葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

本發(fā)明公開(kāi)了一種聚乙烯蠟微粉的制備方法，包括如下步驟：（1）原料的熔化與輸送：采用加熱裝置制備聚乙烯蠟料液，保溫齒輪泵將所述聚乙烯蠟料液通過(guò)管道輸送到位于噴霧造粒塔內(nèi)部的霧化器處，所述管道和除去噴孔外霧化器的其他部分需整體保溫；（2）壓縮空氣和霧化：空氣壓縮機(jī)提供的壓縮空氣經(jīng)過(guò)另一路管道輸送至霧化器，與具有壓力的所述聚乙烯蠟料液相互匹配，將所述聚乙烯蠟料液充分霧化，霧化后的霧滴在造粒塔內(nèi)冷卻固化為微粉；（3）產(chǎn)品的收集：收集裝置收集冷卻固化后的微粉，即得產(chǎn)品。本發(fā)明還公開(kāi)了一種噴霧造粒系統(tǒng)，用于聚乙烯蠟微粉的制備。本發(fā)明所述方法能耗低、操作簡(jiǎn)便且安全可靠且制得的產(chǎn)品粒度小。

本發(fā)明提供了花生維生素E合成相關(guān)基因AhPK及其在提高植物維生素E含量和耐鹽性中的應(yīng)用，將該AhPK基因在花生中超量表達(dá)后，得到生育酚含量和活性最高的α生育酚含量顯著提高的轉(zhuǎn)基因植株。實(shí)驗(yàn)證明，將本發(fā)明的AhPK基因超量表達(dá)可顯著提高花生葉片的維生素E含量，且可明顯增強(qiáng)轉(zhuǎn)基因花生種子的耐鹽性。本發(fā)明的蛋白及其編碼基因?qū)τ谥参锞S生素E合成機(jī)制的研究，以及提高植物的維生素E含量、活性和植株的抗逆性具有重要的理論及實(shí)際意義，應(yīng)用前景廣闊。

本發(fā)明提供了一種基于InDel分子標(biāo)記鑒定辣椒雄性不育三系配套雜交種真實(shí)性和純度的方法。其方法為：將辣椒雜交種和親本培育至芽苗期，提取DNA，應(yīng)用核心引物對(duì)雜交種和親本進(jìn)行篩選，只有共顯性標(biāo)記的引物可以作為該雜交種真實(shí)性鑒定的分子標(biāo)記。若辣椒雜交種和親本在核心引物庫(kù)中無(wú)法篩選出共顯性標(biāo)記，則結(jié)合次級(jí)核心引物庫(kù)中繼續(xù)篩選，直至篩選出共顯性標(biāo)記。本發(fā)明建立的快速、同時(shí)鑒定辣椒雄性不育三系配套雜交種真實(shí)

本成果針對(duì)我國(guó)農(nóng)村幅員廣大、信息基礎(chǔ)設(shè)施建設(shè)薄弱、難以推廣電子交易的現(xiàn)狀，積極響應(yīng)國(guó)家“三農(nóng)”戰(zhàn)略，研制適合農(nóng)村應(yīng)用環(huán)境的電子交易平臺(tái)、交易終端和專用芯片，形成了服務(wù)三農(nóng)的整套電子交易解決方案，為農(nóng)村金融業(yè)務(wù)提供了創(chuàng)新電子交易產(chǎn)品，成為中國(guó)農(nóng)業(yè)銀行等金融機(jī)構(gòu)服務(wù)“三農(nóng)”的新型支付渠道。 成果基于多學(xué)科交叉和創(chuàng)新集成的技術(shù)路線，首創(chuàng)了基于瘦客戶端型B-C/S架構(gòu)的低成本、易維護(hù)金融交易平臺(tái)和交易終端；通過(guò)專用芯片降低了終端成本，提高了終端可靠性。項(xiàng)目申請(qǐng)發(fā)明專利6項(xiàng)，已授權(quán)16項(xiàng)，其創(chuàng)新點(diǎn)解決了電子交易終端應(yīng)用于我國(guó)農(nóng)村復(fù)雜環(huán)境下的成本、維護(hù)、安全、可靠性等諸多關(guān)鍵技術(shù)問(wèn)題，技術(shù)水平達(dá)到國(guó)際先進(jìn)，國(guó)內(nèi)領(lǐng)先。該成果榮獲2011年江蘇省科技進(jìn)步一等獎(jiǎng)。

