展示为一个健壮的现场演示。对于演示,我们使用耳朵耳机。然而,我们的长期产品目标是在耳内耳机中使用这项技术。我们认为,手势检测特别会改变耳内耳机的可用性,因为它们的面积有限,这使得物理按钮的放置变得困难。 在其核心,(监督)机器学习是关于找到一个函数(F),根据y=f(X)将一些输入数据(X)映射到一些输出数据(Y)。该函数或“模型”是通过处理许多不同的输入/输出对(x,y)和“学习”它们之间的关系来找到的。如果y是一个连续的值,那么这个问题被称为回归问题。但如果y取离散值,则被认为是一个分类问题。因此,机器学习项目的第一步是收集这些数据对。模型构建是第二步。嵌入式项目的最后一步是在目标平台上部署模型。下面,我们以手势识别项目为指导示例,通过这些步骤。 机器学习项目的第一步是收集数据对。模型构建是第二步,a嵌入式项目的最后一步是在目标平台上部署模型。 (左)我们为初始阶段建造了一个粗糙的试验台datacollectionwhich由雷达传感器组成安装在上面development板和放置在一个一对耳机。 从表面上看,数据收集似乎不是一项艰巨的任务。但这一步通常被低估了,根据我们的经验,这是大部分时间都花在这里的。首先要考虑的是如何从传感器中物理地获取数据。许多传感器带有一个开发板,可以从中提取数据,通常是通过某种电缆连接到PC机。对于手势识别项目,我们搭建了一个粗糙的试验台,用于初始数据采集,由安装在开发板上的雷达传感器组成,放置在一对耳机上,如下图所示。在这种情况下,我们使用了AcconeerXM112雷达传感器和XB112突破板。 接下来要考虑的是如何有效地标记数据。换句话说,你需要弄清楚如何为每个“x”标记适当的“y”。这可能看起来很琐碎,但当涉及到最小化这一步所需的人工工作量时,这是至关重要的。考虑到大量的数据,如果您不能正确地理解这一点,它将成为一项非常耗时的任务。对于传感器时间序列数据,通常不可能仅仅通过查看数据来标记数据,否则,例如图像数据可能是可能的。 帮助标记过程的一种方法是将视频记录附加到数据中。ImagimobCapture是一个Android应用程序,它将同步视频记录附加到每个传感器数据流中。标签可以直接在应用程序中完成,也可以在桌面应用程序ImagimobStudio中完成。在我们的雷达手势识别项目中,数据流看起来如下: 雷达手势识别项目中的数据流。 在这里,数据从传感器,带有USB串口,发送到PC。在PC上,服务器运行并将数据发送到手机上的ImagimobCapture,而手势则被视频记录。标记的数据,连同其视频记录,然后发送回PC,或云存储,如果数据是远程收集。从存储中,数据可以下载到ImagimobStudio,当它是建模阶段的时候。 我们定义了以下一组手势(“覆盖传感器”仅用于唤醒应用程序),并记录了大约七个不同的人的数据。 从七个不同的人记录了上述一组手势的数据。 数据收集过程的一个例子如下图所示。手势识别模型仅限于特定的手势,但可以很容易地用其他手势进行再训练。 手势数据采集过程的一个例子。 一旦数据到位并贴上标签,就该建立机器学习模型了。通常,人们开始建立模型只是为了很快意识到他们需要调整一些标签。你是做什么的?手动进入并编辑文本文件和更新数据是很麻烦的,这是我们都希望尽可能避免的。相反,图形工具是可取的。ImagimobStudio将数据与视频记录一起加载,并允许用户以图形方式拖动和修剪标签。一个例子,以一个记录的手势,显示在下面的图像。视频与绿色数据一起可见。在底部,蓝色的标签显示出来,我们可以看到它们紧紧地放在手势周围(非零数据)。 ImagimobStudio将数据与视频记录一起加载,并允许用户以图形方式拖动和修剪标签。这是一个有记录的手势的例子。 如果数据已经在ImagimobCapture中预先标记,那么通过文件并确保数据是正确的,并且标签已经到位,这是一个相对较小的任务。没有正确标记的数据,很难找到一个好的模型。找到一个高精度的好模型通常需要多次迭代和实验。首先要决定使用什么机器学习技术,例如随机森林、支持向量机或人工神经网络等。在过去的几年里,深度学习由于具有原始数据的令人印象深刻的学习能力而受到欢迎。深度学习的主要吸引力之一是它排除了手动查找功能的需要,这是更传统的机器学习方法所需要的。它具有提高精度和消除大量手工工作的潜力。然而,仍有许多所谓的超参数有待选择,例如网络的体系结构、所谓的学习率和许多其他参数。 在ImagimobStudio中,用户经历了构建深度神经网络的过程。用户定义要试用多少种不同类型的超参数,然后程序自动搜索所有组合并保存最佳模型。 在ImagimobStudio中,用户被引导通过构建深度神经网络的过程。用户定义要试用多少种不同类型的超参数,然后程序自动搜索所有组合并保存最佳模型。 一旦您对模型的健壮性感到满意,就该是过程中的最后一步了:将模型导出到C代码并为嵌入式硬件构建库。 当从PC环境中的高级语言软件开发到微控制器(MCU)上的低级编程时,复杂性急剧增加。发育时间增加的因子为10-20并不少见[1]。例如,障碍可能包括更难的内存和处理限制,更长的调试周期,以及更难找到的更糟糕的错误类型。 在ImagimobStudio中,以.h5文件形式训练的模型很容易转换为特定硬件类型的C代码,如“Edge”选项卡所示。 在ImagimobStudio中,以.h5文件形式(用于从Tensorflow、Keras和其他深度学习框架导出模型权重和体系结构的通用格式)的经过训练的模型可以很容易地转换为特定硬件类型的C代码,如上一幅图像中的“Edge”选项卡所示。 然后编译C代码并将其闪烁到硬件上。我们通常构建一个库,可以集成到C应用程序中。右边,可以看到现场演示的嵌入式版本。它有一个电池驱动的Acconeer物联网模块XM122与蓝牙连接。人工智能应用程序运行在XM122模块上,其中包括来自北欧半导体的NRF52840SoC,该模块基于ArmCortexM4MCU。 现场演示的嵌入式版本。 在这里,你可以看看最后的演示: 图像手势检测库的核心是针对时间序列数据的人工神经网络。它是专门设计的,脑海中有一个小的记忆足迹。库用C编写并在静态库中编译,然后与主AcconeerC应用程序一起编译。 ·TheGesturedetectionlibraryusesradardatafromtheAcconeerXM122IoTModuleasinput ·Thememoryfootprintofthegesturelibraryisapproximately80kBRAM ·Thelibraryrunsona32-bit64MHzArmCortexM4MCUwith1MBFlashand256kBRAM ·Thelibraryprocessesroughly30kBofdatapersecond ·TheexecutiontimeoftheAImodelisroughly70mswhichmeansthatitpredictsagestureatapproximately14.3Hz 在2020年6月,由Imagimob、Acconeer和Flexworks组成的一个财团从瑞典Vinnova获得了价值45万$的赠款,以采取下一步建设gesturhe控制的耳内耳机。Acconeer将覆盖传感部分,Flexworks将负责硬件和力学,我们在Imagimob将开发手势检测应用程序。在这个项目中,我们不仅将建立第一个手势控制的耳内耳机,而且我们还将致力于一个硬件加速系统的机器学习代码在单片机上。我们将继续使用ArmCortexM系列,并受益于Arm提供的先进解决方案。 John malm digital analysis and development algorithmus担任imagimob machines的学习开发者[(1)]麦康奈尔,史蒂夫,软件评估,秘密黑艺术,微软出版社,2006年

