2019-6-24 朱小卫 NTTDATA 汽车行业数字营销平台微服务化实践 2 github.com/apache?q=servicecomb servicecomb.apache.org 朱小卫 NTTDATA中国上海分公司Digital Marketing部门开发经理 15年+研发经验，有丰富的电商、CRM等产品化实践经验 近三年专注于汽车整车的数字化转型解决方案 自我介绍 3 3 github.com/apache?q=servicecomb servicecomb.apache.org 聚焦汽车数字营销布局 线上传播速度快，流量大，利用活动投放，网站，电商等线上 渠道引流新用户，结合统一营销中心促进销售线索孵化 建立统一内容中心与统一数字资产中心，中央统一发布全渠道 内容及数字资产，形成企业数字资产沉淀，统一企业对外形象 及标准化化运营 活动数据，消费者数据，媒体 抖 音，汽车之家等，基于360°消费者画像的精准营销触达。 营销触达数据实时跟踪分析，形成数据闭环 消费者权益及服务数字化布局 建设“一个会员、分众运营、复合模式”的会员体 系以及差异化个性化的会员权益服务体系，打造 “不止于车”的车生活异业联盟生态圈 4 github.com/apache?q=servicecomb servicecomb.apache.org 汽车数字营销平台总体架构

助力新零售"业财一体化"运营 “039 5.5 互联网 小红书-TiDB HTAP 助力小红书业务升级“0 41 美国点评 -TiDB Operator 开启云原生运维的新时代 。。*"，''，43 汽车之家- TiDB 在 818 台网互动项目中的应用 45 5.6教育 VIPKID -TiDB 在公有云亿级数据场景下的应用实践 47 5.7 游戏 网易互娱 -基于 TiDB 措建跨源异构计算架构 缩容, 有效提升资源的利用率。 PingCAP.COM 汽车之家 TiDB 在 818 台网互动项目中的应用 汽车之家是全球访问量最大的汽车网站,致力于通过产品服务.数据技术.生态规则和资源为用户和客户夺 能,建设"车媒体,车电商、车金融,车生活" 4个图。 业务挑战 "818 全球汽车夜"是由汽车之家与湖南卫视联手打造的汽车行业顶级盛典, 参与用户数以百万, 晚会期间 系统并发峰值达数十万 系统并发峰值达数十万, 因每轮秒杀、扬奖等活动时间短, 流量集中, 以及业务场景涉及到对账核销, 数据 持久层的选型在系统设计中显的尤为重要。 解决方案 汽车之家基于TiDB 构建两地三中心方案, 通过 Raft 算法保证数据库集群数据的一致性和高可用性， 城数据中心网络延迟相对较小, 业务流量同时派发到同城两个数据中心, 通过控制 Region Leader 和 PD Leader 分布实现同城数据中心共同负载业务流量。

架构 难点 应用 案例 目录 4 文本分类介绍 内容：  买没几天就降价一点都不开心，闪存跑分就五百多点点 ---  外观漂亮音质不错，现在电子产品基本上都是华为的了 ---  汽车不错，省油，性价比高 ---  这个政策好啊，利国利民 ---  电子税务局无法登陆，提示404。--- 税务局相关  个人所得税APP，注册的时候操作错误，怎么办？ --- 个税app相关 情感分析 0.00% 20.00% 40.00% 60.00% 80.00% 100.00% Accuracy Precision Recall F1 score 和友商效果对比-汽车领域 华为1 华为2 友商1 友商2 友商3 友商4 0.00% 20.00% 40.00% 60.00% 80.00% 100.00% Accuracy Precision Recall 买没几天就降价一点都不开心，闪存跑分就五百多点点 ---  外观漂亮音质不错，现在电子产品基本上都是华为的了 ---  汽车不错，省油，性价比高 ---  这个政策好啊，利国利民 --- 19 细粒度情感分析 0.75 0.8 0.85 0.9 0.95 1 动力 外观 内饰 空间 操控 油耗 舒适性 性价比 汽车细粒度情感分析各属性结果 Accuracy F  定制化Loss，单模型多输出 

