AI 数据观 | TapData Cloud + MongoDB Atlas：大模型与 RAG 技术有机结合，落地实时工单处理智能化解决方案

news2024/11/24 1:51:20

本篇为「AI 数据观」系列文章第二弹，在这里，我们将进一步探讨 AI 行业的数据价值。以 RAG 的智能工单应用场景为例，共同探索如何使用 Tapdata Cloud + MongoDB Atlas 实现具备实时更新能力的向量数据库，为企业工单处理的智能化和自动化需求，提供准实时的新鲜数据。完整分布教程指引，详见正文。

前篇回顾

人工智能是第四次工业革命的核心。大家都听说过“所有产品都值得用大模型重新做一遍”类似的观点，没错现在就正在发生。从去年OpenAI 的Chat GPT取得令人难以置信的成功后，AI正在加速落地各行各业，传媒游戏、机器人、办公软件、医药、自动驾驶、音乐、语音、广告、社交平台等等，呈现出百花齐放的景象。

大型语言模型（LLM）是基于大量数据预先训练的大型深度学习模型，可以生成用户查询的响应内容，例如回答用户问题或者根据文本的提示创建图像等等，在通识领域表现的很好。但大型语言模型（LLM）仍存在一些显著的局限性，特别是在处理特定领域或者高度专业化的查询时，一个常见的问题是产生错误的信息，或者称之为“幻觉”，特别是在查询超出模型的预训练数据集或者需要最新的信息时。

解决这些问题的一种比较有效且流行的方法就是检索增强（Retrieval Augmented Generation，简称RAG），它将外部数据检索整合到生成回答的过程中，这个过程不仅为后续的生成阶段提供信息，还确保基于检索到的资料生成回答，从而显著提高了模型输出回答的准确性和问题相关性。目前几乎大部分企业都在使用这一方式来整合通用大模型能力到自己的产品中，为用户提供具有AI生成能力的产品体验。

接下来我们以企业内部工单数据为例，展示使用 Tapdata Coud + MongoDB Atlas 准备实时向量数据并实现根据用户提的问题检索出最接近的工单及解决方案。
在这里插入图片描述
本篇文章我们重点关注上图中 Mongo DB Atlas 及右侧数据准备阶段的处理过程，工单的向量数据准备过程如下：

  1. 登录 Tapdata Cloud 执行以下操作
  2. 创建 Tapdata Agent
  3. 登录 MongoDB Atlas 控制台创建 MongoDB Atlas 数据库
  4. 创建源库（企业私有数据库，MySQL、Oracle或者SQLServer）连接
  5. 创建目标库（MongoDB Atlas）连接
  6. 创建 源库=>目标库 的数据同步任务并添加数据向量化处理节点
  7. 登录 MongoDB Atlas 控制台创建MongoDB Atlas Vector Index
  8. 使用 Python 执行执行向量查询，返回我们期望得到的最匹配历史工单及解决方案

准备

开始之前我们需要先准备几个账号： Tapdata Cloud 账号、MongoDB Atlas 账号、Huggingface 账号：

  • Tapdata Cloud：实时采集业务库中的增量数据，支持常用的MySQL、SQLServer、Oracle、PostgreSQL、Mongo DB等常见的20多种RDBMS 或 NoSQL 数据库，可做到秒级数据延迟。
  • Mongo DB Atlas：MongoDB是一款开发者友好的开源文档数据库，以其灵活性和易用性而闻名。在MongoDB Atlas（v6.0.11、v7.0.2）提供了向量查询，为生成式AI应用提供友好支持。
  • HuggingFace Access Token: 本示例使用 HuggingFace 提供的 Embedding Model 服务将文本向量化，您也可以使用其他平台提供的模型或者本地部署的模型。

