主要用于分析行情数据，购买哪一款比较好。

求大神指教，是什么原因，该怎么做

我看设计器的设计器的ESN码也没有，难道要卸载重装？

情况是这样，最近有一个新需求是要对一个现有库里面的敏感信息加密，总计300W左右的数据，比如地址，电话，手机号码，包括但不限于以上的东西。然后需要找到这个词然后进行加密 。 如果是一般的这个对象可能也就直接处理了 。但是我使用的是json来存储的这些所有信息。 再加之我使用的是oracle数据库，oracle对于json的支持，本身就没有postgre来的好。这就让人感到烦躁了 ，然后最开始用了一个特别蠢的办法。先把所有的错词入库，然后使用了 listagg 和oracle的正则regex_like 联合使用。根据区划循环。然后把把查到的错词记录下来 。但是 噩梦开始了 ，刚开始没做异常处理（蜜汁自信）结果就是 跑了好十几个小时的数据，没错你没看错 十几个小时， 我人傻了 。然后因为数据有问题，导致十几小时的心血白费。但是时间已经来不及再跑十几小时了，那么就只能用多线程拉力处理这个问题了 。@Testpublic void test() throws Exception{ CountDownLatch countDownLatch = new CountDownLatch(3); // 创建线程池 ExecutorService executorService = Executors.newFixedThreadPool(3); //根据区划来查找错词 List<SysOrg> entities = sysOrgDao.getListError(); if (entities.size() > 0) { //分批查询错词表，因为如果全部查询错词表，数据太大 List<HlSheet> Sheets = new ArrayList<>(); HlSheet sheet = new HlSheet("列表", columns); executorService.execute(() -> { List<String> names = new ArrayList<>(); names =itemDao.getWord(); for (SysOrganizationEntity entity : entities) { List<SInfo> sInfos = new ArrayList<>(); List<SInfoNew> sInfoNew= new ArrayList<>(); String orgId = entity.getId(); String type = entity.getType(); int i = Integer.parseInt(type); if (names.size() > 0) { for (String name : names) {                        sInfoNew= itemDao.getErrorList(orgId, name,i);                        sInfos.addAll(sInfoNew); } } sysOrgDao.updateFlag(orgId); } // 关闭子线程 countDownLatch.countDown(); }); File out = new File(outDir, "abc" + ".xlsx"); if (!out.getParentFile().exists()) { out.getParentFile().mkdirs(); } FileOutputStream outStream; try { outStream = new FileOutputStream(out); if (Sheets .size()>0) { ExcelUtils.writeExcel(outStream, Sheets .toArray(new HlSheet[0])); } outStream.flush(); outStream.close(); } catch (FileNotFoundException e) { // TODO Auto-generated catch block e.printStackTrace(); } catch (IOException e) { // TODO Auto-generated catch block e.printStackTrace(); } }}在这次用多线程之前，其实一直没用过这种方式。所以在之前先用过其他方法 。本来是觉得循环错词来for循环查找的话效率就很慢，就想当然的觉得分批了regex_Like回效率更高，结果真的是把人给搞吐了 ，效率及其的低。所以之后如果是在json里面处理数据的话建议还是就正常的使用like（当然这个是小批量数据的情况下 ）Oracle 中like常用但是其效率不是高，目前根据我走测试sql的执行时间来看是别regex_like的速度要快很多。特别是使用%a%-----》全局扫描，没有利用到任何索引。情况可以的条件尽量下使用a%------》可以利用正序的索引。%a------》可以利用反序的索引(当然得已有反序的索引)。使用instr函数取代like查询，可提高效率，在海量数据中效果尤其明显。经过这个之后，一定要记得1.处理数据前一定记得加异常处理，因为你永远不知道，永远想不到有什么数据在等着你，就算没有加异常，也千万不要想我这样全部处理完之后才输出结果2.数据库中使用索引提高效率，3.regex_like 查json里面的值，再加上嵌套循环之后效率真心低。4.多线程线程数不要开的太多。补充一个第五点，5.千万千万记得关闭线程，不然你就等着你的CPU 和内存的占用飙升直至百分百然后电脑宕机吧 。