    时间:2020-10-24 关键词: 嵌入式 机器学习 大数据

  • 将大数据转变为智能数据?利用嵌入式AI就可以

    将大数据转变为智能数据?利用嵌入式AI就可以

    大数据产生于工业4.0时期。传感器和可用数据源越来越多,通常要求机器、系统和流程的虚拟视图更详细。这自然会增加在整个价值链上产生附加值的潜力。但与此同时,有关如何挖掘这种价值的问题不断出现。毕竟,用于数据处理的系统和架构变得越来越复杂。只有使用相关、优质且有用的数据,也就是智能数据,才能挖掘出相关的经济潜力。 挑战 收集所有可能的数据并将其存储在云中,希望以后对其进行评估、分析和构建使用,这仍然是一种广泛采用的挖掘数据价值方法,但不是特别有效。从数据中挖掘附加值的潜力仍未得到充分利用,并且以后再寻找解决方案会变得更加复杂。更好的替代方法是尽早考虑确定哪些信息与应用相关,以及可以在数据流的哪个位置提取信息。可以用细化数据来打比方,即从整个处理链的大数据中提取出智能数据。可在应用层决定哪些AI算法对于单个处理步骤的成功概率较高。这个决定取决于边界条件,如可用数据、应用类型、可用传感器模型和有关物理层处理的背景信息。 对于单独立的理步骤,正确处理和解读数据对于从传感器信号生成真正的附加值非常重要。根据应用的不同,正确解读分立传感器数据并提取所需的信息可能很困难。时间行为通常会发挥作用,并直接影响所需的信息。此外,还必须经常考虑多个传感器之间的依赖关系。对于复杂的任务,简单的阈值和手工确定的逻辑已不足以应对。 AI算法 相比之下,通过AI算法进行数据处理可以自动分析复杂的传感器数据。通过这种分析,可从数据处理链中的数据自动获得所需的信息,从而获得附加值。 对于始终属于AI算法一部分的模型构建,基本上有两种不同的方法。 一种方法是通过公式、传感器数据与所需信息之间的显式关系进行建模。这些方法需要以数学描述的形式提供物理背景信息。这些所谓基于模型的方法将传感器数据与此背景信息相结合,针对所需信息产生更精确的结果。这里最广为人知的示例是卡尔曼滤波器。 如果有数据,而没有可使用数学方程形式描述的背景信息,那么必须选择所谓的数据驱动方法。这些算法直接从该数据中提取所需的信息。它们包含所有的机器学习方法,包括线性回归、神经网络、随机森林和隐式马尔可夫模型。 选择哪种AI算法通常取决于有关应用的现有知识。如果有广泛的专业知识,AI将发挥更大的支持作用,所使用的算法也很初级。如果没有专业知识,所使用的AI算法可能要复杂得多。在很多情况下,由应用定义硬件,从而限制AI算法。 嵌入式、边缘或云实现 包含每单个步骤所需的所有算法的整体数据处理链必须以能够尽可能生成附加值的方式实现。通常在总体层级实现——从具有有限计算资源的小型传感器,到网关和边缘计算机,再到大型云计算机。很明显,这些算法不应只在一个层级上实现。而尽可能接近传感器实现算法通常会更有利。通过这种方式,可以在早期阶段对数据进行压缩和细化,并降低通信和存储成本。此外,通过早期从数据中提取基本信息,在更高层级开发全局算法就没那么复杂。在大多数情况下,流分析区域中的算法也有助于避免不必要的数据存储,由此降低数据传输和存储成本。这些算法只使用每个数据点一次;也就是说,直接提取完整信息,且无需存储数据。 在终端(例如,嵌入式AI)上处理AI算法需要采用嵌入式处理器,以及模拟和数字外设,用于数据采集、处理、控制和连接。处理器还需要能够实时捕获和处理本地数据,以及拥有执行先进的智能AI算法的计算资源。例如,ADI的ADuCM4050基于ARMCortex-M4F架构,提供集成且节能的方法来嵌入AI。 实施嵌入式AI远远不止是单纯采用微控制器。为了加快设计,许多硅芯片制造商都构建了开发和评估平台,例如EV-COG-AD4050LZ。这些平台将微控制器与传感器和HF收发器等组件结合在一起,使工程师无需深度掌握多种技术,就能探索嵌入式AI。这些平台可扩展,使得开发人员能够使用不同的传感器和其他组件。例如,通过使用EV-GEAR-MEMS1Z扩展板,工程师能够快速评估不同的MEMS技术,例如,该扩展板中使用的ADXL35x系列(包括ADXL355)提供出色的振动校正、长期可重复性和低噪声性能,并且尺寸很小。 平台和扩展板(例如EV-COG-AD4050LZ和EV-GEAR-MEMS1Z)的组合让工程师能够基于振动、噪声和温度分析来了解结构健康状况,以及实施机器状态监控。其他传感器也可根据需要连接到平台,以便所使用的AI方法可以通过所谓的多传感器数据融合来更好地估计当前的情况。这样,即可使用更好的粒度和更高的概率,对各种运行状态和故障情况进行分类。通过平台上的智能信号处理,大数据在本地就变成智能数据,使得只有与应用案例相关的数据才会发送至边缘或云端。 平台方法还可以简化通信,因为扩展板可用于实施不同的无线通信。例如,EV-COG-SMARTMESH1Z具有高可靠性、鲁棒性和极低功耗特性,支持适合大量工业应用的6LoWPAN和802.15.4e通信协议。SmartMeshIP网络由负责采集和中继数据的无线节点的高度可扩展、自成型多跳Mesh网络组成。网络管理器监视和管理网络性能及安全性,并与主机应用程序交换数据。 特别是对于电池供电的无线状态监控系统,嵌入式AI可实现完整附加值。通过ADuCM4050中嵌入的AI算法将传感器数据在本地转换为智能数据,与直接将传感器数据传输到边缘或云端相比,数据流更低,因此功耗也更低。 应用 AI算法开发平台(包括为其开发的AI算法)广泛应用于机器、系统、结构和过程控制领域,从简单的异常检测扩展到复杂的故障诊断。通过集成的加速度计、麦克风和温度传感器,可以实现多种功能,例如监测来自各种工业机器和系统的振动和噪音。嵌入式AI可用于检测过程状态、轴承或定子的损坏、控制电子设备的故障,甚至是因电子设备损坏而导致的未知系统行为变化。如果预测模型适用于特定的损坏,甚至可以在本地预测这些损坏。通过这种方法,可以在早期阶段采取维护措施,从而避免不必要的基于损坏的故障。如果不存在预测模型,平台还可以帮助学科问题专家不断了解机器的行为,并随着时间的推移,得出一个全面的机器模型用于预测维护。 理想情况下,通过相应的本地数据分析,嵌入式AI算法应该能够确定哪些传感器与各自的应用相关,以及哪种算法最适合它。这意味着平台具有智能可扩展性。目前,学术专家仍然必须为各自的应用找到理想算法,尽管只需对各种机器状态监控应用进行很少的实施工作,即可扩展AI算法。 嵌入式AI还应对数据的质量作出决定,如果数据质量不佳,就为传感器和整个信号处理找到并进行相应设置。如果采用多种不同的传感器模式进行融合,则使用AI算法可弥补某些传感器和方法的不足。通过这种方式,可提高数据质量和系统可靠性。如果传感器被AI算法划分为与应用不太相关,将相应地控制其数据流。 ADI的开放式COG平台包含可免费使用的软件开发套件以及许多硬件和软件示例项目,用于加速原型创建、促进开发并实现最初的想法。通过多传感器数据融合(EV-GEAR-MEMS1Z)和嵌入式AI(EV-COG-AD4050LZ),可创建稳健可靠的无线智能传感器Mesh网络(SMARTMESH1Z)。 DzianisLukashevich是ADI公司的平台和解决方案总监。他主要关注大趋势、新兴技术、完整解决方案,以及塑造行业未来,并在广阔的市场中变革ADI业务的新商业模式。DzianisLukashevich于2012年加入德国慕尼黑的ADI销售与营销部。他在2005年获得慕尼黑工业大学电气工程博士学位,2016年获得华威商学院工商管理硕士学位。 FelixSawo于2005年获得德国伊梅诺科技大学机械电子理学硕士学位,2009年获得卡尔斯鲁厄理工学院计算机科学博士学位。毕业之后,他在弗劳恩霍夫协会光电、系统技术和图像处理研究所(IOSB)担任科学家,开发机器诊断算法和系统。自2011年起,他一直担任KnowTIon的首席执行官,专注于传感器融合和自动数据分析的算法开发。

    时间:2020-10-22 关键词: AI 嵌入式ai 大数据

  • 安想智慧医疗大力发展智慧医疗

    安想智慧医疗大力发展智慧医疗

    一提到联想公司,相信很多人第一时间想到的便是联想的电脑。其实,不仅在电脑行业,联想在智慧医疗行业也作出了很大的努力。在2016年,联想便成立了联想智慧医疗。直到2019年联想智慧医疗成为了平安集团旗下的控股子公司,更名为“安想智慧医疗”。 依托平安集团和联想集团的战略加持,安想智慧医疗采用云计算开发体系重构医院管理和业务系统,并以大数据和人工智能等新兴技术实现了医院整体业务流程再造,提高疾病诊疗水平,从而赋能智慧医疗的变革。 在了解到温附一医希望通过信息化重构医院业务流程的诉求后,安想智慧医疗结合自身的技术优势,与其合力打造了“医疗信息化温一模式”。 目前,安想智慧医疗可提供全套医院核心业务系统、区域卫生及个人健康管理的一体化智慧医疗整体解决方案。其中包括:针对大、中型医院医院的综合业务系统、医院集成平台、医院互联网+自助机整体方案、医院LIS、PACS等专业系统以及肿瘤诊疗规范化信息平台等。 与此同时,安想智慧医疗还提供区域卫生健康管理平台等一系列区域卫生解决方案,助力构建覆盖患者全生命周期的信息管理体系,促进区域间信息互通、资源共享,满足智慧城市框架下的智慧医疗发展需要。 智慧医院、智慧医疗与智慧健康是安想推出的产品服务,其中智慧医院综合业务系统是当前的核心产品,其包括医院综合业务系统、医院集成平台、医院专业细分系统(自助机、专业血液透析系统、全院级PACS影像系统、互联网医院),为患者及医护人员搭建起互联互通、数据共享、闭环管理的信息一体化平台。 此外,其还拥有人口健康平台、云医院和区域影像云等智慧医疗板块产品及中国肿瘤规范化诊疗平台等智慧健康板块产品。 一方面将复杂的就诊流程化繁为简,以患者为中心,全方位满足患者从诊断到出院的各层级需求,提供一站式服务,使病患根据自身情况,接受集中有效的治疗和护理方案,为患者提供便捷。 另一方面实现医联体发展,通过区域就诊“一卡通”,实现电子健康档案和电子病历信息共享,促进病患数据流通,以提升治疗的效率与效果。据了解,安想智慧医疗已上线20余种系统产品。 在联想创投的大力支持下,安想智慧医疗实现广范布局,在北京、上海、天津成立的研发中心,先后打造了云南省第一人民医院、大庆龙南医院、河北医科大学第一医院等医疗信息化标杆。 作为新一代医疗信息化技术方案提供商,安想智慧医疗经历了医疗信息化发展的三个阶段。 在医院信息化1.0时代,IT系统围绕应用创建,形成大量的信息孤岛;医院信息化2.0时代,医院信息化的建设重点逐渐转移到电子病历的建立和普及上,实现各个系统的无缝连接和数据共享。 医院信息化的3.0阶段是医疗数据资源的有效利用,这需要信息化建设加强顶层设计,从长远着手,构建基于云计算架构的新一代医院信息化建设方案和理念。 从顶层架构出发,安想智慧医疗始终将医院特点与信息化相结合,深入进行业务价值梳理和流程再造挖掘,在国内医院合作开展过程中充分利用信息技术优化门诊流程改善就医体验。 安想智慧医疗联席CEO伊川认为,医疗信息化是一个充分竞争的行业,在这一赛道存在着众多行业玩家,如何在齐头并进的状态下实现弯道超车,则在于各个玩家的差异化。 安想智慧医疗拥有一个充分结合标准化和定制化的产品体系,在标准化的模块之上,其会根据医院需求进行一系列的定制,这一方面降低了研发的压力,缩短了商业时间,另一方面通过定制化,能够最大程度满足医院需求。 安想智慧医疗的另一大优势在于智慧医院的顶层设计。安想智慧医疗拥有一支咨询团队,其根据院方理念进行系统的顶层设计,从而落地能符合院方管理理念的系统产品。 伊川介绍,“安想智慧医疗的系统产品70%的模块是通用的,30%是根据医院特点进行个性化定制,尽管定制化会增加院方额外支出,但其对医生成本的控制及医院工作效率的提升是大有裨益的。” 此外,平安科技在人工智能技术、资源方面给予安想智慧医疗的赋能也成为安想智慧医疗布局市场的商业壁垒。“当前安想智慧医疗仍是以医院业务系统的销售为盈利模式,未来随着系统的逐渐深入,我们也会尝试涉及互联网的运营模式”,伊川说到。 据获悉,本次安想智慧医疗与平安集团的战略协同包含两个方面,一方面是基于平安集团在全国大范围的商业布局,将涉及医院信息化的业务交由安想智慧医疗负责;另一方面依托平安体系的大数据、云计算技术,搭建起核心业务系统,从而实现双向赋能。 伊川透露,“产品和团队是平安选择安想智慧医疗的重中之重,安想智慧医疗的产品已经过众多医院及专家的验证与认可,在进入平安体系之际,安想智慧医疗的产品已达到较为成熟的程度。 其次,安想团队由来自惠普、IBM、微软的成员组成,其在技术研发、销售等环节丰富的经验也得到了平安的肯定。” 自2018年完成了来自中国平安的数亿元A轮融资后,2019年平安集团继续战略增持。“夯实产品研发是我们始终坚持的方向,我们会聚焦在智慧医院和医疗系统这一条赛道上,一方面不断进行产品体验的优化,另一方面将专注于细分领域的强化”,伊川对于安想智慧医疗的发展规划如是说道。

