"Cien flores florecen, cien escuelas de pensamiento compiten"
La inteligencia artificial ha desencadenado otro aumento y, recientemente, se han lanzado modelos domésticos de IA a gran escala. Después de que gigantes tecnológicos como Baidu, 360 y SenseTime lanzaran sus respectivos modelos grandes, el modelo grande "Tongyi Qianwen" de Alibaba también apareció en la cumbre de la nube el 11 de abril. Según los informes, el Instituto Ali Dharma comenzó la investigación y el desarrollo de modelos chinos a gran escala en 2019. Hay que decir que estas grandes fábricas están en lo alto y miran a lo lejos, y se quedarán atrás si no tienen cuidado.
Zhang Yong, presidente y director ejecutivo de Alibaba Group y director ejecutivo de Alibaba Cloud Intelligence Group, dijo que en el futuro, todos los productos de Alibaba estarán conectados al gran modelo de "Tongyi Qianwen" para una transformación integral. Se informa que DingTalk y Tmall Genie tomarán la iniciativa para acceder a la prueba Tongyi Qianwen y lanzarán oficialmente nuevas funciones después de la evaluación y certificación.
Probemos primero la dirección del sitio web oficial: tongyi.aliyun.com/
Apliqué el mismo día, y a los pocos días llegó la buena noticia.
Hablemos hoy de la experiencia de IA de Tongyi Qianwen
Soy Tongyi Qianwen, un gran modelo que responde a las instrucciones humanas.
La página de destino que aparece primero tiene un diseño diferente al de Wenxin Yiyan y ChatGPT de Baidu. Tiene algunos módulos más enfocados en temas, lo que permite a los usuarios ingresar directamente a este módulo para obtener las respuestas que desean. Este es uno de ellos, miremos hacia abajo y hay una bolsa del tesoro:
Aquí está el punto brillante, no hablemos de si es útil o no, de todos modos, es bastante llamativo, vamos a Rainbow Fart Expert para ver qué tipo de "experto" es.
¡Solo puedo, jeje, se siente muy contundente! ! !
Ingrese "cerdo desmenuzado con sabor a pescado", responda
Platos de cerdo desmenuzado con sabor a pescado
所需食材：
-瘦猪肉丝 250克
-青椒 50克
-红椒 50克
-葱 30克
-姜 10克
-大蒜 10克
-盐 适量
-酱油 适量
-料酒 适量
-生抽 适量
-白糖 适量
-香醋 适量
-生姜 适量
-大蒜 适量
-淀粉 适量
-香油 适量
具体步骤：
- 猪肉洗净切细丝，加入盐、酱油、淀粉搅拌均匀腌制15分钟。
- 青红椒去蒂去籽切细丝，葱姜蒜切末备用。
- 热锅冷油加入葱姜蒜爆香。
- 加入腌制好的肉丝煸炒至变色，加入青红椒丝翻炒。
- 加入生抽、白糖、香醋、盐、料酒、适量清水翻炒均匀。
- 最后滴入香油，撒上葱花即可。
完整做法：
- 猪肉洗净切细丝，加入盐、酱油、淀粉搅拌均匀腌制15分钟。
- 青红椒去蒂去籽切细丝，葱姜蒜切末备用。
- 热锅冷油加入葱姜蒜爆香。
- 加入腌制好的肉丝煸炒至变色，加入青红椒丝翻炒。
- 加入生抽、白糖、香醋、盐、料酒、适量清水翻炒均匀。
- 最后滴入香油，撒上葱花即可。
SWOT分析
百宝袋中SWOT分析值得去问问，去跟他聊聊
优势:
- GPT 可以为个人或企业生成各种文本内容，包括文章、广告、电子邮件、网页等。这种自动化工具可以加速文本生成，减少创作时间，同时可以减少错误率。
- GPT 可以在语言和文化领域生成高质量的文本，使得文本的语言、文化和主题更加准确。
- GPT 可以根据个人或企业的需求生成文本，提供个性化的服务，使得客户更容易接受产品或服务。
劣势:
- 在使用 GPT 生成文本时，需要输入相应的信息，否则 GPT 无法生成正确的文本。
