钢铁行业数据治理

重要作用。据统计，到2024年，全球25%的制造业企业将引入边缘计算，提升决策速度、降低数据管理成本。以钢铁行业为例，星环Sophon平台助力钢铁制造企业实现转炉炼钢的终点温度以及碳含量的预测并降低当前星环科技边缘计算平台Sophon对钢铁生产线相关设备参数与过程数据进行采集，边缘节点EdgeNode主要负责基础设备管理及网关服务。对接完成后的设备消息走线通过星环自研实时流引擎Slipstream将制造业是国民经济的基础性产业，为社会稳定和经济增长提供基础性保障。制造业智能化发展已开展许久，边缘智能的应用将通过数据在边缘的计算和存储，实现降低延时、数据保护等效用，为助力AI在制造业的应用发挥生产成本。客户痛点钢铁制造企业在炼钢过程中需有一次温度和碳含量的测定来作为控制终点的参考。现阶段为有经验的老师傅进行人工控制，容易导致终钢水质量参差不齐，炼钢过程急需从经验化转换为标准化。解决方案通过数据接入到工业互联网平台，在云端EdgeHub中进行生产模型训练并下发至边缘平台进行实时应用,并对边缘端的模型进行灰度升级、自动升级等操作从而进行持续应用。应用成效1、基于边缘计算和实时流引擎技术

重要作用。据统计，到2024年，全球25%的制造业企业将引入边缘计算，提升决策速度、降低数据管理成本。以钢铁行业为例，星环Sophon平台助力钢铁制造企业实现转炉炼钢的终点温度以及碳含量的预测并降低当前星环科技边缘计算平台Sophon对钢铁生产线相关设备参数与过程数据进行采集，边缘节点EdgeNode主要负责基础设备管理及网关服务。对接完成后的设备消息走线通过星环自研实时流引擎Slipstream将制造业是国民经济的基础性产业，为社会稳定和经济增长提供基础性保障。制造业智能化发展已开展许久，边缘智能的应用将通过数据在边缘的计算和存储，实现降低延时、数据保护等效用，为助力AI在制造业的应用发挥生产成本。客户痛点钢铁制造企业在炼钢过程中需有一次温度和碳含量的测定来作为控制终点的参考。现阶段为有经验的老师傅进行人工控制，容易导致终钢水质量参差不齐，炼钢过程急需从经验化转换为标准化。解决方案通过数据接入到工业互联网平台，在云端EdgeHub中进行生产模型训练并下发至边缘平台进行实时应用,并对边缘端的模型进行灰度升级、自动升级等操作从而进行持续应用。应用成效1、基于边缘计算和实时流引擎技术

重要作用。据统计，到2024年，全球25%的制造业企业将引入边缘计算，提升决策速度、降低数据管理成本。以钢铁行业为例，星环Sophon平台助力钢铁制造企业实现转炉炼钢的终点温度以及碳含量的预测并降低当前星环科技边缘计算平台Sophon对钢铁生产线相关设备参数与过程数据进行采集，边缘节点EdgeNode主要负责基础设备管理及网关服务。对接完成后的设备消息走线通过星环自研实时流引擎Slipstream将制造业是国民经济的基础性产业，为社会稳定和经济增长提供基础性保障。制造业智能化发展已开展许久，边缘智能的应用将通过数据在边缘的计算和存储，实现降低延时、数据保护等效用，为助力AI在制造业的应用发挥生产成本。客户痛点钢铁制造企业在炼钢过程中需有一次温度和碳含量的测定来作为控制终点的参考。现阶段为有经验的老师傅进行人工控制，容易导致终钢水质量参差不齐，炼钢过程急需从经验化转换为标准化。解决方案通过数据接入到工业互联网平台，在云端EdgeHub中进行生产模型训练并下发至边缘平台进行实时应用,并对边缘端的模型进行灰度升级、自动升级等操作从而进行持续应用。应用成效1、基于边缘计算和实时流引擎技术

行业数据治理涉及不同行业中数据使用的管理行为，包括数据采集、存储、加工、分析等环节的政策和流程。以下是一些关键点：行业数据治理策略：行业数据治理需要根据特定行业的特点来制定策略。例如，在金融行业，数据治理强调合规性、风险管理和客户数据保护。医疗行业则更注重患者隐私保护与数据共享之间的平衡。制造业关注数据的实时监控和生产优化。行业数据治理技术：技术在行业数据治理中扮演重要角色，包括数据采集、存储、加工处理和安全等方面的技术和工具。例如，AI、区块链等技术逐渐成熟，有望在数据治理中得到广泛应用。行业数据治理管理：数据治理是一套管理体系，包括组织、制度、流程、工具，目标是提升数据的价值。企业需要建立数据治理委员会，明确角色职责，并建立考核机制。行业数据治理专业信息源：专业信息源提供了行业数据治理的深入分析和趋势预测。这些报告帮助客户评估数据治理行业的投资价值，并提供专业的数据分析。行业数据治理是一个复杂的过程，需要综合考虑技术、管理、法律和行业特点等多方面因素。通过有效的数据治理，企业可以提高数据质量、降低风险、提高决策效率，并最终提升业务价值。

