第299章 拿奖拿到手软
虽然不想一直依靠着搬运来过活。
但现在一个很悲催的事实就是哪怕只是“搬运”这项很枯燥的工作。
也不是那么容易能做的。
搬运真要那么容易。
某些擅长搬运+剽窃的企业岂不是早就跻身互联网一极了？
对于林灰来说，纵然两个时空的差异让林灰在技术方面拥有很多信息差。
搬运同样很有难度。
但很多技术也不是说搬就能搬的。
技术搬运什么的并不是越强越好。
适合的才是最好的。
而“适合”的东西可不是那么容易就找得到。
像当初林灰为了获得苹果设计大奖就没少废脑细胞。
按说往后几年获得苹/果设计大奖的应用，林灰都知道。
既然知道，直接搬运出来不就很容易么？
但事实上搬运很麻烦，很多时候即便是有些软件搬运难度很小。
也不是说搬运就能搬运的。
比如说Things3这个应用。
Things3是一款效率软件，可以规划一天行程、管理项目，并使使用者按部就班地朝目标迈进。
虽然在前世2017年时该应用获得了苹/果设计大奖。
但搬运到这款软件到这个时空却未必能获得苹/果设计大奖。
前世这个应用能获得苹/果设计大奖很大程度是因为该应用很好的适配苹/果的生态环境，能够在包括苹果手机、iMac、苹/果手表等多个平台应用。
但现在苹/果现在自身的生态环境也不尽完善。
毕竟在苹/果体系中很重要的一环苹/果手表要面世的话最起码还得几个月的时间。
因此纵然Things3这款软件实现起来不算复杂且这个时空里没有同款应用。
贸然将其搬运过来很大程度上也会无功而返。
至少想完美复现前世该软件的地位有难度。
毕竟苹果自身的生态链条就有确实的部分。
由此观之，搬运，不光要考虑应用/技术自身。
还得考虑技术是否有相应的硬件支持。
除了硬件支持以外。
虽然不一定要完美符合所有硬件支持。
但也要尽可能的去控制变量。
而两个时空之间控制变量可不是那么容易。
仅就硬件层面来看，搬运就不是一件容易事情。
何况除了硬件方面，很多东西还要考虑很多因素。
这些其余因素里首当其冲的是法律因素。
钱虽然不是万能的，但以林灰现在的财富，在国内只要林灰不碰红线的话基本上可以活得很滋润。
这两条红线一条是政/治，另一条红线就是法律。
搬运的技术要考虑时代的法律环境。
以数据挖掘这方面的技术来说。
在前世往后几年的话，涉及到数据安全以及商业化利用的一应事宜已经完成程序化、规范化。
届时涉及到数据的利用以及数据安全方面都有明确的法律法规进行规范。
但现在么，涉及到数据安全以及数据利用这方面几乎是没啥明确的法律。
甚至于关于数据的定义林灰印象中还是在前世2021年《数据安全法》中才正式给出的。
涉及到数据的商业化利用现在完全是属于游走于灰色地带。
这种情况下林灰想涉足数据挖掘还是很困难的。
当然除了上述因素来说。
“搬运”最直接的挑战就来自于技术方面的难度。
以前不久林灰所心心念念的标注数据和暗数据来说。
这类东西虽然拥有很大的直接价值以及附带价值。
但林灰想进行搬运也很困难。
纯粹技术角度来说，就有很多麻烦。
林灰清楚很多常用数据挖掘手段。
但似乎现在复刻下来都很困难。
就拿前世挖掘数据比较常用的基于AI和云计算的大数据挖掘方法。
从名字上看这种很烂大街的数据挖掘方式就用到了前世最热门的计算机/互联网领域的三个概念。
——人工智能、大数据、云计算。
也确实如此，这种基于AI和云计算的大数据挖掘数据的方式跟以上三者息息相关。
按照这种方法进行数据挖掘。
首先要应用到与多个在线服务终端有通信连接的云端服务中心。
在利用这种方法进行数据挖掘的时候还要获取针对在线云计算项目的大数据决策信息当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息。
在具体进行数据挖掘的时候，还要提前配置人工智能模型。
至于为什么要配置人工智能模型？
因为只有配置了人工只能模型，根据预先配置的人工智能模型才能实现对所述挖掘评价指标信息进行指标分类。
如此才能更容易的获得指标分类结果。
搞到指标分类结果还不算完。
在此基础上还要进一步将指标分类结果搞成多个指标分类集。
再从指标分类所分成的多个指标分类集分别提取对应的指标分类挖掘特征。
如此才能实现高效而精准的挖掘。
未来如果想要实现高效的大数据作业效率。
在数据挖掘的过程中指标分类挖掘特征除了用于来提供一定的量化数据之外。
还要用于表示所述指标分类集所对应的聚类主题簇所对应的聚类主题特征。
