欢迎光临
我们一直在努力
        找回密码

人工智能和大数据

第19页

如何解决容器化训练环境中的GPU驱动版本兼容性问题？

andy阅读(105)评论(0)

概述：AI训练中的“驱动黑洞” 在容器化（如Docker或Kubernetes）的AI训练环境中，GPU驱动版本的兼容性是一个常见的痛点。许多用户错误地认为只要在容器内安装了正确的CUDA运行时库，问题就解决了。然而，GPU的核心驱动是运行...

neo4j的几个端口7474、7473、7687都是做什么用的

andy阅读(159)评论(0)

在构建知识图谱（Knowledge Graph）或图特征存储（Graph Feature Store）时，Neo4j是核心组件。理解其服务端口对于安全部署和高效连接至关重要。Neo4j默认开放了几个关键端口，它们各自承担着不同的职责，确保了...

如何基于开源知识图谱freebase建设大模型幻觉检测能力

andy阅读(135)评论(0)

大型语言模型（LLM）的“幻觉”（Hallucination）问题是其投入生产环境的最大障碍之一。幻觉指的是模型生成了听起来合理但在事实层面上错误的信息。解决这一问题的最可靠方法是引入外部真值源——知识图谱（KG）。 Freebase，尽管...

如何利用cAdvisor/Node-Exporter监控Docker容器的GPU使用率？

andy阅读(140)评论(0)

在AI模型部署和推理服务中，精确监控GPU资源利用率是基础设施优化的关键。传统的容器监控工具如cAdvisor和Node-Exporter虽然在CPU、内存、网络I/O方面表现出色，但对于细粒度的、容器级别的GPU使用率监控却显得力不从心。...

基于presidio-anonymizer开发大模型隐私检测工具

andy阅读(186)评论(0)

简介：大模型时代下的隐私挑战 随着大型语言模型（LLM）的广泛应用，模型输出中意外泄露敏感个人信息（PII，Personally Identifiable Information）的风险日益增加。这可能是由于训练数据泄露、模型幻觉、或用户在...

如何用helm安装neo4j

andy阅读(117)评论(0)

Neo4j作为领先的图数据库，在AI领域尤其在知识图谱、RAG（Retrieval-Augmented Generation）和复杂推荐系统中扮演着核心角色。为了在生产环境中稳定、高效地运行Neo4j，我们通常需要将其部署到Kubernet...