创建 Tapdata Agent

  1. 登录 Tapdata Cloud 控制台，第一次登录控制台时根据新手指引操作即可
  2. 第一步选择你的应用场景，这里选择第一个“迁移数据到 MongoDB Atlas”，点击下一步
    在这里插入图片描述
  3. 第二步选择部署方式，这里需要根据您的数据源所在位置来判断选择全托管或者半托管：
    a. 全托管：任务运行在云端，需要使用公网连接您的数据库，如果您的数据库有开放公网访问权限，这种全托管模式更便捷。
    b. 半托管：将运行任务的Agent部署在您数据库所在局域网或者VPC内，并且提供公网访问权限使得 Agent 与Tapdata Cloud 能够正确连接。运行的任务使用局域网连接您的数据库。
    我这里使用本地私有数据库，所以选择半托管实例，然后点击下一步
    在这里插入图片描述
  4. 第三步选择实例规格，我们这里选择免费实例即可，点击下一步
    在这里插入图片描述
  5. 第四步安装部署 Agent，我们这里使用 Docker 容器部署Agent，点击“Copy”按钮复制启动命令粘贴到本地电脑执行（需要提前安装 Docker 软件，安装方式请查看：Docker Desktop）
    在这里插入图片描述
  6. 本地执行启动部署命令后，需要等几分钟，直到实例状态为“Running”状态后再继续操作
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    到这里，我们已经准备好了运行数据同步任务的Agent。如果您之前已经完成新手引导流程，再次登录时它就不会自动弹出了，这时您只需要切换到“订阅” -> “添加订阅”，然后选择您的部署方式和规格创建实例并完成部署即可。

创建 MongoDB Atlas 数据库

  1. 登录 Mongo DB Atlas 后，点击“New Project”先创建项目，根据引导直接下一步，然后创建项目即可，过程比较简单
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
  2. 第二步在刚创建的项目中，点击“+Create” 创建 MongoDB Database
    在这里插入图片描述
  3. 规格选择 M0，集群名称就使用默认名称：Cluster-0，供应商选择 Google Cloud，地区选择 Taiwan，点击“Create Deployment”在这里插入图片描述
  4. 添加访问数据库账号
    在这里插入图片描述
  5. 选择使用“Drivers”连接MongoDB Database
    在这里插入图片描述
  6. 选择 使用Java，然后复制 连接字符串，并保存下来
    在这里插入图片描述
  7. 添加网络访问白名单，点击添加 IP地址
    在这里插入图片描述
  8. 我们这里演示目的，设置为任意地址都可以访问
    在这里插入图片描述
    在这里插入图片描述到这里我们已经成功的在 MongoDB Atlas 上运行起来一个Mongo DB 3节点副本集群，接下来我们回到 Tapdata Cloud 创建连接和数据同步任务。

创建源库连接

| 源库通常是指您的业务数据库

  1. 登录Tapdata Cloud 控制台，打开“Connections”连接管理界面，点击“Create” 创建数据源
    在这里插入图片描述
  2. 根据您的源库类型（通常是指您的业务系统使用的数据库软件）选择要创建的数据源，我这里选择MongoDB
    在这里插入图片描述
  3. 输入数据源名称、连接信息（不同类型的源库，需要填写的连接信息也不一样）等，点击 “Test” 测试连接配置正确，然后点击“Save”保存连接
    在这里插入图片描述
    在这里插入图片描述

创建目标库连接

  1. 打开 “Connections”，点击“Create”按钮，选择 “MongoDB Atlas”
    在这里插入图片描述
  2. 填写名称“MongoDB Atlas”，连接类型选择 “Target”即可，然后复制我们刚才在 Atlas 上创建的MongoDB Database 连接字符串，填写到 “Database URI”，点击“Test”测试连接，点击“Save”保存连接（注意：连接字符串中需要在/后面添加数据库名称，我们这边填写 test ）
    在这里插入图片描述
    到这里，我们已经准备好了源库的连接、目标库的连接，下一步就该处理我们的数据了。

创建数据同步处理任务

  1. 在 Tapdata Cloud 控制台上，打开“Data Transformation”，点击“Create”，创建一个任务
    在这里插入图片描述
  2. 拖拽我们刚才创建的源库、目标库连接到画布区域，然后在添加一个 “Enhanced JS” 处理节点，并将它们连接在一起，箭头方向表示数据流方向，如下，当我们启动任务时，数据将会从 Source Database 流向 MongoDB Atlas
    在这里插入图片描述
  3. 配置源库，选择待处理工单数据表: customer_support_tickets
    在这里插入图片描述
    启动任务后，这个节点负责从源库中读取数据，如下：
{
  _id: ObjectId("65fd324baa464c7697ecf123"),
  'Ticket ID': 1,
  'Customer Name': 'Marisa Obrien',
  'Customer Email': 'carrollallison@example.com',
  'Customer Age': 32,
  'Customer Gender': 'Other',
  'Product Purchased': 'GoPro Hero',
  'Date of Purchase': '2021-03-22',
  'Ticket Type': 'Technical issue',
  'Ticket Subject': 'Product setup',
  'Ticket Description': "I'm having an issue with the {product_purchased}. Please assist.\n" +
    '\n' +
    'Your billing zip code is: 71701.\n' +
    '\n' +
    'We appreciate that you have requested a website address.\n' +
    '\n' +
    "Please double check your email address. I've tried troubleshooting steps mentioned in the user manual, but the issue persists.",
  'Ticket Status': 'Pending Customer Response',
  Resolution: '',
  'Ticket Priority': 'Critical',
  'Ticket Channel': 'Social media',
  'First Response Time': '2023-06-01 12:15:36',
  'Time to Resolution': '',
  'Customer Satisfaction Rating': ''
}
  1. 我们将在 Enhanced JS 处理器中加工处理源库读到的数据，将工单描述转为向量，然后写入到目标库，如下：
    在这里插入图片描述
    代码如下：




