In October, at Flink Forward 2023, Streamhouse was officially introduced by Jing Ge, Head of Engineering at Ververica. In his keynote, Jing highlighted the need for Streamhouse, including how it sits as a layer between real-time stream processing and Lakehouse architectures, and discussed the business value it provides.
In this blog post, you will learn how to build a real-time data view on top of your Streamhouse using Apache Paimon table format. If you are coming from the Data Management world, you might know that Data engineers are generally concerned about implementing a data analytics pipeline, minimizing compute-infrastructure cost, and achieving the smallest end-to-end latency for the target users.
推荐系统是一种信息过滤系统，用于预测用户偏好，从大量的信息中筛选出用户可能感兴趣的内容进行个性化推荐。一个完整的推荐系统流程主要包括了 多路召回 -> 素材补全 -> 精排过滤 -> 混排 ->适配输出 等处理节点。混排作为结果输出前的最后一层处理，主要作用是将不同来源的推荐结果进行归一化的组合排序，一方面是为了获取对于用户推荐效果最优的排序序列，另一方面也能提高推荐的多样性、个性化以及覆盖范围。
最近经常收到内部业务方的咨询，他们想知道"如何让我们的业务系统接入大模型提效"。为了回答这个问题，我们梳理了 KubeAI 大模型平台对接的一些业务实践与一些业界经典案例分享给大家。 OpenAI 的第一次开发者大会的主题为 Maximizing LLM Performance，提出业务系统可以通过三种方式接入大模型，PROMPT（直接给大模型输入提示词），RAG（通过检索增增强来提升大模型的能力），Fine-tuning（通过微调训练来提升大模型的能力）。 本文借鉴 OpenAI 的观点，结合具体实践例子分别介绍这三种接入方式，最后建议业务可以通过渐进（PROMPT，RAG，Fine-tuning）的方式接入大模型，从而达到最佳的收益效果。
10月31日，在2023云栖大会上，阿里云副总裁，阿里云数据库产品事业部负责人，ACM、CCF、IEEE会士（Fellow）李飞飞发表了《云原生数据库，走向Serverless与AI驱动的一站式数据平台》主题演讲。
对于还没有完整读过源码的小伙伴，本文建议的源码阅读方式，不妨尝试下。从你准备开始阅读源码，你会发现，要做的事情太多了，不过一步一个脚印，你会发现，付出是值得的。
2017 年，某业务团队通过某次技术会议确定禁止在代码中使用异常，当时的目的旨在规范一些存在的基本问题，诸如：使用异常导致协程冲突，捕获到异常和抛出的不一致；未捕获异常导致后端框架中的 worker 进程终止，重启 worker 进程漫长导致效率很差；数据一致性问题等。代码到底该不该用异常，时至今日仍是一个争论不休的话题，本文作者根据自己多年的工作经验，撰写了《异常思辨录》系列专栏，希望能体系化地帮助到大家。本文为系列第四篇。主要聚焦上层的决策点进行展开，欢迎阅读。