大數(shù)據(jù)應(yīng)用的多樣化 需要的計(jì)算模型、數(shù)據(jù)模型多樣化； 目前每類模型需要單獨(dú)的開(kāi)源系統(tǒng)來(lái)支持（如HDFS、HBase、Neo4j、MongoDB，F(xiàn)link，Spark，Tensorflow等）。 多系統(tǒng)導(dǎo)致大數(shù)據(jù)分析平臺(tái)非常復(fù)雜、效率低下。研究目標(biāo)：研究和開(kāi)發(fā)面向新型多計(jì)算模型融合架構(gòu)的、高時(shí)效、可擴(kuò)展的新 一代大數(shù)據(jù)分析支撐系統(tǒng)與工具平臺(tái)FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。針對(duì)目前大數(shù)據(jù)分析平臺(tái)復(fù)雜、效率低下的痛點(diǎn)，該系統(tǒng)具有三個(gè) 方面的優(yōu)勢(shì)：首先，這套系統(tǒng)采用融合架構(gòu)，一方面實(shí)現(xiàn)關(guān)系、圖、鍵 值、文檔等多種數(shù)據(jù)模型的高效融合，另一方面實(shí)現(xiàn)批處理計(jì)算、流計(jì) 算的深度融合，并可以通過(guò)SQL擴(kuò)展語(yǔ)言來(lái)進(jìn)行多模型的統(tǒng)一查詢，實(shí)現(xiàn)高效的跨模型查詢。其次，對(duì)于復(fù)雜系統(tǒng)來(lái)說(shuō)，時(shí)效性非常重要，這 套系統(tǒng)采用融合架構(gòu)提高效率是實(shí)現(xiàn)高時(shí)效的基礎(chǔ)，更重要的是，我們 對(duì)大數(shù)據(jù)分析從數(shù)據(jù)到用戶進(jìn)行了端到端的全棧時(shí)效優(yōu)化。最后，對(duì)于 大數(shù)據(jù)應(yīng)用來(lái)說(shuō)，系統(tǒng)擴(kuò)展性非常重要，本系統(tǒng)在資源層、存儲(chǔ)層和計(jì) 算層進(jìn)行了全面的擴(kuò)展性優(yōu)化。下面在融合架構(gòu)、高時(shí)效和可擴(kuò)展這三 個(gè)方面，分別詳細(xì)介紹FAST系統(tǒng)的三個(gè)主要亮點(diǎn)。融合架構(gòu)FAST系統(tǒng)的第一個(gè)亮點(diǎn)是融合架構(gòu)，我們?cè)诩夹g(shù)方面的創(chuàng)新主要包 括多數(shù)據(jù)模型融合和多計(jì)算模型融合兩方面。多數(shù)據(jù)模型融合：設(shè)計(jì)和研發(fā)了多模型數(shù)據(jù)管理與查詢引擎，支持關(guān)系、圖、鍵值、 文檔等多種數(shù)據(jù)模型，實(shí)現(xiàn)了查詢解析、查詢優(yōu)化、元數(shù)據(jù)管理、數(shù)據(jù) 分布等功能，將多種數(shù)據(jù)模型進(jìn)行統(tǒng)一管理和深度融合。同時(shí)擴(kuò)展了SQL語(yǔ)言，通過(guò)統(tǒng)一的查詢接口支持對(duì)關(guān)系、鍵值、圖、文檔等數(shù)據(jù)進(jìn)行獨(dú)立訪問(wèn)或者跨模型查詢。經(jīng)過(guò)試驗(yàn)，多模型數(shù)據(jù)融合查詢，比Spark 2.3.4的查詢時(shí)間能平均減少70.7%。目前spark等現(xiàn)有系統(tǒng)還需要手工編程方式來(lái)實(shí)現(xiàn)跨模型查 詢，所以FAST系統(tǒng)在易用性上也表現(xiàn)良好，降低使用門檻，提高開(kāi)發(fā)效率。多計(jì)算模型融合：在計(jì)算層實(shí)現(xiàn)了最常見(jiàn)的批處理計(jì)算和流計(jì)算深度融合，批流融合的核心方法是在系統(tǒng)內(nèi)部實(shí)現(xiàn)批和流的統(tǒng)一表達(dá)，批是對(duì)有限數(shù)據(jù)集 的運(yùn)算，流是對(duì)無(wú)限數(shù)據(jù)流的計(jì)算，我們?cè)O(shè)計(jì)了UCollection結(jié)構(gòu)對(duì)批和 流數(shù)據(jù)進(jìn)行統(tǒng)一表達(dá)，通過(guò)識(shí)別的bounded標(biāo)志，來(lái)確定是批、流、或批流融合。