        if (record["Ticket Description"]) {
          
          var embedding_url = "https://api-inference.huggingface.co/pipeline/feature-extraction/sentence-transformers/all-MiniLM-L6-v2";
          var headers = new HashMap();
          headers.put("Authorization", "Bearer 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");
          headers.put("Content-Type", "application/json");
          
          var data = new HashMap();
          data.put("inputs", record["Ticket Description"]);
          
          var result = rest.post(embedding_url, data, headers, "array");
          if (result.code === 200) {
            record["ticket_description_embedding"] = result.data;
          }
        }
        
        
        return record;

源库中读取到的每一行数据，经过上面JavaScript脚本，都增加了一个 ticket_description_embedding 的字段，用来存储向量化数据，后续语义查询将会基于此字段实现，此时的数据模型如下：

{
  _id: ObjectId("65fd324baa464c7697ecf123"),
  'Ticket ID': 1,
  'Customer Name': 'Marisa Obrien',
  'Customer Email': 'carrollallison@example.com',
  'Customer Age': 32,
  'Customer Gender': 'Other',
  'Product Purchased': 'GoPro Hero',
  'Date of Purchase': '2021-03-22',
  'Ticket Type': 'Technical issue',
  'Ticket Subject': 'Product setup',
  'Ticket Description': "I'm having an issue with the {product_purchased}. Please assist.\n" +
    '\n' +
    'Your billing zip code is: 71701.\n' +
    '\n' +
    'We appreciate that you have requested a website address.\n' +
    '\n' +
    "Please double check your email address. I've tried troubleshooting steps mentioned in the user manual, but the issue persists.",
  'Ticket Status': 'Pending Customer Response',
  Resolution: '',
  'Ticket Priority': 'Critical',
  'Ticket Channel': 'Social media',
  'First Response Time': '2023-06-01 12:15:36',
  'Time to Resolution': '',
  'Customer Satisfaction Rating': ''
  'ticket_description_embedding': [
      -0.0897391065955162,    0.038192421197891235,    0.012088424526154995,
        -0.06690243631601334,   -0.013889848254621029,    0.011662089265882969,
         0.10687699168920517,    0.010783190838992596,  -0.0018359378445893526,
        -0.03207595646381378,     0.06700573861598969,     0.02220674231648445,
          -0.038338553160429,    -0.04949694499373436,   -0.034749969840049744,
         0.11390139162540436,   0.0035523029509931803,   -0.011036831885576248,
         ...
  ]
}

注意：我们这里使用 Huggingface 免费服务，免费服务会受到速率限制，因此我们这里需要限制一下源库中读取数据行数，操作方法如下，在源库节点添加一个过滤条件，避免频繁调用 Huggingface API，您也可以升级为付费用户来规避API调用限制。如下图，只读取id 小于等于 65fd324baa464c7697ecf12c 的工单记录
在这里插入图片描述

  1. 配置目标库写入数据表，此时目标库还不存在表，我们在这里填写一个新的表名称即可
    在这里插入图片描述
  2. 配置任务运行模式：默认为全量 +增量，行为如下：
  • 全量：任务只读取源库中的现有数据并写入目标数据库
  • 增量：任务只读取启动任务之后（或者指定开始时间）新增、修改过的数据，并写入目标数据库
  • 全量+增量：任务会先读取源库中现有的数据写入目标库，然后再读取启动任务之后新增或者修改的数据写入到目标库

