1 国家人工智能产业综合标准化体系建设指南 （2024版） 为深入贯彻落实党中央、国务院关于加快发展人工智能 的部署要求，贯彻落实《国家标准化发展纲要》《全球人工 智能治理倡议》，进一步加强人工智能标准化工作系统谋划， 加快构建满足人工智能产业高质量发展和“人工智能+”高水 平赋能需求的标准体系，夯实标准对推动技术进步、促进企 业发展、引领产业升级、保障产业安全的支撑作用，更好推 坚持创新驱动。优化产业科技创新与标准化联动机制， 加快人工智能领域关键共性技术研究，推动先进适用的科技 创新成果高效转化成标准。 坚持应用牵引。坚持企业主体、市场导向，面向行业应 用需求，强化创新成果迭代和应用场景构建，协同推进人工 3 智能与重点行业融合应用。 坚持产业协同。加强人工智能全产业链标准化工作协 同，加强跨行业、跨领域标准化技术组织的协作，打造大中 小企业融通发展的标准化模式。 坚持 坚持开放合作。深化国际标准化交流与合作，鼓励我国 企事业单位积极参与国际标准化活动，携手全球产业链上下 游企业共同制定国际标准。 三、建设思路 （一）人工智能标准体系结构 人工智能标准体系结构包括基础共性、基础支撑、关键 技术、智能产品与服务、赋能新型工业化、行业应用、安全 /治理等 7 个部分，如图 1 所示。其中，基础共性标准是人 工智能的基础性、框架性、总体性标准。基础支撑标准主要

Management • 把自己关在小黑 屋里面，自己就 可以自助的从API 使用角度定义、 驱动研发、发布 或者实施与自己 APP的集成。 • API作为产品，可 以给订阅、可以 被交易。 标准化能力-微服务PAAS-从监控到可观测-研发人员的第五感-1 知道 知道的 不知道 不知道的 主动性 被动性 监控 可观察 健康检查 告警 指标 日志 追踪 问题和根因 预警 监控&稳定性 分析&追踪&排错&探索 微服务部署后就像个黑盒子，如何发现问题并在 远端运维是主要的课题，那么就需要从宏观告知 研发人员，并且提供日志、跟踪、问题根因分析 等工具进一步从微观帮助研发人员定位和解决问 题，这是这里在业务上的价值-稳定性赋能。 标准化能力-微服务PAAS-从监控到可观测-研发人员的第五感-2 可观察性是云原生特别关注的运维支撑能力，因为它的主动性，正符合云原生对碎片变化的稳定性保障的思想 数据的全面采集 数据的关联分析 统一监控视图与展现 付环境中是不同的，而传统交付方式 缺乏脚本能“理解”的方式来表达这些 差异，此外由于事后更新OS、三方库 或者系统，这些变更又缺乏校验关系， 升级时很难给予企业信心，这种交付 方式很难被自动化。 标准化能力-微服务PAAS-OAM-万花筒PAAS-1-引子 客户环境交付 制品 • 云应用交付最难的还不是RT的 碎片化，最难的是环境依赖的 碎片化，比如，硬件环境、网 络环境、运维规范等的碎片化。

，不适合逻辑回归模型等其他模型。 19 数据归一化/标准化 ?1 ?2 梯度 ?1 ?2 梯度 为什么要标准化/归一化？ 提升模型精度：不同维度之间的 特征在数值上有一定比较性，可 以大大提高分类器的准确性。 加速模型收敛：最优解的寻优过 程明显会变得平缓，更容易正确 的收敛到最优解。 20 数据归一化/标准化 归一化（最大 - 最小规范化） ?∗ = ? − ?min 1]区间 Z-Score标准化 ?∗ = ? − ? ? ?2 = 1 ? ෍ ?=1 ? (? ? −?)2 ? = 1 ? ෍ ?=1 ? ? ? 处理后的数据均值为0，方差为1 数据归一化的目的是使得各特征对 目标变量的影响一致，会将特征数 据进行伸缩变化，所以数据归一化 是会改变特征数据分布的。 数据标准化为了不同特征之间具备 可比性，经过标准化变换之后的特 征数据分布没有发生改变。 征数据分布没有发生改变。 就是当数据特征取值范围或单位差异 较大时，最好是做一下标准化处理。 21 数据归一化/标准化 需要做数据归一化/标准化 线性模型，如基于距离度量的模型包括KNN(K近邻)、K-means聚类、 感知机和SVM。另外，线性回归类的几个模型一般情况下也是需要做数 据归一化/标准化处理的。 不需要做数据归一化/标准化 决策树、基于决策树的Boosting和Bagging等集成学习模型对于特征取