    时间:2020-10-22 关键词: 人工智能 智慧医疗 大数据

  • 智能交通让人们出行更加便利

    智能交通让人们出行更加便利

    去年9月25日16时20分,我国的北京大兴国际机场正式通航。该机场是全球建设规模最大的新建机场,被誉为“世界新七大奇迹”之一。不得不说,大兴国际机场的通航给人们的出行带来了极大的便利。 2019年底,全国487个高速省界收费站全部撤销,ETC用户累计超过2亿,解决了高速公路省界收费站长距离拥堵现象频发问题。 作为我国智能高铁的“新标杆”,京雄城际高铁预计2020年底开通运营。届时,从北京到雄安只需1小时左右,京津冀区域路网布局将进一步完善,有助于雄安新区加快产业聚集。 党的十八大以来,特别是“十三五”时期,作为基础性、先导性、战略性产业和重要的服务性行业,我国交通运输发展迅速,基础设施建设取得历史性成就。72%的高速铁路、43%的高速公路竣工并投入使用,45%的农村公路实现了新建和改建。 交通运输部部长李小鹏表示,“十三五”时期,交通运输服务经济社会发展的能力明显增强,给人民群众带来更多的获得感、幸福感、安全感,为全面建成小康社会、开启建设现代化国家新征程奠定了更加坚实的基础。 交通网络不断加密扩展 2018年9月23日6时44分,G5711次高铁列车从深圳北站徐徐开出,7时03分正点抵达香港西九龙站,这是首班从内地驶往香港的高铁,标志着广深港高铁全线贯通,香港首次连入祖国高铁网。 “十三五”时期,“四纵四横”高铁网提前建成,国家高速公路网71118主线骨架基本形成,我国路网覆盖进一步扩大。中国铁路经济规划研究院有限公司规划所副所长梁栋说,铁路网对20万人口及以上城市的覆盖率由2012年的94%扩大到2019年的98%,对50万人口及以上城市的覆盖率由2012年的28%扩大到2019年的86%,香港进入了全国高铁网,除拉萨外的所有省会城市均已通高铁。京津冀、长三角等城市群内2小时畅行,北京、上海等大城市间实现1000公里4小时通达、2000公里8小时通达。 2020年是“十三五”收官之年。“交通运输部去年启动了‘十三五’阶段性的评估工作。从评估情况看,规划确定的重点任务、重大工程和23项主要目标进展良好。”李小鹏说。 预计到今年年底,全国铁路营业总里程将达到14.6万公里,覆盖大约99%的20万人口及以上的城市。其中,高铁(含城际铁路)大约3.9万公里,继续领跑世界。公路总里程将达到510万公里左右,其中高速公路建成里程将达15.5万公里左右,连通了超过99.8%的20万人口及以上的城市。内河航道大约12.7万公里,其中高等级航道里程1.65万公里以上。全国港口万吨级以上泊位将达到2530个,民用运输机场将达到243个。“十三五”目标将如期完成。 智能化增强管理服务效能 看交通运输产业建设如何,看看春运就知道了。 春运是交通运输行业保障人民群众出行服务水平的一场大考,2016年以来,春运总客运量一直保持在30亿人次左右的高位运行。 根据国家发展改革委和交通运输部联合委托国家智能交通系统工程技术研究中心开展的春运第三方监测和调查显示,人民群众出行距离从2016年的375公里,增加到2019年的394公里,跨省出行人数比例也从37%增加到43%;出行方式从以道路和铁路为主,逐步向空铁联运、铁铁联运、铁路+自驾等多方式联程出行转化,购票方式从车站现场购票转为互联网购票,互联网购票比例从2016年的67%上升至2019年的81%;人民群众对春运出行服务感到满意的比例从2016年的69%逐年上升至2019年的78%。 “数据变化的背后,充分体现出互联网、大数据、人工智能等信息化、智能化技术手段为交通领域带来的变化,便捷的出行方式让人民群众体会到幸福感和获得感。”交通运输部公路科学研究院副院长兼总工程师岑晏青说,以自动驾驶车辆出现为标志的第三次交通革命正在发生,人类利用信息通信、大数据和人工智能等技术,正在带动智慧铁路、智慧道路的出现。 “十三五”时期,我国智能技术在交通产业得到广泛应用。交通基础设施、运载装备、经营业户和从业人员等基本要素信息全面实现数字化,各种交通方式信息交换取得突破。全国交通枢纽站点无线接入网络广泛覆盖。铁路信息化水平大幅提升,货运业务实现网上办理,客运网上售票比例明显提高。基本实现重点城市群内交通一卡通互通,车辆安装使用ETC比例大幅提升,交通运输行业北斗卫星导航系统前装率和使用率显著提高。 补短板加大脱贫攻坚力度 对湖南省长沙市宁乡市道林镇龙泉湖村村民朱战武来说,家门前曾经的那条土路让他记忆深刻。“真的是‘晴天一身土,雨天一身泥’,进出都不方便。在2018年之前,种水稻、侍弄鱼塘,一年收入不到10万元。2019年4月修了自然村公路以后,我的幸福感就高多了。”现在,朱战武有果园,种了50多亩黄桃,成熟后都不用运出去,每天来体验采摘的就有一二百人。加上原先的50亩水稻,种植双季稻一年收入有五六万元,现在一年收入在30万元左右。 近年来,交通运输部注重发挥交通运输的基础性、先导性、战略性和服务性作用,多措并举抓好交通扶贫工作。先后印发《“十三五”交通扶贫规划》《支持深度贫困地区交通扶贫脱贫攻坚实施方案》《交通运输脱贫攻坚三年行动计划》,加快补齐贫困地区交通基础设施短板,扎实推进“四好农村路”建设。还大幅提高贫困地区车购税补助标准。其中,乡镇、建制村通硬化路补助标准提高到平均工程造价的70%以上。“十三五”时期,累计对贫困地区投入车购税资金超过9500亿元,占全部车购税的68%,其中超过2700亿元车购税资金用于支持“三区三州”等特殊困难地区交通项目建设。 在不懈努力和巨大投入下,截至2019年底,全国农村公路里程已达420万公里,实现具备条件的乡镇和建制村100%通硬化路;截至今年8月底,基本实现乡镇和建制村100%通客车。交通扶贫取得显著成效。“出门水泥路,抬脚上客车”的梦想变成了现实。县乡村三级农村物流网络体系建设和“快递下乡”工程加快推进,“城货下乡、山货进城、电商进村、快递入户”双向运输服务进一步打通,一批特色产业乘势而起,助力提升贫困地区教育和医疗保障水平,城市文明、基本公共服务随着交通的改善逐步向贫困地区纵深覆盖。 今年是决战决胜脱贫攻坚和全面建成小康社会的收官之年。交通运输部副部长戴东昌表示,下一步,交通运输部门将继续强化部省沟通协作,坚决高质量完成交通运输脱贫攻坚的收官任务,全力推进“四好农村路”高质量发展,做好脱贫攻坚与乡村振兴战略有效衔接,确保交通脱贫攻坚成果成色足、质量优。