我们这里默认选择全量+增量，启动任务后，会先将源库中的存量数据同步到目标库，然后自动读取并处理新增或修改的数据。
在这里插入图片描述

  1. 启动任务，并检查目标库数据是否正确
    在这里插入图片描述
    查询目标库数据，字段 ticket_description_embedding 存储的向量数据，如下：
    在这里插入图片描述

创建MongoDB Atlas Vector Index

  1. 登录 MongoDB Atlas 控制台，打开 “Database”，然后点击 “Create Index”
    在这里插入图片描述
  2. 依次点击“Create Search Index” -> “Atlas Vector Search - JSON Editor” -> “Next”
    在这里插入图片描述
    在这里插入图片描述
    选择我们的刚同步过来目标库表 test.customer_support_tickets
    ， 索引名称填写 vector_index，索引配置如下
{
  "fields": [
    {
      "type": "vector",
      "path": "ticket_description_embedding",
      "numDimensions": 384,
      "similarity": "cosine"
    }
  ]
}
  • type：vector - 创建 vector search 索引
  • path：ticket_description_embedding - 我们在 JavaScript 中增加的存储向量数据的字段名称
  • numDimensions：向量维度 1-2048，执行向量查询的维度数量
  • similarity：相似性算法，可选值：euclidean-欧氏距离算法、cosine-余弦相似性算法、dotProduct-点积算法
  1. 点击 “Next” -> “Create Index”，向量索引创建完成后，我们就可以执行语义查询了
    在这里插入图片描述

使用 Python 执行执行向量查询

  1. 我们在 Python 中实现语义查询，代码如下：
import requests
from bson import ObjectId
from pymongo.mongo_client import MongoClient

if __name__ == "__main__":

    mongodb_atlas_connection_string = "mongodb+srv://root:mYS4tk78YE1JDtTo@cluster0.twrupie.mongodb.net/test?retryWrites=true&w=majority&appName=Cluster0"
    embedding_uri = "https://api-inference.huggingface.co/pipeline/feature-extraction/sentence-transformers/all-MiniLM-L6-v2"
    huggingface_token = "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"
    
    question = "My computer is making strange noises and not functioning properly"

    headers = {"Authorization": f"Bearer {huggingface_token}"}
    data = {"inputs": question}
    response = requests.post(embedding_uri, headers=headers, json=data)
    if response.status_code == 200:
        query_vector = response.json()

        client = MongoClient(mongodb_atlas_connection_string)
        db = client["test"]
        result = db.customer_support_tickets.aggregate([
            {
                "$vectorSearch": {
                    "queryVector": query_vector,
                    "path": "ticket_description_embedding",
                    "numCandidates": 10,
                    "limit": 2,
                    "index": "vector_index"
                }
            }
        ])
        cases = ''
        for doc in result:
            print(f"Ticket Status: {doc['Ticket Status']},\nTicket Description: {doc['Ticket Description']} ,\nResolution: {doc['Resolution']} \n")
            cases += f"Ticket Description: {doc['Ticket Description']} ,\nResolution: {doc['Resolution']} \n\n"
  1. 查询结果如下：
Ticket Description: I'm having an issue with the computer. Please assist.
The seller is not responsible for any damages arising out of the delivery of the battleground game. Please have the game in good condition and shipped to you I've noticed a sudden decrease in battery life on my computer. It used to last much longer. ,
Resolution: West decision evidence bit. 


Ticket Description: My computer is making strange noises and not functioning properly. I suspect there might be a hardware issue. Can you please help me with this?
} If we can, please send a "request" to dav The issue I'm facing is intermittent. Sometimes it works fine, but other times it acts up unexpectedly. 
Resolution:  Please check if the fan is clogged, if so, please clean it

查询到相关最高的结果后，我们就可以根据用户的问题和历史工单及解决方案组装为Prompt’s 提交给LLM生成回答，如下使用 Google Gemma 模型生成回答

import requests
from pymongo.mongo_client import MongoClient

if __name__ == "__main__":

    mongodb_atlas_connection_string = "mongodb+srv://root:mYS4tk78YE1JDtTo@cluster0.twrupie.mongodb.net/test?retryWrites=true&w=majority&appName=Cluster0"
    embedding_uri = "https://api-inference.huggingface.co/pipeline/feature-extraction/sentence-transformers/all-MiniLM-L6-v2"
    huggingface_token = "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"

    question = "My computer is making strange noises and not functioning properly"