在应用人工智能技术之前，部分质检场景已经出现了使用传统机器视觉进行质检的案例。但是由于产品零件复杂、光源多样性等因素的限制，更多场景还是依赖于人工质检。而人工智能技术的融合可进一步提升检测精度，很多实践已证明AI算法可实现高达99%以上检测精度，可以应用在绝大多数工业质检场景中。本次昇腾小姐姐教你趣味实验，将给大家介绍工业质检的应用场景，以及昇腾AI的技术应用。通过本实验，您将可以掌握昇思MindSpore的基础使用，熟悉U-Net网络和图像分割的原理知识，您还可以熟悉昇腾AI处理器的使用，掌握离线模型的转换方法，以及熟悉MindX SDK mxVision的使用。快跟昇腾小姐姐一起来学习趣味实验“昇腾工业质检应用实践”吧！【昇腾工业质检应用实践】本实验主要介绍如何使用昇思MindSpore框架构建U-Net网络模型，使用线上昇腾算力在工业质检的模拟数据集上进行训练，并将保存的模型编译生成适配昇腾AI处理器的离线模型，使用MindX SDK mxVision进行推理，从而实现图像分割的任务。实验课程内容大纲：第1章 华为昇腾工业质检场景应用第2章 工业质检实验介绍2.1 实验平台和资源2.2 实验数据与模型第3章 昇思MindSpore 训练阶段3.1 环境搭建3.2 训练项目介绍3.3 配置文件参数和数据预处理3.4 模型训练3.5 模型推理3.6 结果可视化3.7 模型保存第4章 MindX SDK 推理阶段4.1 环境搭建4.2 环境更新4.3 环境安装4.4 推理项目介绍4.5 ATC模型转换4.6 SDK业务流程编排4.7 StreamManagerApi4.8 执行推理脚本实验课件：点击下方附件下载查看实验教程：点击↑查看完整实验教程欢迎在下方评论区留言讨论您可以在这里展示您的DIY成果！同时欢迎大家推荐demo~

尊敬的微认证客户：您好！为帮助您深入了解华为云产品，探索新的技术场景，我们非常高兴地与您分享一个好消息：由华为资深研发团队精心打磨，潜心研发的新微认证《企业上云之大二层规划设计》、《使用MindX SDK开发智能质检应用》将于2022年1月7日正式上线！届时请进入华为云培训中心-微认证-云计算/人工智能查看产品详情，体验使用，我们非常期待您的宝贵建议。以下为微认证详情，您可提前了解：产品名称: 《企业上云之大二层规划设计》适合人群： 面向对云上网络设计感兴趣的人员，社会大众以及高校师生；培训方案： 华为云基础产品结合大二层网络设计完成具体实践；技术能力： 了解网络基础规划能力，掌握华为云基础产品以及大二层规划具体实现；认证价值： 了解大二层规划价值，感受企业上云过程中网络条件对于业务的重要性。产品名称: 《使用MindX SDK开发智能质检应用》适合人群： 想提升AI模应用开发效率的软件开发人员和对AI应用开发感兴趣的社会大众；培训方案： 学习使用MindX SDK开发智能质检应用课程并完成课程实验；技术能力： 模型转换、业务流程编排、自定义插件开发、辅助工具使用等；认证价值： 掌握MindX SDK使用方法，提升AI应用开发效率。届时我们还将开展相关微认证上新活动，详情请关注华为云培训中心论坛-热门活动相关通知。发布日期：2022年1月5日

TCL工业研究院签署 CLA（Contributor License Agreement 贡献者许可协议），正式加入昇思MindSpore开源社区。TCL工业研究院是TCL集团的顶级R&D部门，主要聚焦人工智能及大数据、新型半导体显示技术和材料、智能制造和工业互联网、5G应用四大核心技术，专注于前沿科技的储备与探索，为TCL成员企业提供前瞻性的技术支持。TCL工业研究院-香港研究所的主要研究方向主要是在大数据、人工智能、AIOT等，而READ项目团队在港研所内主要从事AI在工业视觉领域的研究与落地工作，在工业视觉缺陷检测领域拥有多年的研究经历，深耕视觉和深度学习算法开发业务，在3C电子、半导体显示、汽车等行业都有AI算法的工厂落地的经验。由TCL工业研究院基于昇思MindSpore实现的工业AI算法库READ，专注于研发与集成基于无监督监督学习的大规模异常检测算法和模型，重点解决工业质检中小样本和数据长尾问题，通过针对不同行业的业务和数据特点，研发可在无异常（无缺陷）图像上进行自学习和自训练的异常检测技术，旨在为工业检测领域提供一个无监督异常检测的框架。TCL工业研究院加入昇思MindSpore社区后 ，我们将有更深一步的合作，共同推动双方的项目产品能在业界里深根发芽。未来，READ也希望能够加入更加适应于工业领域的对比自监督与视觉大模型的算法，促进工业视觉领域更加快速的发展。如您想加入MindSpore社区，有签署CCLA的需求可以将原由发送至邮箱：huxiaoman@huawei.com如有与MindSpore社区相关的任何疑问，详情可咨询MindSpore小助手MindSpore官方资料GitHub : https://github.com/mindspore-ai/mindsporeGitee : https : //gitee.com/mindspore/mindspore官方QQ群 : 486831414