有了統(tǒng)一表達(dá)，可以開(kāi)展一系列融合優(yōu)化來(lái)提升系統(tǒng)性能。 并且對(duì)上通過(guò)Unified API統(tǒng)一用戶的批、流接口，實(shí)現(xiàn)二者在編程范式上的統(tǒng)一表達(dá)。對(duì)于批流混合的計(jì)算，融合架構(gòu)系統(tǒng)的查詢延遲比Flink 1.4.2能減少57%，吞吐量平均可以提升到6.72倍。高時(shí)效FAST系統(tǒng)的第二個(gè)亮點(diǎn)是高時(shí)效，即縮短大數(shù)據(jù)分析的時(shí)間消耗， 提高效率。由于大數(shù)據(jù)分析平臺(tái)是一個(gè)非常復(fù)雜的系統(tǒng)，為了做到高時(shí)效，系統(tǒng)不能存在性能短板，因此需要對(duì)大數(shù)據(jù)分析的整個(gè)過(guò)程進(jìn)行端到端的全棧時(shí)效優(yōu)化。如圖中所示，自下而上，需要在多模態(tài)存儲(chǔ)、批流融合、機(jī)器學(xué)習(xí)、人工操作各層都進(jìn)行優(yōu)化。對(duì)于多模態(tài)存儲(chǔ)，面向應(yīng)用負(fù)載和異構(gòu)硬件特征進(jìn)行自適應(yīng)優(yōu)化；對(duì)于批流融合計(jì)算，在統(tǒng)一表達(dá)基礎(chǔ)上，進(jìn)行系列融合優(yōu)化技術(shù)， 包括DAG優(yōu)化、迭代優(yōu)化、部署優(yōu)化、操作符優(yōu)化等；在機(jī)器學(xué)習(xí)層面，進(jìn)行模型優(yōu)化、消息優(yōu)化、梯度優(yōu)化、概率優(yōu)化 等來(lái)提高時(shí)效；而且我們也考慮到大數(shù)據(jù)分析過(guò)程中用戶人工操作的時(shí)效性問(wèn)題， 通過(guò)智能地進(jìn)行大數(shù)據(jù)分析方法和模型的推薦，來(lái)縮減人工操作的 時(shí)間。可擴(kuò)展FAST系統(tǒng)的第三個(gè)亮點(diǎn)是可擴(kuò)展，由于大數(shù)據(jù)應(yīng)用規(guī)模很大，數(shù)據(jù)增速快，對(duì)系統(tǒng)可擴(kuò)展性的要求非常高，為此我們?cè)谙到y(tǒng)的資源層、 存儲(chǔ)層和計(jì)算層進(jìn)行了全面的擴(kuò)展性優(yōu)化。在資源層，系統(tǒng)都部署在云計(jì)算的虛擬化資源之上，利用了云計(jì)算資源的彈性機(jī)制進(jìn)行系統(tǒng)擴(kuò)展。并在系統(tǒng)中實(shí)現(xiàn)了可伸縮調(diào)整模塊， 能實(shí)時(shí)監(jiān)控軟硬件系統(tǒng)的狀態(tài)，按照應(yīng)用需求來(lái)自適應(yīng)地進(jìn)行彈性伸縮。在存儲(chǔ)層，分布式存儲(chǔ)系統(tǒng)擴(kuò)展性的關(guān)鍵在于分布式共識(shí)和一致性 協(xié)議（Raft），因此提出了KV-Raft、vRaft等進(jìn)行Raft的擴(kuò)展優(yōu)化。在計(jì)算層，我們擴(kuò)展了機(jī)器學(xué)習(xí)模型的參數(shù)規(guī)模，使系統(tǒng)可以支持 到百億級(jí)別的超大規(guī)模機(jī)器學(xué)習(xí)模型訓(xùn)練，并且性能方面有明顯提 升。亮點(diǎn)成果：融合架構(gòu)大數(shù)據(jù)分析平臺(tái)目前已經(jīng)在阿里巴巴雙十一進(jìn)行示范應(yīng)用。 