观远数据

未来，DataStory 可以支持多轮的交互，包括未来每天向其提问，呈现一份数据报告。需要开会讨论时，也可以使用该报告。

我希望衡量我们ai团队价值的，不是创造了多么精深的算法，而是跨越算法到落地间距离的能力。本文将我们的思考、实践分享出来，与各位看官交流，希望能有更多的收获 :)

本文以供应链全景方案中的智能补货场景为例。为你揭秘观远 AI 解决方案如何赋能企业智能补货。现有智能补货方案主要分为端到端架构和多步骤架构。

我发现理解某一个具体「事物」最好的方式是先去理解其背后所遵循的「范式」。范式是一个领域中某个行事套路，某种方法论，或者是某些踩坑经验总结。

本文主要介绍了 Spark Optimizer 规则 RemoveRedundantAliases 引发的 Bug 的排查修复全过程

年初我们接到了一个客户反馈，表示服务器 cpu 占用异常，于是我们远程连接到服务器上面排查，发现是 Spark driver 占用了大部分 cpu。、

在之前的文章中，我们介绍过云原生机器学习平台的组成和搭建[1]。在实际企业应用中，机器学习平台非常依赖于企业底层的数据平台，虽然这两年 AI 的热潮一波接着一波，但要很好地去落地算法应用，非常依赖于数

本文是此前评估在 Spark 上做大规模 GBDT 训练时写的一篇入门级教程与框架评估，分享出来看看是否有做过类似场景的同学可以一道交流。

那工作流是什么？DAG 又是什么？这篇文章会讲解我们 Universe（观远三大产品线之一，即观远数据的智能数据开发平台）里的工作流和 DAG 这两个概念，然后展开介绍一些其他内容。