5月27日竹间智能COO孙彬老师做客华为云云市场直播间，给观众带来了《AI能力整合，做企业的“最强大脑”》的主题分享，介绍了华为云联合竹间智能打造的AICC智能客服系统。AICC是AI Contact & Collaborate的简称，那么竹间智能AICC能做什么呢？一、电话机器人1）防疫机器人：为企事业、政府机关部门、街道、居委提供疫情防护机器人，覆盖4大类场景：人员进出异地筛查、每日身体状况调查、口罩购买提醒、员工返程确认，有效降低基层组织的防控压力和极大的提高效率。2）催收机器人：催收机器人主要用来解决银行(信用卡)、互金、P2P、和汽车金融行业的贷后催收管理，满足企业客户在金融 M0 / M1 / M2 阶段的催收需求，实现全流程、智能化的业务运营。3）满意度调查机器人：为企事业的售后服务提供自动化的智能调查服务，主要覆盖：金融服务，家电售后，教育，零售、汽车等传统行业。实现智能化的主动触达，快速完成客户意见/反馈的收集。4）HR招聘机器人：为企事业的HR 业务提供3大类场景：人次唤醒、入职提醒、招聘邀约 (目前已上线蓝领岗位、软件工程师、实习生，在快速扩充ing)，提高HR 工作的效能和效率。5）回访机器人：回访机器人主要用来满足企事业客户针对产品、服务的回访，主要涵盖：银行服务、保险理赔、证券开户、家电服务等回访场景，用AI 来改善传统回访工作的低效率现状6）营销机器人：营销机器人主要适用于电话营销的行业，能实现快速的沉睡客户激活，意向客户筛选，为企业赢得先机。覆盖以下行业： (银行)信用卡分期、(消费金融)沉睡客户激活、幼教推广等场景。 二、坐席助手1）金融行业坐席助手：智能辅助保险、证券、银行等金融行业坐席，涵盖：银行服务、保险理赔、证券开户等场景。通过自动提示业务知识、业务办理流程，提升坐席服务效率，降低人力成本；实时质检坐席服务，提升客户满意度。2）政府热线助手：为政府热线坐席自动推荐市民诉求解决方案，热点问题、突发事件实时监控预警，帮助热线机构提升市民诉求解决效率，及时获知社情民意。3）销售助手：主要适用于电话营销行业，通过销售策略提示、客户画像自动构建、优质客户筛选，帮助企业挖掘价值客户，提升销售成单率。主要覆盖行业：保险销售。4）医生助手：主要用来提升互联网医生问诊效率，在问诊过程中，即时提示药品资料、诊断流程等信息，帮助规范药品使用建议，提升问诊效率。 三、智能客服1）健康顾问智能客服：提供健康顾问服务，通过营养知识图谱、生活习惯多轮问答的对话方式，解答用户对健康、营养、生活习惯的疑问，最终为用户推荐健康的饮食生活习惯。2）电商智能客服：适用于电商领域，智能问答贯穿于售前、售中和售后全服务场景，覆盖商品咨询、智能营销、智能催单、地址核对、物流发货、售后退款等关键节点，同时搭配转人工处理，提高用户满意度。3）智能票务客服：通过一问一答智能对话方式，实时解答票务信息及完成订票（火车票、机票等）需求，与传统互联网订票方式互补，降低客服服务压力和提高服务效率。4）金融领域智能客服：在金融领域，覆盖银行、证券基金、互联网金融场景，除了基础业务如信用卡业务、储蓄业务外，还提供包括虚拟智能投顾如基金投教、基金数据实时查询、股市行情查询等智能问答服务。5呼叫中心智能客服：为传统呼叫中心部门提供智能热线呼入呼出机器人、智能文本机器人及人机协作在线客服全场景闭环的智能客服产品，AI赋能降低客服人工成本、提高客服服务效率。 四、智能质检1）保险质检：为保险公司、银行（银保）等企业的在线客服、电话客服、电销等渠道提供覆盖呼入客服、外呼回访、业务办理、电话销售等业务场景的流程质检、合规质检。帮助客户实现100%质检覆盖率，有效提升工作效率。2）催收质检：为银行、互金等企业，提供覆盖催收禁忌、催收技巧、放款审计等场景的合规质检。帮助客户提升催收技巧、杜绝暴力催收、错误引导客户等违规催收的情况发生。3）多模态质检：综合语音对话质检、语音情绪质检、视频情绪质检、人脸身份验证等多种模态的质检功能，实现多维度、多模态的质检分析。广泛适用于保险、银行、证券等金融行业的双录视频合规质检，符合行业监管要求。4）证券质检：为证券公司提供覆盖语音客服、在线客服、业务呼回访、业务受理等业务场景的流程质检、合规质检。帮助客户实现100%质检覆盖率，有效提升风控监管。5）客服质检：为泛行业客户的电话客服、在线客服提供业务流程、服务态度、服务水平等场景的质检。帮助客户实现100%质检覆盖，有效降低人力成本。6）质检分析：为保险等金融行业提供标准的数据分析模型，基于质检数据，实现保险退保、潜在客户转换、自助渠道办理引流等业务场景的数据分析挖掘，自动输出业务中存在的问题、未来的发展趋势，并给出优化处理建议。 五）Emoti Mate目前竹间智能已在金融、健康医疗、制造、智能终端、政务等领域能够提供完整的解决方案。期待未来竹间智能和华为云能带来更多的AI解决方案。 直播链接：https://bbs.huaweicloud.com/live/marketplace_live/202105271900.htmlAICC-客户智能联络中心配套人工服：https://marketplace.huaweicloud.com/contents/a62579ab-97e4-439a-af82-519e4214ab1a?marketplace_live_20210527