65% 提升到 95% • 工程师体验满意度 NPS 从 65% 提升到 90%+ • 开发工程师自助式进行版本发布 • 平台团队可支撑 5 倍以上研发规模扩充 极氪汽车平台工程落地成果 随着中国车企全球增长，海外业务拓展带来全球研发、交付、推广和运营挑战，在这出海挑战中，早期路特斯的软件交付流程 是基于 Jenkins 流水线设计的， Jenkins 的部 支持多分支、多业务间协作，消除环境不稳 定和不够用的阻力，高效率自动化验证质量 典型客户： TT 语音、飞书、钛动、闪电出 行 传统行业研发数字化转型 同步实现研发的数字化转型和 DevOps 落地 典型客户：极氪汽车、老百姓大药 房、 iMile 、思创（广州公交） 1. 维护大量复杂的脚本 2. 在 Rancher 上手动替换版本 3. 不透明的测试环境导致大量问题 4. 为每一次部署维护一个 Chart 能更快落地标准化、自动化的 CI/CD ，给研发更好的用户体验，高效稳定地完成服务 的构建与发布更新，同时也从公司角度落实降本增效的 理念。” —— 小鹏汽车自动驾驶运维总监 温晓 健 4 条产品线已有 1 条接入验证和迭代端云混合部署和自 测环境拉起能力，足够成熟时将 Zadig 推广至兄弟部 门。 —— 理想智能云软件效率总监 张然

• 全球需求如期交付率从 65% 提升到 95% • 工程师体验满意度 NPS 从 65% 提升到 90%+ • 开发工程师自助式进行版本发布 • 平台团队可支撑 5 倍以上研发规模扩充 极氪汽车平台工程落地成果 随着中国车企全球增长，海外业务拓展带来全球研发、交付、推广和运营挑战，在这出海挑战中，早期路特斯的软件交付流程 是基于 Jenkins 流水线设计的，Jenkins 的部署与数据 支持多分支、多业务间协作，消除环境不稳 定和不够用的阻力，高效率自动化验证质量 典型客户： TT语音、飞书、钛动、闪电出行 传统行业研发数字化转型 同步实现研发的数字化转型和DevOps落地 典型客户：极氪汽车、老百姓大药房、iMile、 思创（广州公交） 1. 维护大量复杂的脚本 2. 在 Rancher 上手动替换版本 3. 不透明的测试环境导致大量问题 4. 为每一次部署维护一个Chart 大集群/几十个项目/上百服务⾼频交付 “我们通过 Zadig 能更快落地标准化、自动化的 CI/CD， 给研发更好的用户体验，高效稳定地完成服务的构建与 发布更新，同时也从公司角度落实降本增效的理念。” ——小鹏汽车自动驾驶运维总监 温晓健 4 条产品线已有 1 条接入验证和迭代端云混合部署和自 测环境拉起能力，足够成熟时将 Zadig 推广至兄弟部门。 ——理想智能云软件效率总监 张然 智能云使用 Zadig

segmentation），前者 是对前背景分离的拓展，要求 分离开具有不同语义的图像部 分，而后者是检测任务的拓展 ，要求描述出目标的轮廓（相 比检测框更为精细）。 5 目标检测和识别 • 怎样检测和识别图 像中物体，如汽车、 牛等？ 1.目标检测概述 6 目标识别的应用 1.目标检测概述 7 难点之一: 如何鲁棒识别？ 1.目标检测概述 8 类内差异（intra-class variability） ? = ?? ?? ?? ?ℎ ?? ?1 ?2 ?3 2.目标检测算法 19 2.目标检测算法 备注：图中的模特是吴恩达老师的夫人Carol Reiley 20 2.目标检测算法 汽车检测案例 21 2.目标检测算法 滑动窗口检测 22 2.目标检测算法 滑动窗口检测 滑动窗口目标检测算法也有很 明显的缺点，就是计算成本， 因为你在图片中剪切出太多小 方块，卷积网络要一个个地处 2.目标检测算法 非极大值抑制（Non-max suppression） 首先这个19×19网格上执行一下算法，你会得到19×19×8的输 出尺寸。不过对于这个例子来说，我们简化一下，就说你只做汽车 检测，我们就去掉?1、?2和?3，然后假设这条线对于19×19的每一 个输出，对于361个格子的每个输出，你会得到这样的输出预测， 就是格子中有对象的概率（??），然后是边界框参数（??、?

