开发常说的「部署」到底是什么
前言
当产品要上线时，大家是否经常听到开发说到，“部署”服务？
今天就给大家讲解下开发说的“部署”，到底是做了什么事情。
字面意思
部署的字面意思就是把代码上传到服务器/云存储。
如果是前端代码的话，一般是上传到云存储，比如cos（存储桶）。
如果是后台代码的话，一般是上传到服务器。
具体做了什么事情？
为了方便理解，这里举一个最简单的例子。
当你想要做一个静态网站时（静态网站就是没有存储任何数据到数据库的网站），写好了代码后，如何能让所有人访问到？
我们来看下具体的操作步骤：
1、准备好静态页面首先要写好前端页面。
2、购买云主机购买云主机其实说白了就是租赁远程服务器，一台性能比较好的计算机。
现在云厂商都有提供这种租赁服务。
云主机都有一个唯一的ip地址，可以跟域名映射起来，下面会讲到。
3、购买域名和配置DNS在网络的远古时代，最开始的时候，我们是通过ip地址来访问服务器的。
比如61.135.169.125就是百度的官网地址之一，如果每个网址我们都用ip地址来记忆，那是相当麻烦了。
域名比ip地址更好记忆，假设ip地址是电话号码，域名就是人名，那么DNS就是通讯录，当你想打电话给某个人时，输入人名，DNS就会从通讯录中找出电话号码拨打。
所以我们需要购买域名，并配置域名和ip的映射关系，即DNS配置。
4、配置https证书https的域名更加安全，因为它会加密我们的传输数据。
购买了https域名后，一般还要配置一下https证书，https证书都有一个有效期，
一般是一年，当证书快过期时，它会提醒你更换。
5、上传静态页面代码需要把代码上传到云主机，后面会把项目和域名做一个映射。
6、配置http服务一台主机上面可以配很多个项目，即很多个服务，比如公司内有A系统，B系统、C系统等，都部署在同一台计算机上。
那么当你访问一个域名时，主机怎么知道你要访问主机上面的哪个项目呢？
所以咱们还需要配置好域名跟项目的映射，
假设A、B、C项目的域名分别是a.com、b.com、c.com对于主机的A、B、C项目，
我就会做以下的映射：
a.com->A项目b.com->B项目c.com->C项目
当你访问a.com时，就能访问到A项目啦。
在远古时代，以上的6个步骤是割裂的，
比如说购买了主机之后，还要自己登录到主机上面安装各种依赖，配置各种映射。
而且很多配置，每个项目部署都要重新配一次，相当麻烦。
但是现在可方便多了，现在的云厂商帮你做了很多烦杂事。
从购买域名到服务配置，一站式服务，只需要上传代码，其他全是在云网站配置，包括域名购买、DNS、域名和项目映射等。
**小结：**以上讲的是从0开始做一个网站的部署全流程，只是第一次部署需要耗费一些时间，后面如果只是迭代需求的话，前端是只需要上传代码到云存储就可以了，后台的话，除了上传代码到服务器，还要重启服务。
人工智能基础——什么是智能（智能的特征）
智能的概念：智能及智能的本质是古今中外许多哲学家、脑科学家一直在努力探索和研究的问题，但至今任然没有完全了解。
不过生成了以下几种学派：1.思维理论：认为智能是思维的核心。2.知识阈值理论：认为智能行为取决于知识的数量及其一般化的程度，认为智能就是在巨大的搜索空间中迅速找到一个满意解的能力。3.进化理论。
综合以上各种观点，可以认为：智能是知识与智力的综合，其中，知识是一切智能行为的基础，而智力是获取知识并应用知识求解问题的能力。
智能的特征：1.具有感知能力能够感知外界，从而获取知识。2.具有记忆和思维能力记忆用于存储思维所产生的知识，思维用于对信息的处理，是获取知识以及运用知识求解问题的根本途径。思维又可分为逻辑思维、形象思维、以及顿悟思维。逻辑思维：串行的，表现为一个线性过程形象思维：主要依据直觉顿悟思维：突然出现的想法。3.具有学习能力通过与环境的作用不断学习。4.具有行为能力行为能力就是信息的输出，对外界的变化做出反应。
边缘人工智能：部署前需要考虑的三个技巧