实人认证: 卡证识别 + 人脸检测 + 活体检测 + 人脸 识别 … 模型构建: 问题: ✗ 方案复杂周期长/见效慢 ✗ 细节多难免踩坑 解决方案: 标准化  标准化模型库  标准化解决方案 1.方案复杂 图像 搜索 推荐 语音 视频理解 NLP 广告 CNN RNN GNN MLP Tensorflow PyTorch Parameter Server Components Framework EasyVision EasyRec GraphLearn EasyTransfer 标准化: Standard Libraries and Solutions 标准化: Standard Libraries EasyRec: 推荐算法库 标准化: Standard Libraries ImageInput Data Aug VideoInput Resnet 分布式存储  分布式查询 功能完备:  GSL/负采样  主流图算法  异构图 (user/item/attribute)  动态图 标准化: Standard Libraries Graph-Learn: 分布式图算法库 标准化: Standard Solutions Continuous Optimization: Active learning Data Label

云原生赋能平台 标准化能力-分布式操作系统核心-容器服务 向上提供抽象化自愈IT运营视角 高效稳定应用资源供给 价值主张 架构 云原生底座=控制器+调度器的组合+Docker=根据环境的变化而动+基于封装 一致性的大规模分发 服务编排基本原理： • 以度量为基础，以NodeSelector算法来 决定在哪儿部署容器服务 • 运行时以期望与实际的差别进行动态调 整到期望的状态 标准化能力-分布式操作系统核心-容器服务-基本技术原理 拟机、物理，多云）的中间抽 象层，因为应用很复杂，很容 易陷入差异化定制市场，抽象 层的市场范围会更广，作为开 源平台，更容易成为通用性市 场选择。通用性才能做到普适 定制化能力，才能成为云原生 的操作系统。 标准化能力-分布式操作系统核心-容器服务-Operator API Server Kubectl Controller Pod,Deploymen t,etc. API Server Kubectl (K8s Yaml) Custom Resource Spec (K8S yaml) 通过拓展实现自定义控制器来实现对非标准资源的纳 管，比如数据库的自动拓展能力或者自动化数据同步 能力等等。 标准化能力-分布式操作系统核心-容器服务-新发展 由于历史遗留或者软件形态所限制，不可能所有的软件都可以被微服务化或被容器化，那么现在阶段来看，整个 数字化转型的一些困难就是处于在技术上的碎片化，为云原生

912 美团外卖搜索基于 Elasticsearch 的优化实践 933 美团图灵机器学习平台性能起飞的秘密（一） 953 提升资源利用率与保障服务质量，鱼与熊掌不可兼得？ 971 标准化思想及组装式架构在后端 BFF 中的实践 992 外卖广告大规模深度学习模型工程实践 | 美团外卖广告工程实践专题连载 1013 数据库全量 SQL 分析与审计系统性能优化之旅 1048 单张图像中的菜品识别更有挑战，需要应对数据的跨域问题。 2.1.7 菜品图像识别能力向视频领域的迁移 抽象出关键问题后，我们来分别应对。首先在细粒度识别问题上，菜品的视觉相似性 度量挑战在于不同食材的特征及位置关系没有标准化的定义，同一道菜不同的师傅很 可能做出两种完全不同的样子。这就需要模型既能够聚焦局部细粒度特征，又能够融 合全局信息进行判别。为了解决这个问题，我们提出了一种堆叠式全局 - 局部注意力 网络， 更低的生产成本，借助一些端能力和配置能力，通过简易的交互，就可以让产 品与运营同学独立上线剧本。“零代码”与“技术栈无关” 作为项目的核心竞争 462 > 2022年美团技术年货 力。我们提供标准化的框架，并通过一些参数与类型的调配来应对不同的需求 场景，在大框架中提供有限的定制能力。 ● 更高的应用效果，相比于传统的功能引导，剧本式引导可以更加生动，能够融 合更多元素（不僵硬的语音、恰逢时机的动效、和蔼的

ROC和PR曲线 14 01 数据集划分 02 评价指标 3.正则化、偏差和方差 03 正则化、偏差和方差 15 ?1 ?2 梯度 ?1 ?2 梯度 为什么要标准化/归一化？ 提升模型精度：不同维度之间的 特征在数值上有一定比较性，可 以大大提高分类器的准确性。 加速模型收敛：最优解的寻优过 程明显会变得平缓，更容易正确 的收敛到最优解。 3.正则化、偏差和方差 1]区间 Z-Score标准化 ?∗ = ? − ? ? ?2 = 1 ? ෍ ?=1 ? (? ? −?)2 ? = 1 ? ෍ ?=1 ? ? ? 处理后的数据均值为0，方差为1 数据归一化的目的是使得各特征对 目标变量的影响一致，会将特征数 据进行伸缩变化，所以数据归一化 是会改变特征数据分布的。 数据标准化为了不同特征之间具备 可比性，经过标准化变换之后的特 征数据分布没有发生改变。 征数据分布没有发生改变。 就是当数据特征取值范围或单位差异 较大时，最好是做一下标准化处理。 3.正则化、偏差和方差 18 需要做数据归一化/标准化 线性模型，如基于距离度量的模型包括KNN(K近邻)、K-means聚类、 感知机和SVM、神经网络。另外，线性回归类的几个模型一般情况下也 是需要做数据归一化/标准化处理的。 不需要做数据归一化/标准化 决策树、基于决策树的Boosting和Bagging等集成学习模型对于特征取