從2020年11月10日至11月16日一周的時(shí)間，在阿里的生產(chǎn)環(huán)境中，研發(fā) 的系統(tǒng)一直連續(xù)穩(wěn)定運(yùn)行，基于淘寶和天貓的實(shí)際用戶信息進(jìn)行大數(shù)據(jù) 分析，綜合運(yùn)用了本系統(tǒng)的存儲(chǔ)、計(jì)算、機(jī)器學(xué)習(xí)等多個(gè)模塊的能力， 累計(jì)進(jìn)行了184億件商品推薦。同時(shí)在雙十一期間，基于智能交互向?qū)Ъ夹g(shù)，也面向電子商務(wù)應(yīng)用 的賣家提供了“生意參謀”應(yīng)用，基于大數(shù)據(jù)分析，幫助賣家分析產(chǎn)品 銷量變化的原因，以及促銷的有效手段等。

南開(kāi)大學(xué)藥學(xué)院與天津大學(xué)國(guó)際生物醫(yī)藥聯(lián)合研究院組建新藥開(kāi)發(fā)聯(lián)合攻關(guān)團(tuán)隊(duì)，針對(duì)新型冠狀病毒的生物學(xué)特點(diǎn)、傳播特征和公共衛(wèi)生風(fēng)險(xiǎn)防控的潛在需求，開(kāi)展了病毒防治相關(guān)藥物的研發(fā)，從藥食同源分子中發(fā)現(xiàn)了可預(yù)防冠狀病毒感染作用的候選分子。 南開(kāi)大學(xué)藥學(xué)院與研究院聯(lián)合攻關(guān)團(tuán)隊(duì)，利用人工智能輔助的虛擬藥物篩選系統(tǒng)，從中藥單體庫(kù)、藥食同源天然分子庫(kù)和成藥化合物庫(kù)中篩選潛在的互作界面抑制劑，尤其關(guān)注藥食同源類物質(zhì)所含的活性分子。通過(guò)篩選和既往藥理信息的綜合分析，觀察到多種藥食同源的中藥中含有抑制病毒與受體結(jié)合的潛在活性分子，為中醫(yī)藥方劑的配伍和新型冠狀病毒感染的肺炎的防治提供了一定的信息。

本發(fā)明公開(kāi)了可同時(shí)測(cè)定梨的多個(gè)指標(biāo)參數(shù)的裝置，包括：暗箱；位于所述暗箱內(nèi)，用于測(cè)量梨的重量的電子稱重旋轉(zhuǎn)平臺(tái)；位于所述暗箱內(nèi)，用于測(cè)量梨的高度的高度測(cè)量裝置；用于向梨發(fā)射檢測(cè)光的光照模塊；用于接收梨的反射光的光譜采集模塊；用于接收所述電子稱重旋轉(zhuǎn)平臺(tái)和高度測(cè)量裝置的信號(hào)計(jì)算樣品體積，以及用于接收所述光譜采集單元信號(hào)計(jì)算樣品pH值的控制單元。本發(fā)明還公開(kāi)了一種利用所述的可同時(shí)測(cè)定梨的多個(gè)指標(biāo)參數(shù)的裝置測(cè)定梨的多指標(biāo)參數(shù)的方法。本發(fā)明實(shí)現(xiàn)了梨的重量、高度、體積以及pH值的多項(xiàng)物理參數(shù)的快速檢測(cè)，檢測(cè)快速準(zhǔn)確，檢測(cè)成本低，環(huán)境污染小。

研究背景：  大數(shù)據(jù)應(yīng)用的多樣化  需要的計(jì)算模型、數(shù)據(jù)模型多樣化；  目前每類模型需要單獨(dú)的開(kāi)源系統(tǒng)來(lái)支持（如HDFS、HBase、Neo4j、MongoDB，F(xiàn)link，Spark，Tensorflow等）。  多系統(tǒng)導(dǎo)致大數(shù)據(jù)分析平臺(tái)非常復(fù)雜、效率低下。 研究目標(biāo)： 研究和開(kāi)發(fā)面向新型多計(jì)算模型融合架構(gòu)的、高時(shí)效、可擴(kuò)展的新 一代大數(shù)據(jù)分析支撐系統(tǒng)與工具平臺(tái)FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 針對(duì)目前大數(shù)據(jù)分析平臺(tái)復(fù)雜、效率低下的痛點(diǎn)，該系統(tǒng)具有三個(gè)  方面的優(yōu)勢(shì)：首先，這套系統(tǒng)采用融合架構(gòu)，一方面實(shí)現(xiàn)關(guān)系、圖、鍵  值、文檔等多種數(shù)據(jù)模型的高效融合，另一方面實(shí)現(xiàn)批處理計(jì)算、流計(jì)  算的深度融合，并可以通過(guò)SQL擴(kuò)展語(yǔ)言來(lái)進(jìn)行多模型的統(tǒng)一查詢，實(shí)現(xiàn)高效的跨模型查詢。