随笔分类 - 大模型开发 / 大模型应用
摘要：目录1. 向量（Vector）一句话长什么样在推荐系统里它是什么为什么要用向量核心记忆点2. 矩阵（Matrix）一句话长什么样在推荐系统里它是什么"查表"是什么意思核心记忆点3. Loss（损失 / 误差）一句话举个例子Loss 越大说明什么Loss 越小说明什么训练的目标是什么常见的 Loss
阅读全文
摘要：目录方式一：Min-Max 归一化方式二：Z-score 标准化两者如何选择（工业界经验）zscore的 mean计算在实际项目中怎么算工业界的一个重要细节：只能用训练集算线上服务时怎么用 这两种归一化公式解决的核心问题是一样的：让不同量级的特征"站在同一起跑线上"，避免数值大的特征把数值小的特征的
阅读全文
摘要：目录第一大类：隐式反馈行为（Implicit Feedback）—— 系统的基石第二大类：显式反馈行为（Explicit Feedback）—— 高质量的信号第三大类：序列行为特征（Sequence Behavior）—— 现代大厂的杀手锏为什么行为特征比“用户画像”更准？（核心本质）总结 在推荐系
阅读全文
摘要：目录第一部分：总起（定基调）第二部分：分述 DNN 双塔（召回阶段）第三部分：分述 DIN（精排阶段）第四部分：总结升华（展现高级方法论） 面试官问这个问题，绝对不是想听一个死记硬背的数字（比如“64维”）。 他们真正想考察的是： 你是否清楚召回（DNN双塔）和精排（DIN）在工程架构上的核心差异。
阅读全文
摘要：目录特征向量类型1. 离散特征（Discrete / Categorical Features）2. 连续特征（Continuous / Dense Features）特征向量如何拼接成 DDN塔向量1. 离散特征（Sparse Features） -> 转化为 Embedding 向量2. 连续特
阅读全文
摘要：目录第一步：为每个特征准备独立的 Embedding 矩阵第二步：User 塔的前向传播（把特征变成向量）第三步：计算损失（Loss）—— 训练的指挥棒第四步：反向传播，更新 Embedding（核心！）总结与工程经验建议矩阵的维度如何确定1. 核心原则：杀鸡不用牛刀（防止过拟合与浪费）2. 工业界
阅读全文
摘要：目录问题 1：静态特征走普通的 Embedding，用的什么 Embedding 模型？问题 2：最终拿到 256 维 User Vector，去 Milvus 去召回吗？1. 离线/近线准备（Item 塔的工作）2. 在线实时召回（User 塔与 Milvus 的配合）💡 面试加分项（展现高级开
阅读全文
摘要：目录1. 经典基线：DSSM (Deep Structured Semantic Model)2. 引入实时序列：YouTube DNN (召回版) / SASRec3. 解决“既要又要”：多兴趣召回模型 (MIND / ComiRec)4. 引入图网络：GraphSage / PinSage工业界
阅读全文
摘要：目录设计思路V1.0 时代：你的抽象（基于规则和配置表）V2.0 时代：AI高级开发的抽象（基于模型与算法）1. 输入层（Input）：特征工程的实时化2. 大脑层（Processing）：从“查表”变成“模型打分”3. 输出层（Output）：AI Agent 动态生成总结特征向量设计 和召回一、
阅读全文
摘要：目录YOLO结构绿线检测一、先给一个总原则（非常重要）二、标准工位 → 规则 + CV1️⃣ 场景特征2️⃣ 为什么不用深度学习？3️⃣ 为什么规则 + CV 是最优解三、非标拍摄 → YOLO + CNN1️⃣ 场景特征2️⃣ 为什么规则会失效？3️⃣ 为什么选 YOLO + CNN4️⃣ 为什么
阅读全文