    时间:2020-10-22 关键词: 智能交通 大数据 互联网

  • 《江苏省交通运输新型基础设施建设行动方案》出台

    《江苏省交通运输新型基础设施建设行动方案》出台

    9月24日,《江苏省交通运输新型基础设施建设行动方案》正式出台,为全国首个交通运输领域新基建行动方案。方案围绕信息基础设施、智慧交通基础设施、智慧运输服务、行业创新基础设施4大领域,聚焦“新网络、新设施、新集群、新平台、新应用”5大方向,部署了7大专项行动。 “新基建”发展目标 《方案》提出了具有江苏交通运输特色的“新基建”发展目标。通过三年努力,到2022年底,在5个方面取得明显成效,即网络基础稳固、设施智能融合、集群创新活跃、平台协同高效、应用智慧丰富。 “新基建”主要任务 《方案》明确了符合江苏交通运输功能定位的“新基建”主要任务。围绕信息基础设施、智慧交通基础设施、智慧运输服务、行业创新基础设施四大领域,通过打造先进可靠的交通信息新网络、建设融合高效的智慧交通新设施、形成协同创新的科技研发新集群、建成一体高效的政务服务新平台、促进赋能交通的新兴技术新应用5大方向的发力,加快推进具有江苏特色的交通运输新基建。 7大行动27项任务 《方案》聚焦“5新”,提出了7大专项行动 27项具体任务事项,包括信息基础设施建设专项行动、智慧交通基础设施建设专项行动、智慧运输服务专项行动、交通大数据应用专项行动、新技术应用专项行动、创新平台建设专项行动、智能交通产业发展专项行动。 97项清单投资约33亿 《方案》围绕“7大专项行动”进行统筹布局,拟订了2020-2025年第一批新基建项目清单,共97项,投资规模约33亿。 信息基础设施建设专项行动通过行业专网升级优化、一体化在线政务平台优化整合等项目,夯实交通运输新基建的发展基础,提升信息存储、计算、传输、网络安全等方面的综合效能; 智慧交通基础设施建设专项行动依托沪宁智慧高速、京杭运河智慧航道、魏村智慧船闸等一批建设项目,提升规划、设计、建造、养护、运行管理等全要素、全周期数字化水平; 智慧运输服务专项行动通过旅客联程出行服务平台、网络货运监测平台等一系列客货运服务平台和系统的建设,建立和完善全省公众出行和货物运输信息服务体系; 交通大数据应用专项行动重点打造以“智慧路网调度与服务云控平台”为核心的一系列大数据云平台,从行业监管、货运物流、行政执法、客流预测等方面以数据赋能交通; 新技术应用专项行动大力支持5G、北斗系统、高分遥感、区块链、人工智能等技术在交通领域的融合探索及应用,开展5G+北斗导航、5G+南京港集装箱龙门吊智能化改造,人工智能+货车源头治超等一批应用项目; 交通运输创新平台建设专项行动建立自动驾驶、水下隧道智能设计建造与养护技术装备行业研发中心等一系列产业创新平台,提升行业持续创新能力,支撑一流设施建设与维护; 智能交通产业发展专项行动通过新一代国家交通控制网试点工程、太仓港无人驾驶集装箱卡车运营等项目,推动培育智能交通产业集聚和快速发展。 下一步,江苏交通将全力落实好“新基建”专项行动,抢抓新型基础设施建设为传统基础设施智能化升级带来的重要机遇,借助通信运营商5G网络、ICT设施等支持,共同推进试点示范项目落地建设;加大政企合作,加强与发改、工信、公安、气象、电力等部门统筹协调,制定相关支持政策,多元化拓宽融资渠道;高水平推进交通行业专网等“新网络”建设,加快推动 “新设施”融合发展,持续保持“新集群”行业竞争力,完善全省一体化在线交通运输政务服务等“新平台”布局,打造5G、北斗等行业“新应用”,着力创造新供给、激发新需求、培育新动能,为江苏交通数字转型、智能升级、融合创新厚植新根基,引领未来交通发展、培育新动能新优势。

    时间:2020-10-22 关键词: 智能化 5G 大数据

  • 人工智能让生活充满智慧

    人工智能让生活充满智慧

    当今,随着我国经济水平的不断提升和科学技术的快速进步,我国的人工智能技术得到了很大的发展。当前,人工智能对我们的生活带来了很大的影响,让我们的生活变得更加充满智慧了。 智慧园区 智慧园区的建设是经过新一代信息和通信技术来达到感知、检测、分析、控制、整合园区各个关键环节的资源的目的,并会在这个基础上可以做到对各种需求输出智慧的反应,这样一来,园区的整体运行就可以实现自我组织、自我运行、自我优化的效果,如此一个绿色与和谐发展并存的园区就出现了,这样的园区拥有很高的工作效率以及非常大的发展空间。而建设这样一个园区人工智能的技术是非常关键的,因为通常这样的园区比较注重技术方面的共享和大数据的挖掘与利用等等。 智慧交通 智慧交通无疑是非常美好的,不但人和车、路具有很好的协调效果,还能够达到和谐统一的效果,具有很好的协同效应,既能增加交通行驶的工作效率,更是可以保障交通的安全。不过出现这种情况的前提必须是智慧交通,因为它可以把物联网、云计算、大数据、移动互联等高新IT技术结合起来,再经过相关的技术把这些信息收集起来,如此就可以实现实时交通数据的信息服务了。 智慧校园 对于智慧校园来说,可以最大化的实用人工智能,比较常见的就有人脸识别、拍照、指纹等等身份识别技术,可以达到考勤、记录以及统计的效果,这些都会给校园的生活提高更多的效率。 学校的大门口,可以设置动态人脸识别的系统还有闸机系统,这两个系统除了可以设置进出人员,还可以设置黑名单,只有在进出人员的名单中的人才可以进出校园,这样既可以在不知不觉中保障学生的安全,又可以达到考勤等等目的。 智慧考勤 所谓的智慧考勤就是把软、硬件结合起来,实施多平台的合作,再经过云计算对数据的整理和分析,这样一个考勤结果就出来了,而这样的考勤可以大大地节省时间,增加工作的效率。人工智能各种深度学习资料,私信联系就可以免费领取了。

    时间:2020-10-22 关键词: 人工智能 大数据 云计算

  • 河北将加快建设智慧交通

    河北将加快建设智慧交通

    河北省日前印发《河北省智慧交通专项行动计划(2020-2022年)》。行动计划提出,紧紧抓住京津冀协同发展、雄安新区规划建设、北京冬奥会筹办等重大战略机遇,大力推动新一代信息技术与交通运输深度融合,聚焦交通新型基础设施、生产组织、决策监管和运输服务等重要领域,以试点示范为抓手,着力实现重点突破,加快智慧交通建设。 行动计划明确了发展目标:到2022年,河北省智慧交通建设取得显著成效,基本建成综合交通运输大数据中心体系,实现交通运输基础要素数字水平、支撑保障能力、行业治理能力、运输服务水平4方面有效提升,为加快建设交通强国河北篇章,助力数字经济发展提供坚强支撑。 行动计划明确了河北省智慧交通专项行动的6项重点任务。 推动数字化交通基础设施建设行动。推动交通基础设施全要素、全周期数字化,深化建筑信息模型技术在基础设施全生命周期中的应用;在重点区域、通道、枢纽等重要节点布局全方位交通感知网络;开展省高速公路视频联网监测工程建设,构建“可视、可测、可控、可服务”运行监测能力;有效提升交通基础设施管理维护能力。 推进综合交通大数据发展行动。研究制定《河北省综合交通运输大数据发展实施方案》,推动大数据与综合交通运输深度融合;以河北省交通综合运行协调与应急指挥中心为基础,推进交通数字资源云中心建设,持续推进数据共享开放,强化交通数据及网络安全建设。 强化现代化交通综合治理行动。建设完善“纵向到底、横向到边”的综合交通运行协调与应急指挥体系,深化完善交通大数据分析研判、预测预警和智能决策应用,持续拓展交通治理深度和治理边界;推进实现交通运输综合管理和协同执法,实现交通运输信用信息综合管理服务,强化交通运输安全监管。 打造一体化出行服务行动。推动全省重点客运枢纽智能化升级改造,打造综合客运全程电子化服务体系,显著提升电子客票使用率;进一步推动京津冀城市公交、轨道交通“一卡通”互联互通,推动掌上公交等便民服务;完善全省物流公共信息服务平台,推动建设多式联运公共信息平台;积极引导“出行即服务”平台等交通服务新业态发展。 开展智慧交通应用示范行动。实施智慧公路试点示范工程,围绕京雄高速、延崇高速、荣乌高速新线、京德高速公路等新建高速公路开展智慧公路建设。京雄高速重点围绕“准全天候快速通行、自动驾驶与车路协同”方向,延崇高速重点围绕“基础设施数字化、北斗高精度定位综合应用”方向,荣乌高速新线和京德高速重点围绕“智慧化货运通道、智慧服务区”方向推进智慧公路示范应用。加快推进智能网联汽车创新发展,进一步支持京津冀智能汽车与智慧交通应用示范区建设。 实施科技创新能力提升行动。以智慧交通建设为主攻方向,争取国家工程研究中心以及重大科技基础设施布局河北,积极创建国家工程研究中心和省级重点实验室;依托“冬奥会智慧高速公路关键技术研究”“河北省智慧交通大数据关键技术研究与应用示范”等省级重大科技专项,突破核心关键技术,全面提升全省交通运输创新能力和水平。