在销售与售后服务过程中，客服对于整个流程的推进起着至关重要的作用，通过对客服流程及内容的实时监测，能够帮助企业优化客服流程与话术，通过智能分析，解读用户信息，为企业的运营与产品迭代提供优化依据。 华为云云市场猫头鹰客服质检系统即是这样一个客服质检加管理平台，可以对所有对话实现全量实时监控，帮助企业优化整体销售及售后流程，优化企业整体运营及质检体系。基于人工智能自然语言处理技术，猫头鹰客服智能质检与管理系统通过实时收集用户与客服对话内容数据，利用自主研发的人工智能引擎总结、量化客服对话中的：情感控制、话术精准性、服务专业度等核心信息，搭建一套360度客服评估系统。 通过人工智能技术实时、全量地收集并挖掘每一通对话中的话术细节。并且基于智能分析角度，搭建一套革命性话术评估体系，为每一位客服进行客观打分。从而整合客服的历史表现和得分，提供可视化的数据展示界面及Excel报告。猫头鹰客服质检平台的四大亮点：1、实时全量监控，基于客服智能评估系统，语义系统将对客服通话进行实时采集、分析与整合；对通话中产生的重要问题进行实时告警，允许管理人员随时介入对话进行干预。 2、通话基础违规检验，分别从客服对话的反应间隔、语句长度、应答句数等基本维度对客服服务进行约束和检验。 3、人工/智能标注统计，猫头鹰提供了一套允许管理人员对客服通话进行人工评估的系统。质检员可对任意对话打上预定义“标签”，日后可对其进行统计分析，并生成自动打标签引擎代替人工。4、大数据分析，猫头鹰系统还将利用智能分析手段，深度解读消费者通话内容，挖掘其对产品、服务的核心观点与意见，为企业运营、产品迭代等及时提供优化依据。文中提到的商品链接：猫头鹰智能质检服务【华为云云市场，助您上云无忧】

不严格按照实验步骤操作，即使有了结果也不弹出实验完成提示。这次用笔记本完成，因为有了复制粘贴功能（安卓版本的浏览器暂时没有找到）再加上有了昨天的熟悉经历，操作时间快了很多。但是，对于插件属性的修改还是没有复制粘贴的方便，就直接复制了过去，结果就不会显示实验完成了。参加活动的时候还是严格按照实验步骤操作吧。

Mindx 是华为开发的昇腾深度学习组件，支持 Atlas 800 训练服务器、Atlas 800 推理服务器的深度学习组件参考设计，提供昇腾 AI 处理器资源管理和监控、昇腾 AI 处理器优化调度、分布式训练集合通信配置生成等基础功能，快速使能合作伙伴进行深度学习平台开发。刚刚尝试了沙箱实验室的使用MindX SDK开发智能质检应用开发，有两点经验分享：1.实验的第5步，“配置插件属性”这里，不知道是不是matepad屏幕的适配问题，点击插件后，并没有弹出属性窗口；这时候可以直接点开左下的text标签，直接改代码，需要更仔细文本的格式，但是有过appcube调试组件的经验，也还可以完成。2.“modelPath”：离线模型。鼠标点击modelPath属性右侧的文件夹选项，选择模型路径为/home/user/AscendProjects/MyApp/models/yolov3_modelzoo/yolov3_tf_bs1_fp16.ommodels的om文件的目录写错，需要自己重新指定或者直接cp到文档指定的目录中去。整个实验完成了一半，明天继续。