行业数据治理涉及不同行业中数据使用的管理行为，包括数据采集、存储、加工、分析等环节的政策和流程。以下是一些关键点：行业数据治理策略：行业数据治理需要根据特定行业的特点来制定策略。例如，在金融行业，数据治理强调合规性、风险管理和客户数据保护。医疗行业则更注重患者隐私保护与数据共享之间的平衡。制造业关注数据的实时监控和生产优化。行业数据治理技术：技术在行业数据治理中扮演重要角色，包括数据采集、存储、加工处理和安全等方面的技术和工具。例如，AI、区块链等技术逐渐成熟，有望在数据治理中得到广泛应用。行业数据治理管理：数据治理是一套管理体系，包括组织、制度、流程、工具，目标是提升数据的价值。企业需要建立数据治理委员会，明确角色职责，并建立考核机制。行业数据治理专业信息源：专业信息源提供了行业数据治理的深入分析和趋势预测。这些报告帮助客户评估数据治理行业的投资价值，并提供专业的数据分析。行业数据治理是一个复杂的过程，需要综合考虑技术、管理、法律和行业特点等多方面因素。通过有效的数据治理，企业可以提高数据质量、降低风险、提高决策效率，并最终提升业务价值。

行业数据治理涉及不同行业中数据使用的管理行为，包括数据采集、存储、加工、分析等环节的政策和流程。以下是一些关键点：行业数据治理策略：行业数据治理需要根据特定行业的特点来制定策略。例如，在金融行业，数据治理强调合规性、风险管理和客户数据保护。医疗行业则更注重患者隐私保护与数据共享之间的平衡。制造业关注数据的实时监控和生产优化。行业数据治理技术：技术在行业数据治理中扮演重要角色，包括数据采集、存储、加工处理和安全等方面的技术和工具。例如，AI、区块链等技术逐渐成熟，有望在数据治理中得到广泛应用。行业数据治理管理：数据治理是一套管理体系，包括组织、制度、流程、工具，目标是提升数据的价值。企业需要建立数据治理委员会，明确角色职责，并建立考核机制。行业数据治理专业信息源：专业信息源提供了行业数据治理的深入分析和趋势预测。这些报告帮助客户评估数据治理行业的投资价值，并提供专业的数据分析。行业数据治理是一个复杂的过程，需要综合考虑技术、管理、法律和行业特点等多方面因素。通过有效的数据治理，企业可以提高数据质量、降低风险、提高决策效率，并最终提升业务价值。

行业数据治理涉及不同行业中数据使用的管理行为，包括数据采集、存储、加工、分析等环节的政策和流程。以下是一些关键点：行业数据治理策略：行业数据治理需要根据特定行业的特点来制定策略。例如，在金融行业，数据治理强调合规性、风险管理和客户数据保护。医疗行业则更注重患者隐私保护与数据共享之间的平衡。制造业关注数据的实时监控和生产优化。行业数据治理技术：技术在行业数据治理中扮演重要角色，包括数据采集、存储、加工处理和安全等方面的技术和工具。例如，AI、区块链等技术逐渐成熟，有望在数据治理中得到广泛应用。行业数据治理管理：数据治理是一套管理体系，包括组织、制度、流程、工具，目标是提升数据的价值。企业需要建立数据治理委员会，明确角色职责，并建立考核机制。行业数据治理专业信息源：专业信息源提供了行业数据治理的深入分析和趋势预测。这些报告帮助客户评估数据治理行业的投资价值，并提供专业的数据分析。行业数据治理是一个复杂的过程，需要综合考虑技术、管理、法律和行业特点等多方面因素。通过有效的数据治理，企业可以提高数据质量、降低风险、提高决策效率，并最终提升业务价值。