    时间:2020-10-22 关键词: 科技 智慧交通 大数据

  • 全球首个5G智慧大交通示范城市在广州发布

    全球首个5G智慧大交通示范城市在广州发布

    2020年9月21日,广州移动携手中兴通讯在广州正式发布了“全球首个5G智慧大交通示范城市”。据消息称,广州移动将在今年年底前在广州建成15000个5G基站。 “广州5G领航城市”计划加速推进 当前,5G、人工智能、大数据中心等新型基础设施建设加速发展,5G与人工智能等产业的深度融合,将连接人和万物,成为智能产业发展的关键。广州深入贯彻落实中共中央精神,大力实施以大数据智能化为引领的创新驱动发展战略行动计划,建设广州人工智能和数字经济试验区,打造“一江两岸三片区”格局,致力于打造出粤港澳大湾区数字经济高质量发展示范区和国家数字经济创新发展引领区。 “广州5G领航城市”计划是由广州移动与中兴通讯于今年4月联合启动,旨在积极推进广州5G网络建设与应用创新落地,以实现广州5G网络、应用和生态三大领先。 广州移动持续发扬国企担当,立足琶洲、服务广州、辐射粤港澳大湾区,加快新型基础设施建设,年内实现广州塔、琶洲会展中心、人工智能与数字经济试验区等重点区域连片优质覆盖,同时加快数据中心一体化布局并推进“光网城市”建设,打造面向未来的网络承载能力。此外,广州移动发挥5G与人工智能、物联网、云计算、大数据、边缘计算等新型信息技术优势,加速推进5G融入百业、服务大众,加快商业模式创新和生产模式变革,全面支撑广州人工智能与数字经济试验区建设提速。中兴通讯致力于打造5G新生态,携手运营商和行业伙伴开展丰富的技术创新和商业实践,全面助力新基建。目前,中兴通讯在工业、文旅、教育、医疗、媒体、港口、环保、能源、交通等15个行业领域发展了超过500家合作伙伴,共同探索了86个5G创新应用场景,在全球范围成功开展超过60个示范项目。 广州移动探索“5G+”合作模式 “5G+”正加出新动能,5G赋能千行百业,但实际落地中,其商业价值究竟怎么呈现?这是很多人关注的问题。 “其实我们跟高铁也好或者广州地铁的智慧交通合作也好,回到一个核心的问题,就是说5G来了以后,到底跟4G,以及他自己用的专网有什么区别。现在我们运营商也一直在思考、探讨这个问题,现在我们总结出来其实有三种模式来跟企业进行合作。”中国移动5G行业应用经理王承光坦言。 王承光介绍,第一种是公网,这是公共的模式,在公网的基础上做一些优化;第二种是公网专用,通过一些切片的技术来隔离一段带宽或者隔离一段通道,可以让企业去用;3、第三种是专网专用,也叫做尊享模式,就是完全把资源,把无线的资源都给合作的企业用。 据透露,目前,广东移动在与广州地铁的合作上,已展开更为深入的探索。此前,广东移动与广州地铁的“5G+”合作,主要在视频监控,客户分流、监控和管理方面,接下来,在地铁运营控制系统上,广东移动与广州地铁也可能开展“5G+”合作,而这意味着“5G+”合作的深化。

    时间:2020-10-22 关键词: 5G 大数据 云计算

  • 行业最高质量AI数据如何炼成?揭秘云测数据的取胜之法

    本文来源:智能相对论 AI加速落地的大背景下,作为人工智能产业落地重要的环节,AI数据标注越来越受到业界的关注,并在发生着很大的变化。 不久前,数据标注领域的头部企业云测数据首次对外发布了一项标准,其AI数据项目的最高交付精准度达到了99.99%,这是一个新的行业纪录。对此,有自媒体“曾响铃”评论认为,AI数据标注已经由“劳动密集”进入“技能密集”时代。 在AI数据产业中,数据精准度=验收合格数量/全部数量,这意味极高的精准度不仅要满足一些客观标准,还需要与AI项目方的需求深度契合,通过基于需求的验收过程。 事实上,对AI数据标注这种与制造业在很多地方相似的产业而言,更高的精准度的打造过程,就如同制造业的“精益制造”一样,在多个方面有着发展方式的契合,只不过一个交付数据服务,一个产出实体产品。 这种契合,从行业头部企业的动作看,包括四个方面。 业务平台:应对复杂的AI数据交接和作业,出现线上自动化“流水线” 制造业的精益制造首先是“流水线”的自动化、智能化升级,引入更多精密的工具或机械,为产品的精益打磨提供了生产环境基础。 数据标注也类似,粗放式的业务平台越来越无法承接复杂的AI数据交接和作业,在这种背景下,线上的自动化“流水线”开始出现。 以往,数据标注过程的“线下”痕迹浓厚,尤其是数据导入和导出,硬碟拷贝、交接的“原始模式”不时出现。 为了提升效率和安全,做到短时间无缝对接,以云测数据为代表的企业探索出线上“流水线”业务平台化模式。具体来说,就是根据AI企业的自身数据处理流程,完成标准化API接口的流程嵌入,数据在线上接入,完成作业后从线上输出,中间有模板化的任务创建与责任安排,支持不同标注类型和标注方法。 这个过程,对应到制造业,其实就是“物料进入、找到众多产线中合适的那一条并安排好生产工人、产品输出”的过程。在线上,数据标注已经做到了数据进入、标注、交付的云上无缝连接过程。 这其中,对数据标注“精益制造”价值最为明显的可能是“生产工具”的优化,工具能力的提升,大幅提升了数据标注的效率和精准度,这就好比流水线上功能丰富的自动化机械臂能够帮助企业大大提升效率和质量一样。 以云测数据为代表的企业开发的工具为案例,目前来看,工具对数据标注的价值有这三个体现: 一是直接的操作辅助,例如对人脸进行26点、54点、96点、206点的人脸关键点标注、贴合度在3像素以内的特定任务关键点追踪,这使得标注员的操作能够更加精细化,且拥有不错的效率。 二是特殊数据的操作辅助,例如自动驾驶中激光雷达形成的3D点云数据不同于摄像头形成的2D图像数据,标注起来更有难度也更可能出现偏差,这时候,融合标注工具(把3D点云数据和2D图像数据结合在一起对照)的价值就体现出来。 三是数据标注的纠错保障,这类似于“精益制造”中人工质检前的机器自动质检,在数据标注过程中,工具根据AI项目需求设定查错规则,保障标注的精准度(例如,一个三米高的物体标注为人体就错了) 当然,工具质检只是一种辅助,在数据标注的“精益制造”过程中,人工质检(抽检)同样必不可少。云测数据不仅在标注流程上实现了正规化和科学化,设计了从创建任务、分配任务、标注流转,还完善了了从质检/抽检环节到最后的验收的管理流程。 数据作业:应对AI落地的深度需求,出现“数据工艺”般的精细化作业 生产工艺是“精益制造”的核心之一,工艺越好,产品往往更为优质,也更掌握市场的话语权。在“流水线”生产环境基础上,随着AI落地需求的加深,AI数据标注开始出现可以称之为“数据工艺”的类似精细化作业过程,99.99%的精准度本身就是“数据工艺”的结果。 在云测数据的日常作业中,可以发现很多这种“数据工艺”般的做法,例如更丰富的数据标注类型,“线段”这种看起来简单的标注对象也分出了折线、曲线、贝塞尔曲线等。 此外,如同制造业不断积累工艺经验,逐步提升工艺水准生产出更高等级的产品一样,数据标注也存在一个经验积累的过程来提升“数据工艺”水准,例如,工业中的大量看起来差不多的零件的标注,做到更细节层面才能区分出两个型号类似的螺丝;零售行业大量相似的SKU,需要从品牌、标签等多种细化角度来标注,帮助算法识别。 总的看来,对AI数据的复杂需求是促使数据标注朝着“数据工艺”方向发展的直接原因。 当下的AI数据呈现三个特征,一是由于AI产品落地场景的复杂性导致数据场景需求的多元化,如光线强度、拍摄角度、噪声要求、室内室外等;二是同类数据表现出样本多样性,仅就声音的数据,可能就包括年龄、性别、口音等差别;三是针对同一应用目标的数据多维化,例如智能驾驶就可能同时需要摄像头、激光雷达、超声波雷达等不同传感器产生的数据。 很显然,在这种背景下,AI发展初期那种直接应用或者购买成品“数据集”的做法行不通了,它们可以帮助算法快速成型,但却难以支撑更多样化的AI落地需求。 于是,“数据工艺”般的精细化作业对数据标注的需求自然而然就超出了单纯数据标注的业务范畴,必然要整合上游数据采集这个关键环节。可以看到,以云测数据为代表的企业都在大力提升场景化数据采集的能力。帮助客户还原落地场景所需要的AI数据,从源头保证AI数据的质量,才能更好的应用于AI产业化的深度落地。 或许正因为这样的原因,可以看到,云测数据在发布了最高项目交付99.99%精准度的同时,为了贴合实际场景、帮助更多行业实现“AI产品更快更好的落地”, 云测数据结合自身的服务能力积累和行业专业性,还推出了智慧城市、智能家居、智能驾驶、智慧金融四个场景下的“AI训练数据服务解决方案”。 在这些整合了数据采集与标注的场景AI数据解决方案中,可以发现更明显的“数据工艺”痕迹。 例如,在户外场景中,摄像头囊括了大量的行人、机动车、自行车等道路场景数据,但智慧城市的AI应用可能需要识别人流检测、突发事件等长尾场景数据。 在云测数据的智慧城市解决方案中,就通过行业首创的数据场景实验室来还原搭建真实场景,用于采集长尾场景数据,例如多种不同光线下的人员检测、危险动作检测等。 类似的还有智能驾驶场景。智能驾驶的车外环境感知需要大量真实场景数据用于算法训练,为了确保行驶安全,需要覆盖非常多的长尾场景数据,例如举伞的行人、突然出现的宠物等,疫情发生后,带口罩的行人也是另一种车外环境感知所需要的“场景AI数据”。 从细节上满足更复杂深度的AI数据需求,提供独特的、无法替代的AI数据获取能力,将帮助数据标注持续获得更高的产业地位。 人力建设:应对高精细化的“数据工艺”,出现专业的“人工智能训练师” “流水线”的生产基础加上更高的生产工艺之后,“精益制造”考验的还有产业工人是否能将工艺实现的能力,在产业升级的浪潮下,产业工人的素质成为“精益制造”的关键因素之一。 映射到数据标注,为了应对高精细化的“数据工艺”,专业的“人工智能训练师”开始出现,这表现在三个方面。 一是体系化的人才培训,整体技能专业性、领域知识专业性、人员素养等都在提升。 以云测数据为例,云测数据不仅提供岗前培训,还带有员工技能培训、职能培训、行业领域知识、责任培训、标注内容的培训,以及一对一的持续交流来提升员工的能力;与此同时,配备在线化、体系化的打分系统来评估员工的能力。 过去,数据标注那种随便在街上、学校里拉一些人,只要认得图片、懂基本的语法拼写就开始干活的做法,已经不再具备任何竞争力了。 二是匹配不同需求的“人才梯队”开始出现。 这一点,如同“精益制造”里更复杂产品配以技艺手段更高的工人一样,在数据标注领域,出现了一些数据需求上的分化,倒逼企业培养某种意义上的“人才梯队”。 典型的如医疗、法律、金融、家居等高度专业化的领域中,不论是CV还是NLP,人工智能训练师需要非常专业,才能进行正确的数据标注与解读,这甚至不是光有培训就能解决的。云测数据在NLP领域就吸纳了一些金融及家居行业的专才来提升对应领域的数据标注能力,这也意味着数据标注产业开始对人才来源口径有了一些要求,不再是泛化的人群。 三是大量的操作细节和专业性不断叠加。 产业工人变成“老师傅”,一方面来源于苛刻的工作要求,另一方面来自不断的专业经验积累。在数据标注这里也是如此。 粗放式管理下,传统数据标注行业有一种“混乱”的气质,草台班子稀里糊涂完成了大量的数据标注工作。但现在,高精准度的大旗下,数据服务团队的专业化能力被严格要求,在云测数据,智能客服单个场景的意图标注就分为10-20个大类、上百个子类(表达同一个意图,算法面临的用户可能有不同的表达方式,故越细分越好),根据业务需求可能还会有进一步的标注细分。 这倒逼数据标注员提升对话意图的判断能力,需要对句子进行泛化、以不同的描述方式重组或扩充句式、标签(比如,用户只是单纯口误了,或者夹杂了方言,数据都需要标注清晰,供AI算法去学习)。 在整体素质不断提升的基础上,人工智能训练师呈现出更多样化的梯度,更多优质的标注人才将脱颖而出。 需求交互:应对纵深的项目需求,出现深度交互的专业化服务模式 最后,“精益制造”阶段的制造业,往往伴随订单方与生产方的深度沟通,需求方深度介入生产制造,才能生产出更符合初衷的产品。 这其实是支撑“精益制造”的专业化服务模式,在数据标注领域也是如此。为了明确AI数据标准,云测数据这种追求高精准度的企业早已要求项目经理与AI项目方在项目开展前反复沟通需求,配合行业培训师对标注员们进行前期培训,并在标注作业过程中保持实时的沟通和反馈。 这种反复沟通中,涉及到大量影响最终数据结果精准度的细节,例如,CV项目中,什么样的光线要标注和定义为“强光线”?不同需求方的理解可能并不一样。 除了明确数据标准的沟通,在作业方式上,数据标注现在也更为灵活。 典型的是金融场景中,由于行业的特殊性,尤其是对数据安全的极高要求,数据标注企业除了要提供了一套针对金融行业深度结合企业自身业务流程的AI数据服务方案,一些时候还必须改变部署与作业的物理方式,例如云测数据提供的私有化部署和驻场作业服务,在这种服务方式下,数据标注“企业服务”的本质也更明显了一些。 值得强调的是,在数据隐私安全方面,云测数据设置了一系列严格措施。其中一条核心原则就是数据绝不复用,当数据合格交付后从不留底,会清毁相关数据;其二,所有和云测数据进行数据采集的用户都会签订数据授权协议,从来源上确保企业用于训练的数据合法合规;同时,云测数据内部还设定了数据隔离、质量保障等一系列数据安全流程和技术。 总而言之,AI加速落地催生出更为复杂的AI数据需求,使得本来与制造业在过程上有些类似的AI数据标注也走入属于产业自身的“精益制造”过程,在生产环境、作业标准、人才建设以及服务模式上都有了很大的转变。而云测数据带来的这种转变,不只是带来了更高的精准度、更高质量的AI数据,也使得数据标注产业在AI时代的产业链条中作用愈加突出。数据标注就像是信息世界的新基建,只有基石的建设稳妥了,AI产业的高楼才能拔地而起,才能加速人工智能更好的到来。 ~END~ 免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

