知鸦日报2023-05-23

说起店铺卡片，大家的第一反应肯定是“那不是和商品卡片差不多吗？”

是的，你们的印象没有错，店铺作为商品在抽象上的聚合，它的组件表现形式和商品卡片没有本质的区别，不过商品卡片的字段内容往往比商品卡片更多，甚至向下包括商品卡片本身，所以这个组件的设计难点全部在于如何合理地安排信息上。

从行业背景而言，流量红利逐渐消失，野蛮生长的互联网时代接近尾声。传统的烧钱模式、靠体力投放的形式日渐乏力。所以在行业大背景下，依靠技术和数据的力量寻求更科学、更高效的方法达成营销目标，让产品获得有效增长，数据驱动也就这样顺势而生了。

现代人工智能（AI）中增长最快的领域之一是 AI 文本生成模型。顾名思义，这些模型的作用就是可以生成自然语言。在此之前，大多数工业级自然语言处理（NLP）模型都是分类器，或者在机器学习（ML）文献中可能被称为的判别模型。然而，在最近几年中，基于大规模语言模型的生成模型正在迅速获得关注，并且从根本上改变了我们制定 ML 问题的方式。这些生成模型现在可以通过大规模的预训练获得一些领域知识，然后生成高质量的文本 - 例如回答问题或复述一段内容。

在爱彼迎 (Airbnb)，我们在把文本生成模型应用到社区支持产品中投入了大量的精力，这让我们的产品具备了许多新的功能和使用场景。本文将详细讨论其中三个用例。但首先，让我们先讨论一下为什么文本生成模型非常适合我们的产品。

分享网易传媒在 Flink on K8S 落地过程中关键问题的解决方案和自研实时计算平台 Riverrun 的特色建设。

在过去一年的时间里，B站离线平台资源调度侧的主要挑战有两个方面:

1. 随着业务的不断增长，离线集群规模快速膨胀，用户对资源的需求在持续增大，主集群长期处于Pending较高的状态，资源需求超过交付量

2. 出于降本增效的考虑，消解Pending的方法不能仅靠物理机的增加了，而是需要在物理机整体数量不变的基础上通过超卖来提升集群整体的资源利用率。

为了应对上述挑战，调度侧在向内与向外两个方向上进行了积极的探索。“向内”聚焦于单台物理机，通过超配的方式不断提高单台物理机的利用率，使得单台节点能够处理更多的任务；“向外”与云平台部门合作，共同探索混部技术的落地，到目前为止，已经完成了离线超配，离在线混部、在离线混部等集群建设以及潮汐混部的技术实现，使得不同集群间的资源能够被更充分地调动。

在日常开发中，遇到非常难以维护的页面是常态，相信不少同学也为此苦恼过，笔者在业务开发中总结了些经验希望对大家有所启发。

与传统的文本生成技术相比，我们发现AutoGPT的能力进化令人震惊，它可以通过分析你的目标，自动拆解成它需要执行的任务，并在执行的过程中根据已有的经验和决策不断优化完善和总结。

这次我们用的是Midjourney来进行辅助生成，前期的准备工作和传统动画制作流程基本一致，主要是在AI参与的环节有所不同，这里重点讲一下AI描述剧本和AI绘制两部分。