- 需要将所有的信息输入到 GPT 中，否则 GPT 将无法为用户生成所需的文本。
- 如果生成的文本与其他人的文本存在很大的相似性，可能会被视为侵权。
机会:
- 随着人工智能技术的不断发展，GPT 将成为一个普及化的工具，使得更多的人可以使用它来生成文本。
- 对于企业来说，使用 GPT 可以提高生产效率和生产力，从而增加收益。
- 由于 GPT 的生成文本准确度高，因此可以提高客户的满意度，从而促进销售。
威胁:
- 由于 GPT 可以快速生成文本，因此可能会对人类的工作造成威胁。
- 使用 GPT 可能会导致人们的创造力和创作能力下降，因为人们可能会将生成文本作为一个机械的过程。
- 如果 GPT 的生成文本可能会被认为是侵权的，那么使用 GPT 可能会导致法律纠纷
我们用官方的示例，“在疫情后时代中，传统制造业的机会在哪里”
我们再来看下编码能力
这里就不粘贴图片了，我们用对话的形式将编码能力写下来，我们感受下：
Q: scala spark中如何计算同环比
A: 同环比是指在时间范围内，同一组的数值比较，以及环比是指相对于前一个时间的变化。 在 Scala Spark 中，可以通过 `filter()` 函数和 `map()` 函数来实现同环比的计算。 假设有一个数据集是按天分区的，其中有一列是日期。现在想要计算相邻两天的同环比，可以按照以下步骤：
1. 创建一个时间窗口，按照日期分区。
2. 将数据集分成若干个子集，每个子集包含相邻的两天。
3. 对每个子集执行上述计算，得到每组的同环比。
示例代码如下：
import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql._
val dateColumn = Seq("date").toDF("date")
val timeWindow = dateColumn.withColumn("end_date", "date").over(
Window.partitionBy("date").orderBy("date")
)
val df = spark.createDataFrame(Seq(("2019-01-01"), ("2019-01-02"), ("2019-01-03"), ("2019-01-04"), ("2019-01-05"), ("2019-01-06"), ("2019-01-07"), ("2019-01-08"), ("2019-01-09"), ("2019-01-10"), ("2019-01-11"), ("2019-01-12"), ("2019-01-13"), ("2019-01-14"), ("2019-01-15"), ("2019-01-16"), ("2019-01-17"), ("2019-01-18"), ("2019-01-19"), ("2019-01-20"), ("2019-01-21"), ("2019-01-22"), ("2019-01-23"), ("2019-01-24"), ("2019-01-25"), ("2019-01-26"), ("2019-01-27"), ("2019-01-28"), ("2019-01-29"), ("2019-01-30"), ("2019-01-31")), Seq("id", "date"))
val resultDF = df.groupBy(dateColumn, "id").agg(first("date"), avg("value").as("value"))
resultDF.show()
输出结果：
+---+----------------+---------+
| id| date | value|
+---+----------------+---------+
| 2019-01-01| 2019-01-01 | 5|
| 2019-01-02| 2019-01-02 | 5|
| 2019-01-03| 2019-01-03 | 2|
| 2019-01-04| 2019-01-04 | 3|
| 2019-01-05| 2019-01-05 | 3|
| 2019-01-06| 2019-01-06 | 1|
| 2019-01-07| 2019-01-07 | 2|
| 2019-01-08| 2019-01-08 | 1|
| 2019-01-09| 2019-01-09 | 1|
| 2019-01-10| 2019-01-10 | 0|
| 2019-01-11| 2019-01-11 | 0|
| 2019-01-12| 2019-01-12 | 1|
| 2019-01-13| 2019-01-13 | 1|
| 2019-01-14| 2019-01-14 | 0|
| 2019-01-15| 2019-01-15 | 0|
| 2019-01-16| 2019-01-16 | 1|
| 2019-01-17| 2019-01-17 | 0|
| 2019-01-18| 2019-01-18 | 0|
| 2019-01-19| 2019-01-19 | 1|
| 2019-01-20| 2019-01-20 | 1|
| 2019-01-21| 2019-01-21 | 0|
| 2019-01-22| 2019-01-22 | 0|
| 2019-01-23| 2019-01-23 | 1|
| 2019-01-24| 2019-01-24 | 0|
| 2019-01-25| 2019-01-25 | 0|
| 2019-01-26| 2019-01-26 | 1|
| 2019-01-27| 2019-01-27 | 0|
| 2019-01-28| 2019-01-28 | 0|
| 2019-01-29| 2019-01-29 | 0|
| 2019-01-30| 2019-01-30 | 0|
| 2019-01-31| 2019-01-31 | 0|
+---+----------------+---------+
复制代码发现他并没有计算同环比，接着问：
Q: 并没有计算同环比啊
A: 感谢您指出这个问题。在原来的代码中，我们只计算了相邻两天的差值，没有考虑相邻两天的环比增长。在计算同环比时，需要将每组数据的相邻两天也考虑进去，所以需要加入一个时间窗口来保存每组数据的相邻两天。 修改后的代码如下：