其次，對(duì)于復(fù)雜系統(tǒng)來(lái)說(shuō)，時(shí)效性非常重要，這  套系統(tǒng)采用融合架構(gòu)提高效率是實(shí)現(xiàn)高時(shí)效的基礎(chǔ)，更重要的是，我們  對(duì)大數(shù)據(jù)分析從數(shù)據(jù)到用戶進(jìn)行了端到端的全棧時(shí)效優(yōu)化。最后，對(duì)于  大數(shù)據(jù)應(yīng)用來(lái)說(shuō)，系統(tǒng)擴(kuò)展性非常重要，本系統(tǒng)在資源層、存儲(chǔ)層和計(jì)  算層進(jìn)行了全面的擴(kuò)展性優(yōu)化。下面在融合架構(gòu)、高時(shí)效和可擴(kuò)展這三  個(gè)方面，分別詳細(xì)介紹FAST系統(tǒng)的三個(gè)主要亮點(diǎn)。 融合架構(gòu) FAST系統(tǒng)的第一個(gè)亮點(diǎn)是融合架構(gòu)，我們?cè)诩夹g(shù)方面的創(chuàng)新主要包  括多數(shù)據(jù)模型融合和多計(jì)算模型融合兩方面。 多數(shù)據(jù)模型融合： 設(shè)計(jì)和研發(fā)了多模型數(shù)據(jù)管理與查詢引擎，支持關(guān)系、圖、鍵值、  文檔等多種數(shù)據(jù)模型，實(shí)現(xiàn)了查詢解析、查詢優(yōu)化、元數(shù)據(jù)管理、數(shù)據(jù)  分布等功能，將多種數(shù)據(jù)模型進(jìn)行統(tǒng)一管理和深度融合。同時(shí)擴(kuò)展了SQL語(yǔ)言，通過(guò)統(tǒng)一的查詢接口支持對(duì)關(guān)系、鍵值、圖、文檔等數(shù)據(jù)進(jìn)行獨(dú)立訪問(wèn)或者跨模型查詢。 經(jīng)過(guò)試驗(yàn)，多模型數(shù)據(jù)融合查詢，比Spark 2.3.4的查詢時(shí)間能平均減少70.7%。目前spark等現(xiàn)有系統(tǒng)還需要手工編程方式來(lái)實(shí)現(xiàn)跨模型查 詢，所以FAST系統(tǒng)在易用性上也表現(xiàn)良好，降低使用門檻，提高開(kāi)發(fā)效率。 多計(jì)算模型融合： 在計(jì)算層實(shí)現(xiàn)了最常見(jiàn)的批處理計(jì)算和流計(jì)算深度融合，批流融合的核心方法是在系統(tǒng)內(nèi)部實(shí)現(xiàn)批和流的統(tǒng)一表達(dá)，批是對(duì)有限數(shù)據(jù)集  的運(yùn)算，流是對(duì)無(wú)限數(shù)據(jù)流的計(jì)算，我們?cè)O(shè)計(jì)了UCollection結(jié)構(gòu)對(duì)批和  流數(shù)據(jù)進(jìn)行統(tǒng)一表達(dá)，通過(guò)識(shí)別的bounded標(biāo)志，來(lái)確定是批、流、或批流融合。有了統(tǒng)一表達(dá)，可以開(kāi)展一系列融合優(yōu)化來(lái)提升系統(tǒng)性能。 并且對(duì)上通過(guò)Unified API統(tǒng)一用戶的批、流接口，實(shí)現(xiàn)二者在編程范式上的統(tǒng)一表達(dá)。對(duì)于批流混合的計(jì)算，融合架構(gòu)系統(tǒng)的查詢延遲比Flink 1.4.2能減少57%，吞吐量平均可以提升到6.72倍。 