    headers = {"Authorization": f"Bearer {huggingface_token}"}
    data = {"inputs": question}
    response = requests.post(embedding_uri, headers=headers, json=data)
    if response.status_code == 200:
        query_vector = response.json()

        client = MongoClient(mongodb_atlas_connection_string)
        db = client["test"]
        result = db.customer_support_tickets.aggregate([
            {
                "$vectorSearch": {
                    "queryVector": query_vector,
                    "path": "ticket_description_embedding",
                    "numCandidates": 10,
                    "limit": 2,
                    "index": "vector_index"
                }
            }
        ])
        cases = ''
        for doc in result:
            print(f"Ticket Status: {doc['Ticket Status']},\nTicket Description: {doc['Ticket Description']} ,\nResolution: {doc['Resolution']} \n")
            cases += f"Ticket Description: {doc['Ticket Description']} ,\nResolution: {doc['Resolution']} \n\n"

        # generator answer by llm
        prompt = f'''
                 ### Case:{cases}
                 Please answer the questions based on the above cases: {question}
                 '''
        llm_model_url = "https://api-inference.huggingface.co/pipeline/feature-extraction/google/gemma-1.1-7b-it"
        headers = {"Authorization": f"Bearer {huggingface_token}"}
        data = {"inputs": prompt}
        response = requests.post(llm_model_url, headers=headers, json=data)
        if response.status_code == 200:
            print(response.json()[0].get("generated_text"))

结果如下：


### Case:

    Ticket Description: I'm having an issue with the computer. Please assist.
    The seller is not responsible for any damages arising out of the delivery of the battleground game. Please have the game in good condition and shipped to you I've noticed a sudden decrease in battery life on my computer. It used to last much longer. ,
    Resolution: West decision evidence bit. 
    
    Ticket Description: My computer is making strange noises and not functioning properly. I suspect there might be a hardware issue. Can you please help me with this?
    } If we can, please send a "request" to dav The issue I'm facing is intermittent. Sometimes it works fine, but other times it acts up unexpectedly. 
    Resolution:  Please check if the fan is clogged, if so, please clean it


Please answer the questions based on the above cases: My computer is making strange noises and not functioning properly
- What is the initial request of the customer?
- What information does the customer provide about the issue?


**Answer:**

**1. Initial request of the customer:**
The customer requests assistance with a hardware issue causing their computer to make strange noises and malfunction.


**2. Information provided by the customer:**
The customer suspects a hardware issue and notes that the problem is intermittent, working fine sometimes and acting up unexpectedly at other times.

这篇文章展示了使用 Tapdata Cloud + MongoDB Atlas 实现根据用户提问问题搜索工单数据的示例，在实际构建AI应用时还有很多细节，如果您遇到任何问题，欢迎随时联系我们。

在当今数字化时代，企业内部工单处理的效率和准确性对于业务的顺畅运行至关重要。传统的人工处理方式可能会面临信息不准确、响应速度慢等问题，而借助大型语言模型（LLM）和检索增强技术的结合，企业可以实现工单处理的智能化和自动化，极大地提升了工作效率和用户体验。

通过使用 Tapdata Cloud 和 MongoDB Atlas，企业可以充分利用先进的向量化技术和实时检索功能，构建出一个强大的工单处理系统。这个系统不仅能够快速地检索出与用户问题最相关的工单和解决方案，还能够不断学习和优化，适应不断变化的业务需求。

迁移数据到 MongoDB Atlas 后，利用 Tapdata Cloud 的强大功能，我们能够轻松实现工单数据的向量化处理，并通过 MongoDB Atlas 的高效存储和检索能力，为企业提供稳定可靠的数据支持。这种结合大型语言模型（LLM）和检索增强RAG技术的创新应用，不仅提高了工单处理的效率和准确性，还为企业带来了全新的智能化解决方案。

因此，随着人工智能技术的不断发展和应用，我们有信心，借助 Tapdata Cloud 和 MongoDB Atlas 的支持，企业内部工单处理将会变得更加高效、准确，为企业的发展和用户的需求提供更加稳定可靠的支持。通过 Tapdata Cloud 和 MongoDB Atlas 的无缝集成，我们为企业提供了一体化的解决方案，以提高企业工单处理的智能化水平和业务效率，为企业发展赋能。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1647896.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