    时间:2020-10-22 关键词: AI 大数据 云计算

  • 城市副中心智慧交通综合管理平台正式发布

    城市副中心智慧交通综合管理平台正式发布

    智慧交通在解决城市交通拥堵、实现交通运输智能化等方面具有重要作用。13日,北京市科委和北京市通州区政府联合发布了城市副中心智慧交通综合管理平台,旨在实现政府数据导通,发挥交通数据价值,破解城市交通治理难题。 交通数据资源的开放与共享,是智能交通成功建设的重要保障。 北京城市副中心将通过建设基于政务外网的交通数据共享交换平台和集开发、配置、部署、管理、监控、安全于一体的数据交换全生命周期管理平台,实现通州区交通流约2000路视频数据汇聚。 记者了解到,交通视频数据资源汇聚后需要进行统一的接入、使用和运维管理,确保视频流全程安全和可追溯,从而实现统一高效、互联互通、安全可靠的数据资源体系,推动基于政务外网数据共享交换平台的信息跨平台、跨部门、跨层级共享共用,为智慧交通建设提供科技支撑。 在发掘交通数据价值方面,北京城市副中心通过大数据、区块链、人工智能等技术,深入开展自动发现占道施工、路口死锁、货车禁行、交通事故等造成道路拥堵、影响交通运行的交通事件和交通违法行为并进行预警,及时发现道路上各类异常并进行快速处置,消除隐患等方面应用创新。 据介绍,北京城市副中心还将升级道路基础交通设施,实现视频信号全覆盖,在此基础上,通过视频结构化算法,智能化识别和发现车辆路侧停车、交通事故、占道施工行为,提高交通事件处置效率。通过精准管控限行车辆,有效调控市区行驶车辆数,提高城市道路交通运行效率。通过交通视频分析技术,实现自动感知和识别区内行驶的车辆,从而提高路面交通监控设施的使用效能、减轻路面警力部署压力,增强非接触式交通事件处置能力,减少人工上路核查。

    时间:2020-10-21 关键词: 智能化 智慧交通 大数据

  • 智慧交通:交通超脑让出行变得更加智慧

    智慧交通:交通超脑让出行变得更加智慧

    当今,随着物联网、大数据、云计算、人工智能等新一代信息技术的快速发展,“交通超脑”大数据平台因运而生,并且大大提升了交通的运行效率,给我们提供了更加智能的交通服务。 在合肥市交警支队交通指挥中心大屏幕上,显示着“交通拥堵指数”“道路拥堵排行”“当前在途车辆”等信息,这些是对监控捕获信息深度分析后获得的。 “交通超脑”于2019年10月投入使用,包括1个数据接入平台、1个超脑中枢、7大应用子系统。其中,最为“硬核”的智能语音指挥调度平台,基于语音识别、语音合成、语义理解等核心AI技术,方便交警收集车流量数据、处理交通事故等。 目前,系统监测范围已覆盖合肥市1332个路口、649条道路,日均接入互联网路况数据1.5亿条。通过分析挖掘,已累计完成70个重点片区治理,44个片区畅通率得到显著提升。通过事件仿真技术,可以在10秒内预测5-30分钟之后的区域交通态势,平均每2分钟就可以完成11个路口的信号协调联动。 此外,“交通超脑”还可以智能调控合肥市市105套高架限行系统,实时优化周边信号灯配时方案,并对施工占道、大型活动安保、恶劣天气等事件进行分析和预判。 “交通超脑”展示的数字化交通管理是合肥市数据惠民的缩影。合肥市于2017年成立数据资源工作领导小组,并在全省率先成立数据资源局、组建大数据资产运营有限公司,与18家行业领军企业签订“智慧城市”建设战略合作框架协议。 “打造‘城市大脑’的初衷,是让城市的各个‘器官’协同工作,从而实现城市治理能力智能化、集约化、人性化。”合肥市数据资源局应用推进处处长吴波表示,经过探索创新,市民享受到更为便捷舒适的城市服务。同时,也让城市管理者更加科学化、民主化地进行决策。 未来,合肥“智慧城市”建设将继续沿着健康、精细、安全的道路,实现高质量发展。