随着人工智能(AI)的成熟，采用率继续增加。根据最近的研究，35%的组织正在使用人工智能，42%的组织正在探索其潜力。虽然人工智能在云中得到了很好的理解并大量部署，但它在边缘仍然处于萌芽状态，并面临一些独特的挑战。许多人全天都在使用人工智能，从汽车导航到跟踪步骤，再到与数字助理交谈。即使用户经常在移动设备上访问这些服务，计算结果仍然存在于人工智能的云使用中。更具体地说，一个人请求信息，该请求由云中的中央学习模型处理，然后将结果发送回该人的本地设备。与云端AI相比，边缘AI的理解和部署频率更低。从一开始，人工智能算法和创新就依赖于一个基本假设——所有数据都可以发送到一个中心位置。在这个中心位置，算法可以完全访问数据。这使得算法能够像大脑或中枢神经系统一样构建其智能，对计算和数据拥有完全的权限。但是，边缘的人工智能是不同的。它将智能分布在所有细胞和神经上。通过将智能推向边缘，我们赋予这些边缘设备代理权。这在医疗保健和工业制造等许多应用和领域中至关重要。在边缘部署人工智能的原因在边缘部署人工智能有三个主要原因。保护个人身份信息(PII)首先，一些处理PII或敏感IP（知识产权）的组织更愿意将数据留在其来源处——医院的成像机器或工厂车间的制造机器中。这可以降低通过网络传输数据时可能发生的“偏移”或“泄漏”风险。最小化带宽使用其次是带宽问题。将大量数据从边缘传送到云端会阻塞网络，在某些情况下是不切实际的。健康环境中的成像机器生成如此庞大的文件以致无法将它们传输到云或需要数天才能完成传输的情况并不少见。简单地在边缘处理数据会更有效，尤其是当洞察力旨在改进专有机器时。过去，计算的移动和维护难度要大得多，因此需要将这些数据移动到计算位置。这种范式现在受到挑战，现在数据通常更重要且更难管理，导致用例保证将计算移动到数据位置。避免延迟在边缘部署AI的第三个原因是延迟。互联网速度很快，但不是实时的。如果存在毫秒很重要的情况，例如协助手术的机械臂或时间敏感的生产线，组织可能会决定在边缘运行AI。边缘人工智能面临的挑战以及如何解决这些挑战尽管有这些好处，但在边缘部署AI仍然存在一些独特的挑战。以下是您应该考虑的一些提示，以帮助应对这些挑战。模型训练的好与坏结果大多数AI技术使用大量数据来训练模型。然而，在边缘的工业用例中，这通常会变得更加困难，因为大多数制造的产品都没有缺陷，因此被标记或注释为良好。由此产生的“好结果”与“坏结果”的不平衡使得模型更难学会识别问题。依赖于没有上下文信息的数据分类的纯AI解决方案通常不容易创建和部署，因为缺乏标记数据，甚至会发生罕见事件。为AI添加上下文（或称为以数据为中心的方法）通常会在最终解决方案的准确性和规模方面带来好处。事实是，虽然人工智能通常可以取代人类手动完成的平凡任务，但在构建模型时，它会极大地受益于人类的洞察力，尤其是在没有大量数据可供使用的情况下。从经验丰富的主题专家那里得到承诺，与构建算法的数据科学家密切合作，为AI学习提供了一个快速启动。AI无法神奇地解决或提供每个问题的答案通常有许多步骤进入输出。例如，工厂车间可能有许多工作站，它们可能相互依赖。一个过程中工厂某个区域的湿度可能会影响稍后在不同区域的生产线中另一个过程的结果。人们通常认为人工智能可以神奇地拼凑所有这些关系。虽然在许多情况下可以，但它也可能需要大量数据和很长时间来收集数据，从而导致非常复杂的算法不支持可解释性和更新。人工智能不能生活在真空中。捕捉这些相互依赖关系将把边界从一个简单的解决方案推向一个可以随着时间和不同部署而扩展的解决方案。缺乏利益相关者的支持会限制人工智能的规模如果组织中的一群人对它的好处持怀疑态度，则很难在整个组织中扩展AI。获得广泛支持的最好（也许是唯一）方法是从一个高价值、困难的问题开始，然后用人工智能解决它。在奥迪，我们考虑解决焊枪电极更换频率的问题。但是电极成本低，这并没有消除人类正在做的任何平凡的任务。相反，他们选择了焊接工艺，这是整个行业普遍认同的难题，并通过人工智能显着提高了工艺质量。这激发了整个公司工程师的想象力，他们研究如何在其他流程中使用人工智能来提高效率和质量。平衡边缘AI的优势和挑战在边缘部署AI可以帮助组织及其团队。它有可能将设施转变为智能边缘，提高质量，优化制造过程，并激励整个组织的开发人员和工程师探索他们如何整合人工智能或推进人工智能用例，包括预测分析、提高效率的建议或异常检测。但它也带来了新的挑战。作为一个行业，我们必须能够在部署它的同时减少延迟、增加隐私、保护IP并保持网络平稳运行。
