在实际工作中，我们经常会遇到一堆数据，对数据的有效分析至为关键，而数据的分布就是一种非常重要的数据属性，需要通过合适的可视化手段进行分析。本文参考[1]，基于seaborn库介绍一些常用的数据分布可视化方法。
随着AI技术的发展，越来越多的产品尝试结合AI进行功能升级，作为设计师的你是否也在面临这样的问题：如何将AI技术与场景需求更好的结合，为用户提供顺畅的AI原生设计体验呢？ 本文将以AI装扮项目为例，分两部分介绍我们是如何通过深入分析用户痛点与需求，结合公司内部能力支持，找到AI创新突破口。同时发挥设计优势，在没有行业参考前提下，探寻出一条AI创新实践之路，设计主导创新方案优化落地。
4年前在《AutoDiff理解》 之第一篇“自动求导技术在深度学习中的应用”[1]中打算写一个关于autodiff的系列文章，因为工作和学习上比较忙碌（Lan Duo :P），就一直拖到了现在。刚好最近又在学习OPEN MLSYS[2]，借此机会将静态图中的autodiff笔记也一并写完吧。如有谬误请联系指出。
贴吧的商业化变现之路一直是坎坷的，传统的广告变现效果是短平快，但对百度贴吧这样的社区产品并非最优选择：过多广告会影响用户交流和创作，进而阻碍优质内容生产，损失的还是社区自身的流量和声誉。 为了实现商业收入与用户体验的双赢，我们在贴吧探索非广告变现的尝试中，将目光聚焦在游戏行业。贴吧天然聚集了在游戏上有共同话题的吧友们，并且既往广告收入中，游戏也是占比最大的。因此，无论从用户层面还是从商业层面，游戏垂类都是我们探索非广告变现新模式的最佳实验田。
随着互联网和物联网的高速发展，产生了大量的结构化、半结构化数据。在百度集团内部， BTS（Baidu Table Storage） 成为处理这些半结构化数据的关键产品。随着技术的不断发展和业务需求的多样化，BTS 在百度内部经历了从支持单一 Table 能力到支持宽表、时序等多模能力的演进。 BTS 是百度智能云的半结构化存储产品，对内支撑百度核心业务（搜索、Apollo、凤巢、feed、系统监控等），对外提供高性能、低成本的 NoSQL 表格存储服务。 BTS 可用于丰富的场景，比如横向业务场景（分布式存储、结构化、聚合、高性能检索）、纵向行业场景（互联网、广告、feed、物联网、大数据、时序）以及一体化解决方案（大数据分析生态，监控）等，支撑业务创新。并且提供了多种 API、SDK 和可视化的 Web 管理平台供研发人员快速接入。通过 Batch 写、并发读、多级 Cache 加速等方式，打破性能瓶颈。通过热备副本、实时 Failover 和表回收站技术保证数据库高可用。另外，BTS 还提供企业级安全保障，服务可用性高达99.9%，数据可靠性达到了 99.99999999%（1
2023 年对于 AI 工作者来说是非常不平凡的一年，这一年算是 AI 原生时代的起点。 对百度智能云来说，这一年非常卷。从年初大家可能还不知道大模型是什么的时候，我们开始卷怎么选模型、怎么评模型，再往后大家大概知道大模型可以干什么了，我们开始卷怎么训练模型。而再往后发展的时候，大家也不再过度关注如何训练模型，更多开始关注 AI 时代下非常关键的事情——怎么基于模型做应用。这也是今天我要给大家带来的分享，就是 AI 原生时代的应用如何开发。 先来看下面这张图。下图是在过去三个月时间内，关于 AI 原生应用各种各样的需求关键词。比如说希望推荐简历、做英语口语的交流、协助创作智能海报、写 PPT、生成工作日报等。我们可以看到，大家对 AI 原生时代能够带来什么已经迸发出非常多的想象力。这也意味着，AI 原生应用需求的爆发，我们正在加速奔跑进入繁荣的 AI 时代。
移动互联网经历2012年到2016年的快速增长期，目前已经到了增长大幅放缓的阶段，据《2022年中国移动互联网发展报告》显示，截至2021年12月底，中国手机网民规模达10.29亿人，全年增加了4373万人，同比增速已经放缓。在这样的大环境下，如何保持产品用户规模持续增长是业务团队面临的主要挑战之一。
本文简单介绍了百度搜索Push个性化的发展过程，揭示了面临的困境和挑战：如何筛选优质物料、如何对用户精准推荐等。我们实施了一系列策略方法进行突破，提出核心的解决思路和切实可行的落地方案。提升了搜索DAU和点击率，希望本文的内容能为相关从业者带来启发和借鉴价值。