标准化能力-承载无忧-E2E云原生纵深安全保障DevSecOps-1 Applications Data Runtime Middleware OS Virtualization Servers Storage NetWorking PaaS 硬件与虚拟化厂商提供，如果是HCI架构， 作为总体集成方，会降低安全集成成本 可信计算环境：OS安全、TPM加密、TEE可信环境 价值，需要立体纵深式的安全保障。 由于云原生DevOps环境追求效率以及运行态的动态治理能力，导致传统安全实施方法、角色、流程、技术 都发生了很多变化，适应这些变化是落地云原生安全的关键！ 标准化能力-承载无忧-E2E云原生纵深安全保障-2-商业价值 腾讯安全战略研究部联合腾讯安全联合实验室近日共同发布《产业互联网安全十大趋势(2021)》(下简称《趋势》)，基于2020年的产业实践和行业风向， 节 堵 塞 影 响 全 局 D e v O p s 效 率 。 依 赖 于 人 员 个 人 经 验 来 先 验 的 进 行 实 施 ， 而 很 多 入 侵 风 险 是 不 可 预 知 的 ！ 标准化能力-承载无忧-E2E云原生纵深安全保障-3-与传统安全方案的差 异 安全问题左移一个研发阶段，修复成本就将 提升十倍，所以将安全自动化检查和问题发 现从运行态左移到研发态，将大大提高效率 和降低成本

在可⽤的空间内适应曲线。 此外，还可以使⽤滚动条平移和缩放视图。 标题栏 视图控制 视图控制。 规格化 规格化曲线，使最⼤和最⼩点分别等于1.0和-1.0。 ⾃动 ⾃动重新计算每条曲线编辑的曲线标准化。这对于防⽌曲线在调整后跳 跃很有⽤。 仅显⽰已选定(⿏标光标图标) 只包含与所选物体和数据相关的曲线。 显⽰隐藏(虚线图标) 包含来⾃不可见的物体/⾻骼的曲线。 仅显⽰错误(警告三⾓图标) 顶点权重⾯板。 规格化 将活动顶点的权重标准化。重新计算活动顶点的全部权重，维持其相对权 重，并且保证权重总和为1.0。 复制 将活动顶点已定义的所有权重值复制给所有被选中的顶点。这样，所有之 前定义的权重值将被覆盖。 Tip 编辑操作同样受过滤限制 注意：这两个⼯具都只能作⽤于当前权重表显⽰的顶点组。因此，⽐如，⽬ 前显⽰的是 形变权重 ，那么标准化和复制操作只会影响形变⾻骼。 锁定 顶点权重⾯板。 ⽆论何时，当锁定⼀个权重组时，所有数据修改⼯具都将失效: 标准化顶点权重。 复制顶点权重。 修改活动顶点权重。 复制到选中的顶点。 Tip 编辑操作同样受过滤限制 ⽐如，如果所有的形变权重组处于解锁状态，⽽其他全部顶点组被锁定，, 那么就可以放⼼⼤胆地在过滤器选择 形变 过滤 ，并使⽤权重表中的所有相 关⼯具。 ⾃定义数据 雕刻遮罩 清除雕刻遮罩数据 移除雕刻遮罩数据层

5.9.6 ReLU[source] . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111 5.10 标准化层 Normalization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112 5.10.1 BatchNormalization 之间的点 积。 参数 关于 KERAS 网络层 106 • axes: 整数或者整数元组，一个或者几个进行点积的轴。 • normalize: 是否在点积之前对即将进行点积的轴进行 L2 标准化。如果设置成 True，那么 输出两个样本之间的余弦相似值。 • __**kwargs__: 层关键字参数。 5.8.8 add keras.layers.add(inputs) Add 层的函数式接口。 inputs: 一个列表的输入张量（列表大小至少为 2）。 • axes: 整数或者整数元组，一个或者几个进行点积的轴。 • normalize: 是否在点积之前对即将进行点积的轴进行 L2 标准化。如果设置成 True，那么 输出两个样本之间的余弦相似值。 • __**kwargs__: 层的关键字参数。 返回 一个张量，所有输入张量样本之间的点积。 关于 KERAS 网络层 109