7款AI绘画软件推荐，必备工具，一键生成绘画

7款AI绘画软件推荐，必备工具，一键生成绘画

随着人工智能技术的不断发展，AI绘画软件在艺术创作中扮演着越来越重要的角色。这些软件利机器学习和深度学习算法，可以模仿艺术家的风格，并生成逼真的绘画作品。一起来见证下吧，先给大家展示下AI绘画生成的效果图： 一、…
阅读更多...
边界框（bounding box） 目标物体的位置和大小 交并比（Intersection over Union，IoU） 锚框（Anchor box）

边界框（bounding box） 目标物体的位置和大小 交并比（Intersection over Union，IoU） 锚框（Anchor box）

边界框（bounding box） 在检测任务中，我们需要同时预测物体的类别和位置，因此需要引入一些跟位置相关的概念。通常使用边界框（bounding box，bbox）来表示物体的位置，边界框是正好能包含物体的矩形框。 在目标检测任务中，边界框（bounding box，bbox）是一个非常重要的…
阅读更多...
RS232/RS485转12路模拟信号隔离D/A转换器4-20mA0-20mA0-25mA0-5V0-10V0-75mV

RS232/RS485转12路模拟信号隔离D/A转换器4-20mA0-20mA0-25mA0-5V0-10V0-75mV

特点： ● RS-485/232接口，隔离转换成12路标准模拟信号输出 ● 可选型输出4-20mA或0-10V控制其他设备 ● 模拟信号输出精度优于 0.2% ● 可以程控校准模块输出精度 ● 信号输出 / 通讯接口之间隔离耐压3000VDC ● 宽电源供电范围：10 ~ …
阅读更多...
git与gitlab

git与gitlab

目录 gitlab 下载与安装 重置管理员密码 gitlab命令 git远程gitlab相关命令 认证 补充 git git 分布式版本控制 安装 git的四个区域与文件的四个状态 使用git 常用命令 git 分布式管理系统 gitlab 企业私有库 github 公网共享库，全球…
阅读更多...
2024五一赛数学建模ABC题成品论文word+完整代码数据汇总

2024五一赛数学建模ABC题成品论文word+完整代码数据汇总

2024五一赛A题参考论文42页1-3问可执行代码[py Mtlab双版本]各类可视化图表https://www.jdmm.cc/file/27105852024五一赛B题保姆级建模思路32页可执行代码[py mtlab]后续成品论文处理可视化图表https://www.jdmm.cc/file/27105862024五一赛C题成品论文23页word页1-3问可执行代码…
阅读更多...
亚马逊自养号测评环境搭建需要准备哪些?

亚马逊自养号测评环境搭建需要准备哪些?

在当下电商领域竞争白热化的背景下，亚马逊平台的卖家们对流量之于店铺转化率的重要性有着深刻的认识。随着对平台内部流量的依赖逐渐减弱，他们纷纷寻求更多元化的途径来提升销售业绩和品牌的市场影响力。在此过程中，自养号测评成为了一种备受…
阅读更多...
alphassl ocsp泛域名证书

alphassl ocsp泛域名证书

泛域名SSL证书又可以称之为通配符SSL证书，这款SSL数字证书可以同时保护主域名以及主域名下的所有子域名，被广泛应用于各种类型的网站，为多个网站提供安全服务。AlphaSSL是比较知名的SSL证书品牌之一，旗下的OCSP泛域名SSL证书比较受…
阅读更多...
linux——主从同步

linux——主从同步

1. 保证主节点开始二进制日志，从节点配置中继日志 2. 从节点的开启一个 I/O 线程读取主节点二进制日志的内容 3. 从节点读取主节点的二进制日志之后，会将去读的内容写入从节点的中继日志 4. 从节点开启 SQL 线程，读取中继日志的内容&a…
阅读更多...
计算机视觉中的计算几何

计算机视觉中的计算几何

计算几何领域出现于 20 世纪 70 年代，研究解决几何问题的数据结构和算法。这尤其包括确定图像内的拓扑结构，或者实际上是更高维的表示，例如点邻域，这可以帮助从数字图像数据等中导出几何意义[1]。 计算机视觉主要涉及静态或动态图…
阅读更多...
利用傅里叶变换公式理解camera raw中的纹理和清晰度的概念（可惜的是camera raw的计算公式应该不会是这个傅里叶变换，只能说类似于这里的效果）