import org.apache.spark.sql.functions._
import org.apache.spark.sql.expressions.Window
import org.apache.spark.sql.types._
val dateColumn = Seq("date").toDF("date")
val timeWindow = dateColumn.withColumn("end_date", "date").over(
Window.partitionBy("date").orderBy("date")
)
val df = spark.createDataFrame(Seq(("2019-01-01"), ("2019-01-02"), ("2019-01-03"), ("2019-01-04"), ("2019-01-05"), ("2019-01-06"), ("2019-01-07"), ("2019-01-08"), ("2019-01-09"), ("2019-01-10"), ("2019-01-11"), ("2019-01-12"), ("2019-01-13"), ("2019-01-14"), ("2019-01-15"), ("2019-01-16"), ("2019-01-17"), ("2019-01-18"), ("2019-01-19"), ("2019-01-20"), ("2019-01-21"), ("2019-01-22"), ("2019-01-23"), ("2019-01-24"), ("2019-01-25"), ("2019-01-26"), ("2019-01-27"), ("2019-01-28"), ("2019-01-29"), ("2019-01-30"), ("2019-01-31")), Seq("id", "date"))
val resultDF = df.groupBy(dateColumn, "id").agg(first("date"), avg("value").as("value"))
val idxWindow = Seq("date", "end_date").toDF("idx", "end_date")
val resultDF2 = resultDF.join(idxWindow, "left_id", "right_id", "date")
resultDF2.show()
复制代码在这个代码中，我们在 timeWindow 中新增了一列 idx 表示相邻两天的索引，并将 date 列和 end_date 列进行了索引。然后，我们使用这两个索引进行了 join 操作，以计算同环比。 需要注意的是，由于我们使用的是 date 列作为分区键，所以 end_date 列是按照日期排序的。因此，我们需要在计算同环比之前，先按日期排序每个子集，以保证同环比的值是连续的。
再问下java
Q:java 实现二分法排序
以下是 Java 实现二分查找排序的示例代码：
public static void bubbleSort(int[] nums) {
int n = nums.length;
for (int i = 0; i < n - 1; i++) {
for (int j = 0; j < n - i - 1; j++) {
if (nums[j] > nums[j + 1]) {
int temp = nums[j];
nums[j] = nums[j + 1];
nums[j + 1] = temp;
}
}
}
}
复制代码Esta implementación utiliza un bucle doble para comparar elementos adyacentes y desplazar el elemento más pequeño hacia atrás una posición. En cada ronda de comparación, se mantendrá el elemento más grande y el elemento más pequeño será reemplazado por su siguiente elemento. Entonces, la matriz ordenada final estará en orden ascendente. De manera similar, si necesita usar la búsqueda binaria para ordenar una matriz, puede usar un método similar para lograrlo. Cabe señalar que, dado que la complejidad temporal de este algoritmo de clasificación es O(n^2), cuando se trata de grandes conjuntos de datos, es posible que sea necesario utilizar otros algoritmos para optimizar el rendimiento.
Resumir:
En general está bien, no tan decepcionante, una cosa más, las imágenes no son compatibles, sí
Compartimos aquí hoy, también puede buscar en la cuenta pública de WeChat "1dianshi", habrá mucha información de IA, gracias por gustar y seguir.
Recientemente, he estado escribiendo cosas similares a AIGPT, que se incluyen en la columna de IA a continuación, y seguirán saliendo en el futuro.