重要作用。据统计，到2024年，全球25%的制造业企业将引入边缘计算，提升决策速度、降低数据管理成本。以钢铁行业为例，星环Sophon平台助力钢铁制造企业实现转炉炼钢的终点温度以及碳含量的预测并降低当前星环科技边缘计算平台Sophon对钢铁生产线相关设备参数与过程数据进行采集，边缘节点EdgeNode主要负责基础设备管理及网关服务。对接完成后的设备消息走线通过星环自研实时流引擎Slipstream将制造业是国民经济的基础性产业，为社会稳定和经济增长提供基础性保障。制造业智能化发展已开展许久，边缘智能的应用将通过数据在边缘的计算和存储，实现降低延时、数据保护等效用，为助力AI在制造业的应用发挥生产成本。客户痛点钢铁制造企业在炼钢过程中需有一次温度和碳含量的测定来作为控制终点的参考。现阶段为有经验的老师傅进行人工控制，容易导致终钢水质量参差不齐，炼钢过程急需从经验化转换为标准化。解决方案通过数据接入到工业互联网平台，在云端EdgeHub中进行生产模型训练并下发至边缘平台进行实时应用,并对边缘端的模型进行灰度升级、自动升级等操作从而进行持续应用。应用成效1、基于边缘计算和实时流引擎技术

重要作用。据统计，到2024年，全球25%的制造业企业将引入边缘计算，提升决策速度、降低数据管理成本。以钢铁行业为例，星环Sophon平台助力钢铁制造企业实现转炉炼钢的终点温度以及碳含量的预测并降低当前星环科技边缘计算平台Sophon对钢铁生产线相关设备参数与过程数据进行采集，边缘节点EdgeNode主要负责基础设备管理及网关服务。对接完成后的设备消息走线通过星环自研实时流引擎Slipstream将制造业是国民经济的基础性产业，为社会稳定和经济增长提供基础性保障。制造业智能化发展已开展许久，边缘智能的应用将通过数据在边缘的计算和存储，实现降低延时、数据保护等效用，为助力AI在制造业的应用发挥生产成本。客户痛点钢铁制造企业在炼钢过程中需有一次温度和碳含量的测定来作为控制终点的参考。现阶段为有经验的老师傅进行人工控制，容易导致终钢水质量参差不齐，炼钢过程急需从经验化转换为标准化。解决方案通过数据接入到工业互联网平台，在云端EdgeHub中进行生产模型训练并下发至边缘平台进行实时应用,并对边缘端的模型进行灰度升级、自动升级等操作从而进行持续应用。应用成效1、基于边缘计算和实时流引擎技术

ThistutorialwillguideyouthroughthefollowingtaskswithinHippoCloud:EstablishingatablePerusingthetableIncorporatingdataExecutingsearchoperationsEliminatingrowsDissolvingthetableBeforeyoustartInthisguide,wewillbeutilizingthePythonAPI.Priortocommencement,ensurethatyouhave:RegisteredforaHippoCloudaccount.SubscribedtothecomplimentaryplanandestablishedatrialclusterwithinHippoCloud,orsubscribedtothestandard/enterpriseplansandconstructedadedicatedcluster.IfyouanticipateemployingPythonfordevelopment,ascert...

OverviewUnstructureddatamanagementismoreimportantthaneverduetotheriseofbigdata.Managingandgleaningbusinessvaluefromunstructureddataisofutmostimportancetoenterprisestoday.Advancementsinmachinelearning,aswellasdeeplearning,technologiesnowenableorganizationstoefficientlyaddressunstructureddataandimprovequalityassuranceefforts.Inthefieldofartificialintelligenceormachinelearning,embeddingsandvectordatabaseshavebecomeincreasinglyimportantfortacklingawiderangeofproblems.Thesetechniquesareusedtorepresen...

OverviewAclusterisaHippoCloudinstanceassociatedwithspecificcomputingresources.Youcancreaterelatedtables,insertcorrespondingdata,andcompleteproductexperiencewithinacluster.Beforeyouusethedemoenvironment,youneedtocreateacluster.CreateClusterYouneedtogotothespecificproject.Iftherearenoclustersunderthecurrentproject,youcanclickthe'Createcluster'buttonbelowtheclustercreationguidancepagetoentertheclustercreation.Ifthereareclustersunderthecurrentproject,youcanclickthe'+Cluster'buttonabovetheclusterlist...

过滤条件表达式Hippo当前支持如下表达式，可用于标量或向量查询。表46.过滤条件表达式表达式描述and当前版本支持and，不支持or/not==等值<小于⇐小于等于>大于>=大于等于inin[1,2,3]notinnot_in[1,2,3]like'_'表示匹配任一字符，'%'表示匹配任意字符，'\'为转义符向量相似性检索本节描述如何进行向量相似度搜索。Hippo中的向量相似性搜索计算查询向量与表中向量的距离，返回最相似的结果集。通过指定标量过滤条件，用户可以进行向量与标量的混合搜索。curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/{table}/_search?pretty'-H'Content-Type:application/json'-d'{"output_fields":["book_id"],"search_params":{"anns_field":"book_intro","topk":2,"params":{"nprobe":10},"embedding_index":"ivf_flat_index"}...