利用傅里叶变换公式理解camera raw中的纹理和清晰度的概念（可惜的是camera raw的计算公式应该不会是这个傅里叶变换，只能说类似于这里的效果）

知乎说：在Adobe官方的解释中，就像图片可以分解成彩色通道（如：红绿蓝通道），同样的，图片也可以分解成不同的频率，一张图片可以是由高频，中频和低频组成，例如&am…
阅读更多...
500 Internal Server Error问题

500 Internal Server Error问题

总结 mysql语句有问题 #前端报错#后端报错 SQL错误，sql的where条件不全 delete from dish.flavor where dish.id#修改一番 #将in加上即可
阅读更多...
如何在CentOS部署青龙面板并实现无公网IP远程访问本地面板

如何在CentOS部署青龙面板并实现无公网IP远程访问本地面板

💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。 推荐:kwan 的首页,持续学…
阅读更多...
uniapp/微信小程序实现加入购物车点击添加飞到购物车动画

uniapp/微信小程序实现加入购物车点击添加飞到购物车动画

1、预期效果 2、实现思路 每次点击添加按钮时，往该按钮上方添加一个悬浮元素，通过位移动画将元素移到目标位置。 1. 为每个点击元素设置不同的class，才能通过uni.createSelectorQuery来获取每个元素的节点信息； 2. 添加一个与…
阅读更多...
websevere服务器从零搭建到上线（一）｜阻塞、非阻塞、同步、异步

websevere服务器从零搭建到上线（一）｜阻塞、非阻塞、同步、异步

文章目录 数据准备(阻塞和非阻塞)、数据读写(同步和异步)小总结（陈硕老师的总结） 知识拓展同步执行实例异步编程实例 八股 数据准备(阻塞和非阻塞)、数据读写(同步和异步) 无论是什么样的IO都包含两个阶段：数据准备和数据读写。 我们的网络IO…
阅读更多...
Redis教程——主从复制

Redis教程——主从复制

在上篇文章我们学习了Redis教程——管道，这篇文章学习Redis教程——主从复制。 主从复制 为了数据更加安全可靠，在实际的项目中，肯定是有多个Redis服务，主机Redis以写为主，从机Redis以读为主，当主机Redis…
阅读更多...
什么年代了，还在拿考勤说事

什么年代了，还在拿考勤说事

最近，看到了某公司的一项考勤规定：自然月内，事假累计超过3次或者累计请假时间超过8小时的，不予审批，强制休假的按旷工处理。 真的想吐槽，什么年代了，还在拿考勤说事，这是什么公司、什…
阅读更多...
国内游戏公司Q1净利润大增40%以上，神州泰岳增幅65.62％

国内游戏公司Q1净利润大增40%以上，神州泰岳增幅65.62％

易采游戏网5月7日消息，近日多家国内知名游戏公司公布了其2024年第一季度的财务报告，其中净利润大增40%以上的数据引起了市场的广泛关注。这一业绩表现不仅远超市场预期，也再次证明了国内游戏行业的强劲增长势头。 据了解，这些游戏…
阅读更多...
react【实用教程】 搭建开发环境（2024版）Vite+React （官方推荐）

react【实用教程】 搭建开发环境（2024版）Vite+React （官方推荐）

以项目名 reactDemo为例 1. 下载脚手架 在目标文件夹中打开命令行 npm create vite2. 安装项目依赖 cd reactDemo npm i若安装失败，则修改下载源重试 npm config set registry https://registry.npmmirror.com3. 启动项目 npm run dev4. 预览项目 浏览器访问 http…
阅读更多...
vue 百度地图点击marker修改marker图片，其他marker图片不变。

vue 百度地图点击marker修改marker图片，其他marker图片不变。

直接上代码 marker.name tag;marker.id i; //一定要设置id，我这里是设置的循环key值，要唯一性。map.addOverlay(marker);let pointAIcon2 new BMapGL.Icon(require("../xxxxx.png"), new BMapGL.Size(36, 52));let pointAIcon1 new BMapGL.I…
阅读更多...
翔云优配官网美股市场分析问界回应M7事故四大疑问

翔云优配官网美股市场分析问界回应M7事故四大疑问

问界再次新M7 Plus山西高速事故。 4月26日下午,山西运城曾有一辆问界新M7 Plus车辆(以下简称“事故车辆”)在高速行驶时和一辆高速洒水车追尾,碰撞后车辆起火,造成三人遇难,该事故引发了广泛关注。 翔云优配以其专业的服务和较低的管理费用在市场中受到不少关注。该平台提供了…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023