摘要：目录AI覆盖二手再生生命周期外观成色判断功能检测汇总开场 / 引入痛点1️⃣ 现状与痛点2️⃣ AI 解决方案（功能检测 AI）3️⃣ 商业价值4️⃣ 总结与落地检测-维修-定价决策联动现实中的断点 AI覆盖二手再生生命周期 接下来我会以更专业的行业视角、更聚焦业务价值的表达来呈现这段内容： 各位同
阅读全文
摘要：目录批次级别质量检测1️⃣ 背景2️⃣ 批次级别质量检测的概念3️⃣ 应用价值4️⃣ 简单理解合理的风险区间报价1️⃣ 背景问题2️⃣ 风险区间报价的本质3️⃣ AI 做的事情✅ 关键价值拆件操作一、业务定义（不是维修的延伸）二、什么时候会进入拆件路径（典型触发条件）三、拆件操作具体在做什么（实际作
阅读全文
摘要：目录一、规则方法的局限二、AI带来的核心优势三、简单示例对比用规则用 AI四、结论 完全可以理解你的疑问：既然最终目标是毛利最大化，为什么不直接用“规则”就够了，而非引入 AI？答案在于业务复杂性和动态性。我们可以分几个层面分析： 一、规则方法的局限 规则维护成本高、易出错 假设你写一个规则：“外观
阅读全文
摘要：目录1️⃣ 分类模型（设备操作决策：直售 / 维修 / 拆件）2️⃣ 回归模型（ROI预测：维修成本、毛利、周转天数）3️⃣ 异常检测模型（识别工位/批次异常、假性故障）✅ 最终推荐组合（工业落地版本） 明白，你希望我帮你针对每个任务选出最适合、工业可落地的模型，避免列出太多候选，让实施更明确。下面
阅读全文
摘要：目录一、功能检测汇总 vs 检测 → 维修 → 定价的决策联动二、可以这样理解两者关系三、举例对比 你问得非常关键，这两块确实有表面上的重叠，但本质上是两层不同的价值链，我帮你拆开理清楚。 一、功能检测汇总 vs 检测 → 维修 → 定价的决策联动 维度 功能检测汇总（Functional Grad
阅读全文
摘要：目录一、为什么可以直接作为置信度二、软性警告：Softmax 概率 ≠ 真实置信度三、如何提升置信度可用性（Phase 1 可行方法）四、实践建议（Phase 1）结合局部瑕疵数量和密度评分（综合评分）一、核心思路二、技术实现步骤（结合局部瑕疵特征）三、总结将各局部瑕疵转成统一评分（0–1 或 0–
阅读全文
摘要：目录一、视觉成色 AI 非功能性指标二、检测结果结构化指标三、分级一致性监控指标四、总结简化版本Phase 1 最关键非功能指标（可汇报 CEO）汇报思路建议 针对 Phase 1（视觉成色 AI + 检测结构化 + 分级一致性监控），非功能性需求（Non-Functional Requiremen
阅读全文
摘要：目录一、总体前提二、阶段划分与团队配置Phase 1（3–6 个月）核心任务推荐团队配置时间预估Phase 2（3–4 个月）核心任务推荐团队配置时间预估Phase 3（3–5 个月）核心任务推荐团队配置时间预估三、总体建议 好，我们针对 从0到1搭建二手手机/再生电子视觉 AI + 决策系统的小团
阅读全文
摘要：目录一、先把话说透：为什么“分类与检测”是银河电讯的命门这一段的三个硬事实二、把“分类与检测”拆成 4 个子决策，而不是一个动作1️⃣ 外观成色判断（Cosmetic Grading）现实世界怎么做的？AI 在这里真正的价值点（1）建立“机器基准线”（2）把“灰区设备”显性化（3）形成可审计证据2️
阅读全文
摘要：目录一、先给一个总框架：AI 在这类公司的 4 个“真钱价值点”二、结合银河电讯的业务流程，逐段讲 AI 能干什么① 采购与回收阶段（Upstream）现实痛点AI 价值点② 分类与检测阶段（核心产能瓶颈）现实痛点AI 价值点（非常实在）③ 维修与翻新阶段（ROI 决策）现实痛点AI 价值点④ 批发
阅读全文
浙公网安备 33010602011771号