    时间:2020-10-21 关键词: AI 智慧交通 大数据

  • 2020年长三角智能交通与智能网联创新发展论坛正式举行

    2020年长三角智能交通与智能网联创新发展论坛正式举行

    2020年10月17日,在苏州正式举行了2020年长三角智能交通与智能网联创新发展论坛。本次论坛的主办方为苏州工业园区管理委员会,并且由苏州工业园区经济发展委员会、苏州工业园区规划建设委员会等部门联合承办。 大会内容涵盖新基建发展政策下的交通信号控制、智能网联、互联网大数据等多个专业领域,设有一场主论坛、三场分论坛。汇聚了政府单位、全国智能交通与智能网联行业专家、学者及国内外相关领域代表参会。 苏州工业园区党工委委员管委会副主任卢渊、江苏省公安厅交通警察总队政委朱志星、中国交通信息科技集团有限公司党委副书记、总经理袁航分别为大会进行了致辞。 卢渊表示苏州工业园区连续四年蝉联国家经开区评比第一,并跻身科技部建设世界一流高科技园区行列,成为国际合作的典范,在智能交通、5G、车联网、工业互联网等新兴产业领域积淀了独特的发展优势。 朱志星表示,在园区和省内其他地区大力推进智能交通和智能网联发展的形势下,苏州较先创建省级车联网先导区,加快了车联网前沿技术突破和模式创新,开辟了公安新型执法的道路。 袁航指出,工业园区在智能交通的建设成果以及对智能网联的探索做出了很好的示范,通过新旧动能的转换升级,在智能交通、车联网、5G等新兴产业领域一直保持着创新与发展。 从中央到地方,智能交通与智能网联正在加速融合,智能网联汽车产业也正迅速崛起,汽车产业新一轮科技革命和产业变革正在到来。车路协同技术轮廓日渐清晰,信息服务、交通管理、智能驾驶是重要应用场景,高速和城市内智能网联道路率先受益,苏州也在加速推进车联网建设。 今年7月,由苏州市工信局牵头,创元产业投资有限公司作为申报主体,联合苏州工业园区、常熟市、相城区、中国移动申报的“苏州5G车联网城市级验证与应用”项目已成功获得国家发改委批复,成为全国除雄安之外的唯一获批城市。重点建设“三区一走廊”,打造150+以上的车联网应用场景。 为了更好地支持苏州市车联网建设,苏州工业园区计划结合区内企业,构建面向测试、示范应用、商业运营的场景库。会议期间,在园区管委会、经发委、规建委、公安分局等领导的见证下,现场还举行了苏州工业园区智能网联场景库建设启动仪式。 在主论坛上,来自苏州市公安局苏州工业园区分局政委朱建华、国家智能交通产业技术创新战略联盟理事长、中国智能交通协会副理事长关积珍、同济大学交通运输工程学院教授,交通运输工程学院副院长马万经、西门子交通大中华区首席执行官莫德Juergen Model、滴滴出行科技有限公司首席交通专家顾敬岩等五位发言嘉宾分别从智慧交通、未来出行生态、智能网联、数字交通等方面分享了园区智慧交通管理经验及未来发展思考。 苏州市公安局苏州工业园区分局政委朱建华现场发表《苏州工业园区智慧交通三年行动计划》主题演讲,朱建华表示,未来三年,苏州工业园区智能交通的发展目标分别是智能交通覆盖率由现在的45%提高至100%全覆盖、各业务平台系统全面升级提档、打造具有全国影响力的智能网联产业技术创新基地。 国家智能交通产业技术创新战略联盟理事长、中国智能交通协会副理事长关积珍在《未来出行生态与智能交通创新》主题演讲中表示新一代信息技术,尤其是移动互联、人工智能、大数据、云计算等技术的发展,给智能交通创新发展提供了强有力的技术支撑,智能交通行业既面临一系列新的挑战,也面临着发展机遇。 同济大学交通运输工程学院教授,交通运输工程学院副院长马万经现场分享《智能网联环境下交通管控的创新发展》,分别从交通问题的快速演变、交通工具的快速智能、个体数据的快速丰富、出行模式的快速变革等方面介绍了行业背景和需求。此外,他还从系统建设到创新优化、从任务驱动到数据驱动、从控制对象到控制手段、从预测需求到规划未来等四个方面分析了行业创新发展。马万经现场表示,不同等级的自动驾驶车上路将成为必然。 借助全球经营,西门子交通已为中国市场提供本地创新超过120年,西门子交通大中华区首席执行官莫德Juergen Model现场发表了《西门子数字化技术塑造互联交通未来》主题演讲,重点分享了西门子智慧交通解决方案助力城市交通管理模式转型、可持续发展。 滴滴出行科技有限公司首席交通专家顾敬岩现场发表了《滴滴与苏州工业园区的交通运输体系智慧实践》主题演讲,顾敬岩现场表示滴滴的交通大脑是以全局最优、系统协同为目标,数字空间与现实空间相互映射关联,不断交互,迭代更新,深度学习,持续进化,通过模拟仿真,对未来趋势进行前瞻性、主动性、精准性预判,优化交通系统时空资源调配,实时提出精准、个性化的系统解决方案,实现供需适配、系统最优的智慧、高效交通运输系统。 交通大脑的价值是客流、物流、运载工具、交通基础设施和环境等交通要素全面数字化、在线化,在数据空间描绘城市交通,洞察交通系统的运行与趋势变化。

    时间:2020-10-21 关键词: 智能交通 大数据 互联网

  • 中国智慧交通管理产业联盟年会将在10月23日举行

    中国智慧交通管理产业联盟年会将在10月23日举行

    据消息称,中国智慧交通管理产业联盟论坛将于2020年10月23日在邢台举行。本次产业联盟论坛将通过线上和线下相结合的方式举行。本次论坛的举行将有利于推动智慧交通行业的发展。 本次线上与线下论坛邀请知名高校教授、经验丰富的一线公安干警、业内实战专家等嘉宾与各地一线交警进行线上互动,对“交交通组织精细化和信号控制优化”这一课题进行深入探讨和研究,围绕交通组织优化、信号控制优化、交通运行管理评价、配时中心建设等公安交管工作内容展开讨论。 一、活动时间 时间:10月23日(周五)09:00-17:30 地点:河北邢台 二、活动组织 指导单位:公安部交通管理科学研究所 主办单位:中国智慧交通管理产业联盟 河北省公安厅交通警察总队 承办单位:邢台市公安局交通警察支队 广东振业优控科技股份有限公司 邢台交警支队演讲主题:多措并举,推进交通管理精品化小工程建设 内容简介:邢台市作为京津冀城市群的重要节点城市以及典型工业城市,除了交通拥堵问题,还面临着很大的环保压力。为此,邢台交警支队根据九纵九横十八条主干道的实际情况,启动“一路一策”信号优化项目,通过制定精细化的配时方案,提升路口全天各时段通行效率。同时,还针对城市重点路口、区域及大气污染监测点开展精品小工程建设,采用干线协调、区域联动、外截内疏等优化措施,并积极探索绿波设计、借道左转、可变车道、潮汐停车带、可触摸式人行过街等专项应用。通过以上措施,不断深挖道路资源,权衡路网空间和时间分布,在提升城市交通精细化管理水平的同时,有效减少因车辆怠速而产生的尾气排放,助力节能减排。 ◆中国智慧交通管理产业联盟介绍 由公安部交通管理科学研究所(以下简称“交科所”)主导发起的中 国智慧交通管理产业联盟(以下简称“联盟”)于2015年11月在无锡成立,联盟成员单位主要为国内顶尖的科研院所、骨干企业、高等院校、公共服务机构等。 联盟目前设数字化牌证工作组、交通管理大数据技术工作组、智能交通管理技术工作组、交通规划与设计工作组、交通安全技术工作组、自动驾驶测试技术工作组6个工作组,汇集国内龙头企业及研发机构共计59家,振业优控担任联盟交通规划与设计工作组组长。

    时间:2020-10-21 关键词: 科学 智慧交通 大数据

  • 社区医院也积极发展智慧医疗

    社区医院也积极发展智慧医疗

    当今,随着物联网、大数据、云计算、人工智能等技术的不断发展,我国在智慧医疗领域也取得了很不错的发展。有些地方不仅在大医院推出智慧医疗服务,在社区医院也推出智慧医疗服务。 说到社区医院,以前很多人第一反应就是规模小、医生少,设备远没有大医院的先进专业。但这些年,随着浙江基层医疗服务机构的快速发展,不但社区医院的专业水平有了很大提升,还引入了先进的智慧医疗服务,让人们在家门口就能享受到便捷的医疗服务。 张奶奶今年68岁,是杭州市下城区文晖街道卫生服务中心的签约对象,她可享受到社区医院提供的慢性病长处方配送、线上转诊等智慧医疗服务。 轻轻一点送药上门 张奶奶有糖尿病、高血脂等慢性病史。两周前,她通过微信平台预约了看诊时间,准备到社区医院开一些长期服用的处方药。 就诊当天,张奶奶走进了签约医生崔蝶的诊室。崔医生仔细听完她的需求,打开了“慢性病长处方配送平台”。简单操作之后,张奶奶知道她可以在家里安心地等待送药上门了。 “慢性病长处方配送平台”与专业医药公司相连接,可以为社区老人提供部分常见处方药送药上门的服务。 社区医院工作人员向记者介绍,提供药物配送服务的并不是一般的快递小哥。因部分药物的运输过程需要冷链保存,医药公司会派专门的配送车和配送员送药上门,保证药品安全。 “‘慢性病长处方配送平台’提供的服务很受社区老人们欢迎,社区临时缺少长处方药或一些老人不着急用药时,这个平台就能发挥大用场。”崔蝶提醒,并不是所有的药物都能够通过平台配送,现在国家规定的16种常见慢性病的药物可以通过系统预订。 预约专家号快人一步 除了“送药上门”之外,张奶奶还对社区医院提供的线上转诊服务赞不绝口。 “省级医院和市级医院的专家号,这里的智慧平台都能挂到,而且可以提前两周挂号。”张奶奶介绍说的正是线上转诊服务中的网络挂号平台。 社区医院的网络挂号平台号子更多,预约时间更早。一般普通的预约平台都是提前7天开始预约,而社区里的挂号平台,市级医院专家可以提前14天,省级医院专家可以提前7天,大大方便了社区老人就医。 除了网络挂号预约外,社区医院的线上转诊服务还为签约老人提供医保减免、对口医院预约检查等各项服务。

