越來越多的ai應用發生在雲端，尤其是對於智慧型技術需求高的行業而言，他們甚至可以說是被ai逼上公有雲，而那些原本使用私有雲的企業使用者，也由私有雲躍遷到了公有雲。
資料和算力是維持ai的兩大要素，而傳統的計算環境是難以滿足二者的指數級增長的。
如果在雲端借助hadoop集群和spark這樣的通用計算引擎，或者是storm等計算框架，就可以將資料分解為多個部分，對每一部分的資料進行分析，之後將效果彙總經過多輪計算篩選出結果。這一切，在資料中心的強大算力下才能完成。
當人工智慧走向雲端，開發者既是第一批受益者，又成為了雲服務商手中的核心資源。就像微軟不惜重金收購github、谷歌開源tensorflow一樣，核心的開發者群體或社群貢獻著數以萬計的應用資源，而背後的這些資料資源如果悉數執行在azure或谷歌云平台上，對於微軟和谷歌的雲業務發展勢必是不錯的助力。
落地到行業，對雲上智慧型先知先覺的傳統企業深有感觸。以物流為例，物流企業比拼的已不止是車隊數量和倉儲空間，而是學會借助大資料、物聯網和ai技術，深入到每乙個環節打造智慧型的物流平台。這一過程中，雲計算扮演著至關重要的角色。過去，寫一套完整的物流系統需要調動研發、運維、安全、網路等多個部門的人。如今乙個顯著的現象是，管理數千輛車規模車隊的運營負責人已經可以是學演算法專業的年輕人。為什麼會有這種變化？原因是這些人會利用演算法處理大資料，通過優化運輸環節從而提公升物流運轉的效率。
當然，並不是任何一家傳統企業都會先嘗試公有雲，但他們也會為獲得全棧的ai能力去嘗試部分上雲。工業網際網路時代產生的資料量比傳統資訊化要多數千倍甚至數萬倍，並且是實時採集、高頻度、高密度的，動態資料模型隨時可變，甚至良品率的細微變化都會帶來資料模型重建。這樣一來，如果做不到工業資料實時更新，智慧型製造就無從談起。
hadoop 大資料面試題（11） 比較好
1 hdfs原理，以及各個模組的職責 2 mr的工作原理 3 map方法是如何呼叫reduce方法的 4 shell 如何判斷檔案是否存在，如果不存在該如何處理？5 fsimage和edit的區別？6 hadoop1和hadoop2的區別？筆試 1 hdfs中的 block 預設儲存幾份？2 哪個程...
MySQL效能診斷與調優比較好的資料
lamp 系統效能調優，第 3 部分 mysql 伺服器調優 loadrunner監控mysql 參考 loadrunner監控mysql 文件 advancedmysql performance optimization performance optimization.pdf improving...
關於python資料分析方面比較好的書
推薦幾本python資料分析方面的書。python憑藉其簡單 易讀 可擴充套件性以及擁有巨大而活躍的科學計算社群，在需要分析 處理大量資料的金融行業得到了廣泛而迅速的應用，並且成為該行業開發核心應用的程式語言。python金融大資料分析 提供了使用python進行資料分析，以及開發相關應用程式的技巧...