前几天，我在跟一位做进口贸易的朋友聊天，发现一个很有意思的事情。
他们做的是国内的高端仪器进口的进口贸易业务。主要帮助销售国外产品的公司完成竞标、合同签订、物流、海关、进口贸易政策符合、维保等等事务。
我很疑惑，为什么会有这样的业务形态存在？为什么这些产品销售公司不自己处理这些事务，反而代理出去让其他公司赚钱呢？
数据平台中的OneID应用
数据平台的一个重要功能是数据集成。数据集成听起来是要从分布式走向单体，似乎不太符合当前技术领域要尽可能分布式的趋势。
但是，数据集成常常是必要的。这种必要性可能来自于企业战略上希望打破数据孤岛，也可能来自于某些数据分析需要跨业务线跨系统进行。
实现数据集成的一个重要问题是跨系统的数据关联。为什么这个问题如此重要？这还要从企业发展过程说起。
基于Android平板打造一个开发环境
我在一个机场，背上背着一个沉重的背包，等待在一个长长的队伍中。队伍缓慢地向前挪动，这是奔走在路上的旅客在等待安检的队伍。
每次在这样的时刻，身上背包的重量，都在提醒我需要肩负起的重量。
Mac电脑都用上Arm芯片啦！iPad都出Pro版本啦！基于平板电脑打造一个开发环境它不香么？
在Linux系统中用USB无线网卡连接网络
我们公司有两个网络，一个用于访问内部网络资源，简称为内部网络，另一个网络用于访问外部互联网资源，简称外部网络。
平时大家工作中以内部网络为主，为了方便使用，内部网络也开放了外部互联网的资源访问。由于公司内几乎所有人日常工作都使用这个网络，所以网络策略限制了外部互联网下载速度到500KB左右。而外部网络则没有任何下载速度限制。
最近在做机器学习的实验时，遇到了令人头疼的网络下载速度问题。
做实验的机器是一台台式机，以有线的方式接入内部网络，被分配了固定的ip地址。机器访问内部资源倒是比较快，但是访问互联网就速度受限了。
由于机器学习数据集或者模型文件都很大，常常是好几十GB，用内部网络下载常常要好几个小时，严重影响了效率。
在数据平台中实现机器学习工程化
随着AI技术的使用日益广泛，在数据平台中进行机器学习建模分析成为了越来越常见的场景。
提到AI技术，不少人会直接联系到近几年特别火的基于人工神经网络的深度学习技术。其实，在企业业务中使用最广泛的还并不是深度学习，这是因为深度学习模型的应用领域常常是图像、音视频、自然语言处理等，而企业期望的应用领域多是销售、营销、客户关系管理等。另一方面，深度学习模型的可解释性比较差，难以从业务角度分析其合理性，这也限制了深度学习的应用。
一些常见的企业AI技术的应用场景示例如下：
指标管理系统
在上一篇文章《指标计算实践》中，我们分析了指标开发过程，并给出了一些如何复用代码的建议。在一系列指标开发出来之后，如何管理好它们，使之容易访问，并方便的对外提供服务，这是数据平台建设中不得不解决的另一个问题。这里我们将这些问题统一称为指标管理问题。本文希望分享一些相关经验。
用半小时给Hexo加个短链
用Hexo博客有好几年了，Markdown的格式、简洁的风格、静态的特性、众多的插件，一直让我用起来很舒服。
不过，有个问题困扰了我很长时间，那就是，Hexo生成的博客的永久链接比较长，在社交平台上面分享不太方便。
有不少第三方的短链服务，有的还可以帮助追踪链接的点击次数等。比如：https://www.shorturl.at/ https://app.bitly.com/bbt2/ 等。
指标计算实践
有了数据开发测试工具及DWD模型，数据开发看起来可以顺利往前推进了。下一步是数据开发真正产生业务价值的过程，即指标计算。前面的基础建设其实都是为了指标计算能高效高质量的完成。本文将尝试分享一些关于指标计算的实践经验。
在前面的文章数据平台数据管理实践中，我们提到了基础数据层（也常被称为轻度汇总层）。这一层一般以DWB的缩写来表示，其全称是Data Warehouse Basis。DWB这样的数据分层是业界常见的数据仓库分层实践，对指标计算有很好的参考意义。