中国工商银行
Serverless2.0平台在技术选型上以百度智能云天合Stack的函数计算产品为核心，并与工商银行现有的分布式、云计算技术平台做对接，为应用提供完整的函数核心引擎、函数管理能力、开发交付能力。 在这个基础上，工商银行不断打造体系完备、服务能力领先的分布式技术架构，加速升级金融级云平台，为全行业应用云原生提供了最佳业务实践范本。
知乎
数据驱动，业务决策有据可依 在百度智能云Sugar平台助力下，知乎实现了有效的数据分析与展现，不仅对管理层决策有重要支撑作用，对于具体业务运营，也做到了有据可依。比如，Sugar帮助知乎对用户画像进行细粒度拆解，实现了对PV的全面精准分析。将用户类型、访问内容、访问端等不同维度的分析结果提供给业务团队参考，用数据反向推动业务与运营的优化。 作为数据驱动的公司，知乎数据化发展卓有成效。
百度智能云-全系列云计算产品-百度生态独家支持
专属服务器 DCC 负载均衡 BLB 弹性公网IP EIP NAT 网关 VPN 网关 云存储 对象存储 BOS 云磁盘 CDS 内容分发网络 CDN 海外 CDN 边缘计算节点 BEC 数据库 云数据库 RDS 人工智能 文字识别 图像审核 自然语言处理 千帆大模型平台 数据分析 百度MapReduce BMR 智能多媒体服务 音视频点播 VOD 音视频直播 LSS 应用服务 简单消息服务 SMS 应用引擎
概述 - 百度数据湖管理与分析平台EDAP | 百度智能云文档
数据授权 ·设置数据密级 ·设置用户密级 ·添加数据脱敏规则 业务分析人员 可以使用EDAP的数据湖分析、数据源查询功能进行取数、分析，形成统计分析结果用于业务决策。 ·数据目录检索 ·申请数据权限 ·新建、编辑、删除数据查询任务 ·查询结果下载
百度智能云-全系列云计算产品-百度生态独家支持
专属服务器 DCC 负载均衡 BLB 弹性公网IP EIP NAT 网关 VPN 网关 云存储 对象存储 BOS 云磁盘 CDS 内容分发网络 CDN 海外 CDN 边缘计算节点 BEC 数据库 云数据库 RDS 人工智能 文字识别 图像审核 自然语言处理 千帆大模型平台 数据分析 百度MapReduce BMR 智能多媒体服务 音视频点播 VOD 音视频直播 LSS 应用服务 简单消息服务 SMS 应用引擎
百度智能云 - 未来银行解决方案
联系我们 解决方案架构 客户痛点 应用场景 为什么选择我们 解决方案架构 百度基于人因工程研究以及超强的AI交互体验研究能力，使虚拟金融助手的载体扩展到云席、云屏等多种感知智能设备，此外，通过后台的智能流程机器人、审核策略机器人，在规避风险的同时实现业务秒批，让用户体验到银行极致的服务，实现未来银行业务模式与服务模式的再造和升级。
改配方案概览 - 云数据库 DocDB for MongoDB | 百度智能云文档
实例架构 不支持 不支持变更副本集实例的实例架构/存储版本，您可以通过创建新实例的方式来实现。 1. 创建实例，创建过程中选择需要的实例架构/存储版本。 2.使用DTS将原实例的数据迁移至新实例。 3.在新实例上进行测试验证，如无问题可将业务切换至新实例。 4.原实例如不再需要，可以手动释放。 存储版本 不支持 同上 存储引擎 不支持 当前存储引擎只支持WiredTiger。
概述 - 物联网核心套件IoTCore | 百度智能云文档
例如： 将数据转发到另一个设备Topic中，以实现设备与设备的M2M通信 将数据转发到时序数据库TSDB中进行存储 将数据转发到百度消息服务BMS（全兼容Apache Kafka）中，然后使用实时计算进行流计算，使用大数据工具进行大规模离线计算，或是业务应用实现高可靠消费数据 使用规则引擎功能后，无需购买服务器部署分布式架构，即可实现采集+计算+存储的全栈全数据链路服务。
百度云原生数据库GaiaDB的HTAP与多地多活技术实践 - 云原生数据库 GaiaDB_关系型数据库_MySQL上云_数据库-帮助文档
接下来是存储层的架构设计，对于分布式存储系统来讲，核心就是数据分区算法与数据引擎设计。数据分区算法的核心在于如何在尽量降低映射获取时延的同时，将内存消耗控制在可接受的范围内，同时又尽量避免数据的大规模搬运。对于实时性要求越高的系统，分区算法的设计应该层级越少、规则越简单，避免引入过多的切换消耗。而数据引擎的设计优化方向则集中在Base数据的读取优化以及增量数据（WAL）的可靠性/一致性保证上。
百度云原生数据库GaiaDB的HTAP与多地多活技术实践 | 百度智能云
接下来是存储层的架构设计，对于分布式存储系统来讲，核心就是数据分区算法与数据引擎设计。数据分区算法的核心在于如何在尽量降低映射获取时延的同时，将内存消耗控制在可接受的范围内，同时又尽量避免数据的大规模搬运。对于实时性要求越高的系统，分区算法的设计应该层级越少、规则越简单，避免引入过多的切换消耗。而数据引擎的设计优化方向则集中在Base数据的读取优化以及增量数据（WAL）的可靠性/一致性保证上。
