基于大模型的应用开发方式介绍 千帆社区
整体任务逻辑/队列、集成和调用AI端能力、返回AI端结果（ C++/JAVA/PHP/GO/C#/Python... ） 所需能力： 深度学习算法原理、跨模态数据处理、模型训练、模型部署/弹性部署 ； 前后端开发和工程落地 优势： 可根据下游任务数据做定制化程度较高的产品/服务 局限性： 超大规模模型finetune消耗资源较大（训练和推理部署）；数据处理工程量较大，数据安全性有考验。
平台重点升级介绍 - BML 全功能AI开发平台 | 百度智能云文档
在经历开发阶段一系列调试、验证之后，模型被正式部署到生产环境中，此时模型研发人员面临的挑战才刚刚开始。在开发阶段研发人员使用静态样例集进行训练，但在生产环境中模型需要应对来自真实世界的动态数据。当模型部署在生产环境之后，它可能会在毫无预兆的情况下，业务指标快速下降，开发中的静态训练数据与生产中的动态数据之间的差异，或是特征与输出数据之间变量关系的变化是导致指标下降的主要可能因素。
产品介绍 - 文字识别OCR
模型名称 模型功能 支持部署环境 对应云端能力 通用场景文字识别 通用文字识别 识别图片中的文字信息及文字区域的坐标信息，支持中文简体、中文繁体、英文识别 CPU/GPU 通用文字识别 通用文字识别（多语种版） 识别图片中的文字信息及文字区域的坐标信息，支持 20 种语种识别，包含 中英文混合、英文、日语、韩语、法语、西班牙语、葡萄牙语、德语、意大利语、俄语、丹麦语、荷兰语、马来语、瑞典语、印尼语、
场景推荐 - 本地计算集群LCC | 百度智能云文档
立足于百度的AI+Native能力，LCC从云部署角度为广大用户提供了构建AI训练集群的优中之选。 推荐形态 对于大部分情况下，我们都建议您选择LCC-General、LCC-Advanced两种模式，实现规模化部署 对于小规模部署以及POC模式，您可以使用LCC-Lite形态实现快速、轻量级部署。 优势 算力本地化。
设计架构 - 向量数据库
持关键词和全⽂检索，集成百度NLP中英文混合分词器。 ⽀持基于上述各类检索模式的多路混合检索以及结果的融合排序。 ⽀持标量数据和向量数据的增、删、改，⽀持批量处理。 基于LSM模型，支持行存、列存、行列混存。 支持压缩和透明加密。 支持快照及恢复。 支持引擎内再分片，支持自动化及细粒度向量索引构建调度。 支持SIMD指令集优化、CPU硬件优化和其它硬件优化等。 数据库引擎的逻辑架构如下图所示：
千帆ModelBuilder产品升级：资源管理与服务升级，更灵活支持用户使用 千帆社区
PART-2 计费模式升级 资源管理与服务逻辑升级 ，详情可参考接口文档： https://dwz.cn/DYq2Lmhv 资源管理更新升级： 支持用户选择已购资源发布服务。 服务扩缩容逻辑升级，支持用户通过添加新资源或增加部署服务数实现服务扩容、通过减少副本数或移除资源实现服务缩容。
Deployment类型容器应用 - 智能边缘BIE | 百度智能云文档
当部署一个 Deployment 类型应用的时候，只有1个Kubernetes节点上会有pod 2、操作指南 2.1、创建容器应用 2.1.1、基本信息 进入 应用部署 页面，选择 容器模式 ，点击 创建应用 进入应用创建页面。
在k8s环境安装收集器 - 日志服务BLS | 百度智能云文档
4.Sidecar模式 （1）部署方法 脚本修改 下图为Sidecar脚本局部内容： Sidecar模式的脚本填值方法与DaemonSet相同。唯一的区别是 BLS_TASKS 值在Sidecar模式下是必填值，这主要取决于工作模式的不同，后面将展开介绍。 注意点1 ：必须先在console上创建好相应的传输任务，再将任务ID拷贝至 BLS_TASKS 值处，且多个任务ID之间以逗号分割。
9.厂区工人抽样行为识别 - EasyDL零门槛AI开发平台 | 百度智能云文档
模型部署 在安全巡检场景中，我们通常建议采用端云协同的业务模式，也就是将模型部署至边缘计算节点，在边缘直接完成视频分析，并将分析得到的结构化数据回传至云端，从而避免视频传输所带来的额外延时，以获得较好的业务实时性。在该模式下，我们需要在训练时选择EasyEdge本地部署，并选择通用小型设备或专项适配硬件。
用BML实现表格预测 - BML 全功能AI开发平台 | 百度智能云文档
训练模型 4.1 AutoML模式 4.2 专家模式 5. 模型分析和调优 6. 部署模型 6.1 公有云部署 用BML实现表格预测：以空气质量预测为例 表格预测简介 亲爱的开发者您好，欢迎使用百度BML全功能AI开发平台开启您的AI开发之旅！