高時(shí)效 FAST系統(tǒng)的第二個(gè)亮點(diǎn)是高時(shí)效，即縮短大數(shù)據(jù)分析的時(shí)間消耗，  提高效率。由于大數(shù)據(jù)分析平臺(tái)是一個(gè)非常復(fù)雜的系統(tǒng)，為了做到高時(shí)效，系統(tǒng)不能存在性能短板，因此需要對(duì)大數(shù)據(jù)分析的整個(gè)過(guò)程進(jìn)行端到端的全棧時(shí)效優(yōu)化。如圖中所示，自下而上，需要在多模態(tài)存儲(chǔ)、批流融合、機(jī)器學(xué)習(xí)、人工操作各層都進(jìn)行優(yōu)化。 對(duì)于多模態(tài)存儲(chǔ)，面向應(yīng)用負(fù)載和異構(gòu)硬件特征進(jìn)行自適應(yīng)優(yōu)化； 對(duì)于批流融合計(jì)算，在統(tǒng)一表達(dá)基礎(chǔ)上，進(jìn)行系列融合優(yōu)化技術(shù)， 包括DAG優(yōu)化、迭代優(yōu)化、部署優(yōu)化、操作符優(yōu)化等； 在機(jī)器學(xué)習(xí)層面，進(jìn)行模型優(yōu)化、消息優(yōu)化、梯度優(yōu)化、概率優(yōu)化 等來(lái)提高時(shí)效； 而且我們也考慮到大數(shù)據(jù)分析過(guò)程中用戶人工操作的時(shí)效性問(wèn)題，  通過(guò)智能地進(jìn)行大數(shù)據(jù)分析方法和模型的推薦，來(lái)縮減人工操作的  時(shí)間。 可擴(kuò)展 FAST系統(tǒng)的第三個(gè)亮點(diǎn)是可擴(kuò)展，由于大數(shù)據(jù)應(yīng)用規(guī)模很大，數(shù)據(jù)增速快，對(duì)系統(tǒng)可擴(kuò)展性的要求非常高，為此我們?cè)谙到y(tǒng)的資源層、  存儲(chǔ)層和計(jì)算層進(jìn)行了全面的擴(kuò)展性優(yōu)化。 在資源層，系統(tǒng)都部署在云計(jì)算的虛擬化資源之上，利用了云計(jì)算資源的彈性機(jī)制進(jìn)行系統(tǒng)擴(kuò)展。并在系統(tǒng)中實(shí)現(xiàn)了可伸縮調(diào)整模塊，  能實(shí)時(shí)監(jiān)控軟硬件系統(tǒng)的狀態(tài)，按照應(yīng)用需求來(lái)自適應(yīng)地進(jìn)行彈性伸縮。 在存儲(chǔ)層，分布式存儲(chǔ)系統(tǒng)擴(kuò)展性的關(guān)鍵在于分布式共識(shí)和一致性 協(xié)議（Raft），因此提出了KV-Raft、vRaft等進(jìn)行Raft的擴(kuò)展優(yōu)化。 在計(jì)算層，我們擴(kuò)展了機(jī)器學(xué)習(xí)模型的參數(shù)規(guī)模，使系統(tǒng)可以支持  到百億級(jí)別的超大規(guī)模機(jī)器學(xué)習(xí)模型訓(xùn)練，并且性能方面有明顯提  升。 亮點(diǎn)成果： 融合架構(gòu)大數(shù)據(jù)分析平臺(tái)目前已經(jīng)在阿里巴巴雙十一進(jìn)行示范應(yīng)用。  從2020年11月10日至11月16日一周的時(shí)間，在阿里的生產(chǎn)環(huán)境中，研發(fā) 的系統(tǒng)一直連續(xù)穩(wěn)定運(yùn)行，基于淘寶和天貓的實(shí)際用戶信息進(jìn)行大數(shù)據(jù) 分析，綜合運(yùn)用了本系統(tǒng)的存儲(chǔ)、計(jì)算、機(jī)器學(xué)習(xí)等多個(gè)模塊的能力， 累計(jì)進(jìn)行了184億件商品推薦。 同時(shí)在雙十一期間，基于智能交互向?qū)Ъ夹g(shù)，也面向電子商務(wù)應(yīng)用  的賣家提供了“生意參謀”應(yīng)用，基于大數(shù)據(jù)分析，幫助賣家分析產(chǎn)品  銷量變化的原因，以及促銷的有效手段等。