测性维护设备故障，对包装和产品质 量进行监控，并通过计算机视觉减少 不合格产品。 交通 自动驾驶汽车需要计算机视觉。特斯拉 (Tesla)、宝马(BMW)、沃尔沃(Volvo)和奥迪 (Audi)等汽车制造商Y已经通过摄像头、激光 雷达、雷达和超声波传感器从环境中获取图 像，研发自动驾驶汽车来探测目标、车道标 志和交通信号，从而安全驾驶。 安防 中国在使用人脸识别技术方面无疑处于领先地

Atria 游戏平台上的 49 个游戏。 图 1.14 DQN 算法网络结构示意图 [1] 1.4 深度学习应用 深度学习算法已经广泛应用到人们生活的角角落落，例如手机中的语音助手、汽车上 的智能辅助驾驶、人脸支付等。下面将从计算机视觉、自然语言处理和强化学习 3 个领域 入手，为大家介绍深度学习的一些主流应用。 1.4.1 计算机视觉 图片识别(Image Classification) 士“阿波龙”已经在北京、雄安、武汉等地展开试运营；在长沙，市民已经可以免费乘坐 Apollo Robotaxi 无人出租车。图 1.20 为百度的自动驾驶汽车。 图 1.19 波士顿动力公司的机器人③ 图 1.20 百度 Apollo 自动驾驶汽车④ 1.5 深度学习框架 工欲善其事，必先利其器。在介绍了深度学习相关背景知识后，现在来挑选一下实现 深度学习算法所使用的工具吧。 Neural Network，简称 RNN)在 Yoshua Bengio、Jürgen Schmidhuber 等人的持续研究下，被证明非常擅长处理序列信号。1997 预览版202112 6.8 汽车油耗预测实战 21 年，Jürgen Schmidhuber 提出了 LSTM 网络，作为 RNN 的变种，它较好地克服了 RNN 缺 乏长期记忆、不擅长处理长序列的问题，在自然语言处理中得到了广泛的应用。基于

均成本，因为用户希望知道运行维持业务运营所需的整组应用程序需要的成本。打个比方，这就像是 在问：“哪个更为经济高效，是四门轿车，还是 50 座的公共汽车？”轿车前期成本可能较少，但是 如果要求作为足球队的队车，那么 50 座的公共汽车显然更为经济高效！公共汽车的乘客平均成本要 低得多，因为车辆平均乘客密度较高。密度在多对一关系中非常重要。 主机平均虚拟机密度（可以在一台物理服务器上同时运行的虚拟机数量）直接影响应用程序平均成本。

com/s/RlNX_q8lrqQbeUfTf9S2_A 43 《51 测试天地》七十四 www.51testing.com 随着科技日新月异的发展，人工智能正逐渐渗透到我们生活的各方各面，从智能语 音助手到自动驾驶汽车，从智能家居到人脸识别技术，AI 正以其卓越的智能和学习能力 引领着新时代的发展方向。在这个快速演进的时代中，软件测试领域也受到了不小的冲 击。虽然在当下，传统的软测技术仍然是绝对的主力，但是身为 测试分层的定义和意义毋庸赘述。在不同层级测试，我们应该有不同粒度的测试场 景。比如：单元测试，我们测试场景大多着眼于单功能交付；集成测试，则关注于模块 交互；验收测试，则强调系统功能的完善。 可以试想一个汽车生产商，生产汽车的过程。是不是先零部件（轮胎、方向盘）生 成，然后再是局部功能组合调式（引擎、仪表盘），最后才是整车交付？大致如此道理。 ·从交付的角度来说，对内交付和对外交付的测试场景不同 对内交付