运维管理界面WebserverWebserver是Hippo提供运维监控的界面。默认访问地址为:4567"class="bare">http://<webserver_ip>:4567。或者在Manager管理界面我们可以通过下图所示的查看链接这里进行跳转。图15.登录HippoWebserverWebserver主要由下面几个部分构成。概况图16.概况该页面展示了Hippo集群的基本信息，包括：Masterstatus：当前的ActiveMaster，MasterGroup，MasterAddress，Master的健康状态TabletServerStatus：TabletServerAddress，健康状态，逻辑机架和数据中心信息，容量使用以及Tablet个数TabletNum：当前集群表的个数Version：Hippo版本信息库表图17.库表页面以库和表的概念集群存储的各类数据信息。库信息：库名库创建时间库内各类表的信息：点击某个库，可以看到库下所有表的信息，主要包括：••表的ID••表的名字••表的状态••表的Tablet数量••表的Engine类型••表的副本数•...

本节介绍Hippo表写入相关操作。Hippo会返回写入成功数据的下标以及总共写入成功的数据条数，如果出现行级错误（比如主键冲突），Hippo会返回具体的行级错误。插入本节介绍如何向Hippo中插入数据。curl-ushiva:shiva-XPUT'localhost:8902/hippo/v1/{table}/_bulk?database_name={database_name}&pretty'-H'Content-Type:application/json'-d'{"fields_data":[{"field_name":"book_id","field":[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48,49,50,51,52,53,54,55,56,57,58,59,60,61,62,63,64,65,66,67,68,69,70,71,72,73,74...

在Hippo中，比较耗时的操作如激活、加载向量索引实际上是一个分布式任务，用户可以通过任务相关接口查看、删除任务。查看任务curl-ushiva:shiva-XGET"localhost:8902/hippo/v1/_jobs?pretty"-H'Content-Type:application/json'-d'{"job_ids":["fc6feff4f303455a9347f9aab323dfc8"],"action_patterns":["hippo*"]}';返回结果：{"jobs":[{"job_id":"810935a1d91a46b7af2ec35013454fed","job_status":"SHIVA_JOB_SUCCESS","embedding_number":100,"task_results":[{"id":"54ab52493dfb4bab9fb7742d850c64c4","status":"TASK_SUCCESS","server":"172.29.40.26:27841","embedding_number":100,"execute_time":...

Hippo在1.2版本提供了全文索引能力，兼容ElasticSearch6.7.2语法，在底层架构上复用了公司产品TranswarpScope的一部分特性，支持以Java/HTTPRestful的形式通过Hippo的HTTPServer接口进行全文索引的创建、查询、使用等各类需求，通过该能力的支持，可以更好的实现向量与全文的混合检索。通过将向量检索加全文检索的联合召回，可以降低漏检和误检的概率，能够实现比单独使用向量或全文更高的精度。同时，一套数据库系统可避免部署多套系统带来的架构复杂、开发运维成本高等问题。具体的使用方法除了访问端口需要将端口从8902调整为9200外，均可参考《TranswarpScope手册》4.TranswarpScopeAPI介绍。

本节测试主要描述了Hippo1.0在关键测试上的一些性能表现，该份测试同样也是Hippo的基准测试，后续版本发布也会在不同版本上进行该测试进行对比分析。术语表142.Hippo性能测试术语TermDescriptionnq一次搜索请求中搜索的向量个数topk一次请求中对于要检索的每个向量(依赖nq)，所能检索到最近距离的向量个数RT一次请求从发起到接受响应的时间]QPS请求在每秒内成功执行的次数dataset测试所用数据集，不同数据集表示不同的业务场景测试集群配置硬件配置表143.性能测试硬件配置硬件规范Nodes3CPUIntel®Xeon®Gold5218RCPU@2.10GHzMemory16*\16GBRDIMM,3200MT/sDISKNVMeSSD2T*4GPUNONE软件配置表144.性能测试软件配置软件版本Hippov1.2TranswarpManagerTDH9.3.0测试集表145.性能测试数据集数据集名称数据集介绍向量维度向量总数查询数量数据总量距离类型Sift-128-euclidean该数据集是基于Texmex的数据集整理，使用SIFT算法得到的图片特征向量。...

查看Master节点通过以下命令，查看集群Master节点信息：curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/master?v'返回结果：epochtimestampactive.master.hostactive.master.portmaster.group169079683909:47:19172.29.203.18926841172.29.203.189:26841,172.29.203.189:26851,172.29.203.189:26861查看数据节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes?v'//查看所有节点curl-ushiva:shiva-XGET'localhost:8902/hippo/v1/_cat/nodes/{node}?v'//{node}表示待匹配的节点地址，支持以*通配，支持指定多个pattern，多个pattern以逗号分割返回结果：