    时间:2020-10-20 关键词: 物联网 智慧医疗 大数据

  • 2020爱分析·智慧医院数字化论坛正式闭幕

    2020爱分析·智慧医院数字化论坛正式闭幕

    2020年9月28日,以“智联共享 数字医疗”为主题的2020爱分析·智慧医院数字化论坛正式圆满闭幕。本次论坛吸引了业内众多企业代表、专家学者们参加。 活动开场,爱分析高级分析师 姜凯燕分享了对《智慧医院行业趋势报告》的解读。她重点解读了智慧医院建设进展和2020年的侧重点。 智慧医院建设进程主要受到政策驱动,收益和回报周期决定了智慧医院三个方向的进展和市场空间。当前,智慧服务已覆盖超过50%的医院,预约挂号、在线支付、结果查询等功能上线比例最高;智慧医疗方面正在实现临床诊疗规范、合理用药、临床路径等场景的数据交互。她认为,2020年智慧医院建设的首要重点为电子病历和智慧服务的评级;新的关注点将是新技术、新理念下的智慧管理;长期来看,医疗大数据、科研平台和5G、物联网等新技术的应用将是标杆医院引领医院信息化潮流的风向标。 同仁医院信息中心主任 刘艳亭分享的是“智慧建设先行,保障运营服务双提升”, 刘艳亭提到,当下无论是医院运行层面还是患者就医层面都存在很多问题。智慧同仁建设的总体原则是,通过流程再造和区域规划,借助智慧医疗手段,使患者“少走路,不走冤枉路”,医务人员“又好又快的工作”,提高整体效率,减少人员聚集和非必要交叉流动,减少院内感染机会。 华西公用首席应用解决方案架构师 白丁分享的是“四川大学华西医院互联网医院创新发展实践”, 白丁提到,2019年10月10日,四川大学华西医院正式获批增加“四川大学华西医院互联网医院”作为第二名称,挂牌互联网医院。白丁认为,当下互联网医院主要分两类,一种就叫做医疗服务,主要包括现在开展的在线门诊和检验检查等服务,还有一类是健康管理服务,主要包括各种咨询服务,健康管理、家庭医生等服务。目前,华西医院已经建设了全流程的线上医疗服务闭环。 贝锐科技首席技术专家 赵大明带来的是“智慧医疗领域的解决方案”,医疗设备搭配向日葵核心的【远程桌面】技术,实现多设备、跨平台和多场景远控,针对医疗行业高精尖设备远程教学、远程会诊、远程运维、手术直播展示难、医院“数据孤岛”与医联体间资源分享难等系列问题,首席技术专家赵大明基于贝锐科技自身技术优势和实践经验,给出了针对性、可落地的应用方案。 作为一家远程SaaS服务商,贝锐科技提供了一站开放式的远程服务,累计服务超50万家企业、注册用户3600万,接入设备1.5亿台,运维稳定性达99.99%。 嘉宾分享后的讨论环节,主持人与各位嘉宾围绕“基于新技术的远程医疗建设与实践”表达了各自的观点与想法。刘艳亭表示,当下智慧医院实际上不仅是服务于线上,它很重要的一个职能是服务于线下,通过线上的手段服务线下;白丁表示,只有在标准化、智慧化的智慧医院体系下,远程医疗可能才具备实施和发展的基础;赵大明表示,从技术角度来看,远程医疗从过去传统的信息上的交流,已经发展到新的阶段,主要是涉及到对设备方面控制的需求。最后,姜凯燕做了论坛总结并感谢了各位嘉宾的莅临。

    时间:2020-10-19 关键词: 数字化 智慧医院 大数据

  • 智能家居不断向全屋智能方向迈进

    智能家居不断向全屋智能方向迈进

    当今,在物联网、、大数据、云计算、人工智能和5G技术的不断加持下,我国在智能家居领域取得了前所未有的发展。尤其是在5G和物联网技术的加持下,智能家居行业将迎来怎样的发展动能得到了越来越多人的关注。 日前,36氪研究院发布的《2020年智能家居行业研究报告》指出:智能家居已经迈入4.0时代,巨头厂商不再局限于智能单品的研发,而是构建基于物联网和人工智能技术的生态圈,积极打造可以自主感知用户需求,提供智能化服务的全屋智能家居系统产品。同时,未来在5G+AIoT赋能下,更大范畴的底层互联协议有望诞生,全屋智能家居系统将成为发展的必然趋势。 今年7月,谷歌宣布官方Netflix流媒体支持其Nest Hub和Nest Hub Max智能家居设备。这意味着带谷歌屏幕的设备现在可以作为微型智能电视使用。 在国内,智能语音芯片商全志科技和阿里旗下半导体公司平头哥达成合作,双方将合作开源处理器架构。全志将基于平头哥玄铁处理器研发全新的计算芯片,该芯片可应用于工业控制、智能家居及消费电子领域,预计3年出货5000万颗。 行业积极布局的背后,是疫情催生下智能家居市场前景的持续看好。研究机构StrategyAnalytics预测,智能家居市场将在2021年恢复,消费者支出将增加至620亿美元。预测全球智能家居设备市场将继续以15%的复合年增长率增长,到2025年将达到880亿美元。 《2020年智能家居行业研究报告》同时指出,在政策驱动和AIoT、5G等技术的联合驱动下,以小米、华为为首的国内龙头厂商和以施耐德电气为首的国外巨头争相以开放协议等技术和战略布局打开兼容局面,联动产业链共同推动全屋智能风口加速来临。 同时,随着消费者对家居产品的科技性和便捷性诉求逐渐提高,智能家居的便捷性和无接触交互方式的优势日益凸显。 业内分析认为,经过二十多年的发展历程,如今智能家居已迈入4.0阶段。4.0阶段建立在大数据和云计算技术的基础上,深度学习、计算机视觉等技术也将得以运用,这一阶段系统性的全屋智能可以为用户带来更多价值并真正提供智能化的家居服务。在市场大环境上,在经过了突如其来的疫情之后,大众对无接触操作、无感操作的需求增多,同时,居家时间拉长,大众开始重新审视居家生活品质,智能家居有了更多“崭露头角”的空间和机会。 以法国巨头施耐德电气为例,近年来公司已经开始加速布局并推进全屋智能家居解决方案的落地。对内施耐德电气以创新为基因不断扩展业务及产品类别,以开放姿态应对智能家居消费者对未来的无限想象。对外携手产业链伙伴协同创新,通过生态圈的打造实现更广的延展覆盖。此外,公司在智能楼宇和地产领域多年的行业积淀也作为加持助力在蓝海中谋得头筹。。 智能家居作为以住宅为平台,利用网络通信、自动控制、音视频等技术将家居生活有关设施集成,本质上来说可以看作家庭层面的物联网。有了智能家居,家居设备变得充满“智慧”,按照用户意志为其服务,解决诸多烦恼。但长期以来,智能家居并没有完全走进日常生活之中,仍面临着发展及普及的诸多困境。从消费者层面来说,使用智能家居产品的重要阻碍因素,即是品牌之间缺少兼容性,各品牌之间无法打通,安装和操作都十分复杂,究其原因,与行业所处发展阶段有关。 《2020年智能家居行业研究报告》分析认为,当前,物联网智能终端设备始终无法通联主要有两方面原因: 一方面,大部分企业都希望自建平台和生态,这就不可避免地造成了平台割裂的现象。另一方面,各企业间存在技术架构各不相同的问题。行业中没有一套通用的技术标准,每个企业在自己的生态闭环中有一套技术架构,不需要去兼容别人也不需要介入。 未来这两个问题都可以通过区块链天然带有分布式对等合作的技术特性来驱动解决。此外,国家住建部、工信部等多个部门都在联手制定一系列的标准,促进智能家居行业国家标准的落地与应用,让智能家居从业者更好地“学标准、懂标准、用标准”。 因此,在不远的未来,产品端、云端、控制端一体化的开发将成为智能家居企业的标配产品。以施耐德电气发布的Wiser无线智能家居系统为例,开放式的产品生态可以通过本地场景开关、智能手机、智能音箱等设备实现屋内所有智能设备的远程无线操控和实时云端通讯。基于终端设备的互联互通,以及云端数据的分析能力,最终提升智能化服务质量。 《2020年智能家居行业研究报告》也分析认为,5G技术有助于促进基础设施构建,AIoT技术的加持则会使终端设备实现互联互通和算力的迅速提升,而边缘计算与本地存储将更广泛地应用于终端设备。 随着这些技术分别作用于智能家居领域的产品端、云端和控制端,将为未来终端更加开放、跨界融合奠定基础,智能家居也正真正能够从“单点智能” 迈入“全屋智能”时代。

    时间:2020-10-15 关键词: 机器人 智能家居 大数据

首页  上一页  1 2 3 4 5 6 7 8 9 10 下一页 尾页
发布文章

技术子站

更多

项目外包