生产行业物料种类多、相关业务复杂。随着生产制造行业的数字化水平不断提高，不少企业上线了各种专业系统来进行物料管理。为了助力生产行业进一步实现物料的精细化、动态化管理，泛微OA无缝集成各类专业系统，OA流程贯穿了物料管理、使用的各个业务环节，实现了自助式、流程化的数据收集工作，让物料数据的收集、变更、调整更加灵活，准确性、及时性得以保障。OA在生产行业物料管理方案亮点1、物料主数据管理泛微OA通过与SAP集成，实现物料主数据的规范化创建。物料数据在OA流程中填写，部分业务数据可通过SAP实时读取，如物料类型、计量单位等，流程审批归档后，物料数据推送至SAP。2、采购计划为了将采购进度更集中地进行呈现，泛微协助生产企业通过流程进行采购计划申报，关联SAP物料编码、送货工厂、数量、说明、成本中心等信息。（采购申请流程）各审批节点状态实时同步至SAP，以保证两边系统数据一致。3、采购价格审批需要采购比价的物资信息均集中到“采购计划”清单界面，一张表单，所有信息清晰展现。（采购计划）根据采购类型不同，系统将需求物料推送给采购员。采购员可对采购的物料进行标记轻、重、缓、急等标签，并根据多条件组织筛选。为了提高效率，可以批量勾选需要一次采购的物料，一键发起采购价格审批。系统自动合并相同物资采购数量，以减少重复填写价格的工作量。（采购价格审批）采购价格审批结束时推送SAP生成采购申请，供应部在SAP中操作生成采购订单，也可对采购数据进行调整。4、领料管理领料台账根据采购计划和领料数据统计可领清单。系统根据当前用户自动过滤，仅显示可领物料。（领料统计）批量勾选要领物料，一键发起领料申请。OA流程审批归档前，通过SAP接口推送领料相关信息，并创建预留单。创建预留单时，会根据物料所属分组进行归类，预留单创建成功后，回写预留单号至OA系统。普通领料推送到SAP生成成本中心预留单，申请人到任意仓库领料后，仓管员SAP中确认生成出库单。若是维修工单领料生成维修领料单，与设备模块维修工单关联。领料时可先查库存。针对已有库存物料，可线下直接领料。（库存查询）5、物料质检针对来料检验，在OA中发起常规质检流程。质检结束，在SAP中确认合格/不合格，不合格需明确处置方式：可以进行退货、报废等流程；针对不合格物料，需要单独发起不合格产品处理，确定扣款金额。（物资质检单）为了对不合格产品进行规范化处理，相关工作人员可依据质检单，关联到货单号、物料产品等信息；明确扣款金额；针对扣款的送货单，需要在SAP补录扣款金额，便于生成准确的暂估货款。6、物资盘点结合生产行业实际，可以按时（月/年度）进行盘点，不管是否存在损溢，一率提交差异报告，财务、仓库同时参与，仓库主责形成差异报告。若是出现异常情况，合理损益进入成本，报废的物资进入管理费或营业外支出。针对较大差异，则需要及时进行整改。总结泛微通过“流程+建模+集成”的形式，助力生产行业实现有效的物料、采购管理：1、物料数字化管理，信息有序录入随时变更2、物料变动全过程流程管理，数据自动更新3、物料信息打通其他模块，有效分析和决策

现在的智能质检是否支持实时分析并告警，运行的算力要求至少得多少？现阶段ASR语音模型效果在开放环境下普遍表现不好，导致质检效果不佳，有什么办法可以提升？华为云智能机器人服务能否对质检流程形成一个闭环，比如更新关键词和语境等等， 这种更新一般需要多长时间，能否立即有效果？质检的时候能否加入计算机视觉多模态信息，这样是否会对质检效果有进一步提升？

使用智能质检时，存在如下限制：单个数据集中待检文件数目不超过100个。创建质检规则时，单个规则中最多只能包含25个条件。质检结果默认保存3个月，3个月之前的质检结果系统自动清理。

智能质检（SA）为在线客服平台或呼叫中心提供智能对话分析或质检服务，提供自动化，智能化对话分析能力，第一时间发现问题，提高客户满意度。离线质检为呼叫中心提供全面，可靠的质检服务。结合语音识别和自然语言处理技术，对海量录音数据进行批量的智能化分析。