而这又需要根据提取的指标分类挖掘特征确定各个指标分类集之间的挖掘服务模式。
并在此基础之上根据确定出各个指标分类集之间的挖掘服务模式。
这还不算，再之后还要构建对应的挖掘服务拓扑图谱。
根据构建的所述挖掘服务拓扑图谱。
如此才能分别确定各个指标分类集所对应的大数据挖掘流程。
确定各个指标分类集所对应的大数据挖掘流程之后。
根据各个指标分类集所对应的大数据挖掘流程以及所述多个指标分类集之间的具有主题类别标识的主题实体关系。
方可以执行所述指标分类结果中各个指标分类集对应的大数据挖掘进程。
林灰上面的步骤已经是相当之概略了。
实际上根据确定出各个指标分类集之间的挖掘服务模式构建对应的挖掘服务拓扑图谱的步骤时远不止于几句话所描述的得这么简单。
实际上在涉及：
如何确定出各个指标分类集之间的挖掘服务模式？
如何将同一类挖掘服务模式所覆盖的各个目标指标分类集划分为一个挖掘服务分布图谱？
如何根据每一个挖掘服务分布图谱内的分布热力图将分布热力图匹配预设热力特征的挖掘服务分布图谱的分布范围缩小并将分布热力图小于预设数量阈值的挖掘服务分布图谱的分布范围扩大得到调整后的各挖掘服务分布图谱？
这些问题都不是那么容易能一蹴而就的。
很多“搬运”就是这样。
尽管林灰很多事情都心中了然。
但正所谓知易行难，实际上执行起来就是很麻烦。
很多看似很容易的技术想要按部就班的落地并执行要废很多的周折。
在这种重重周折的情况下。
“搬运”虽然听起来很low，但对于这些东西充分利用还是很有难度的。
尽管林灰手中的是有限的信息差，但要林灰充分利用并搬运完的话也要积年累月。
反正林灰是觉得能将前世林灰所知晓的信息搬运的差不多的话。
届时林灰本身的能力应该也可以碾压大概99.9%现下时空的“土着”人了。
这种情况下虽然长久来看林灰是要走出不同的路的。
但对于当下的林灰来说，此时走好脚下的路就足够了。
至于不同的路么，慢慢拔高自身的高度。
登高者望远，以后会自然而然找到不同的路的。
但现在一个很悲催的事实就是哪怕只是“搬运”这项很枯燥的工作。
也不是那么容易能做的。
搬运真要那么容易。
某些擅长搬运+剽窃的企业岂不是早就跻身互联网一极了？
对于林灰来说，纵然两个时空的差异让林灰在技术方面拥有很多信息差。
搬运同样很有难度。
但很多技术也不是说搬就能搬的。
技术搬运什么的并不是越强越好。
适合的才是最好的。
而“适合”的东西可不是那么容易就找得到。
像当初林灰为了获得苹果设计大奖就没少废脑细胞。
按说往后几年获得苹/果设计大奖的应用，林灰都知道。
既然知道，直接搬运出来不就很容易么？
但事实上搬运很麻烦，很多时候即便是有些软件搬运难度很小。
也不是说搬运就能搬运的。
比如说Things3这个应用。
Things3是一款效率软件，可以规划一天行程、管理项目，并使使用者按部就班地朝目标迈进。
虽然在前世2017年时该应用获得了苹/果设计大奖。
但搬运到这款软件到这个时空却未必能获得苹/果设计大奖。
前世这个应用能获得苹/果设计大奖很大程度是因为该应用很好的适配苹/果的生态环境，能够在包括苹果手机、iMac、苹/果手表等多个平台应用。
但现在苹/果现在自身的生态环境也不尽完善。
毕竟在苹/果体系中很重要的一环苹/果手表要面世的话最起码还得几个月的时间。
因此纵然Things3这款软件实现起来不算复杂且这个时空里没有同款应用。
贸然将其搬运过来很大程度上也会无功而返。
至少想完美复现前世该软件的地位有难度。
毕竟苹果自身的生态链条就有确实的部分。
由此观之，搬运，不光要考虑应用/技术自身。
还得考虑技术是否有相应的硬件支持。
除了硬件支持以外。
虽然不一定要完美符合所有硬件支持。
但也要尽可能的去控制变量。
而两个时空之间控制变量可不是那么容易。
仅就硬件层面来看，搬运就不是一件容易事情。
何况除了硬件方面，很多东西还要考虑很多因素。
这些其余因素里首当其冲的是法律因素。
钱虽然不是万能的，但以林灰现在的财富，在国内只要林灰不碰红线的话基本上可以活得很滋润。
这两条红线一条是政/治，另一条红线就是法律。
搬运的技术要考虑时代的法律环境。
以数据挖掘这方面的技术来说。
在前世往后几年的话，涉及到数据安全以及商业化利用的一应事宜已经完成程序化、规范化。
届时涉及到数据的利用以及数据安全方面都有明确的法律法规进行规范。
但现在么，涉及到数据安全以及数据利用这方面几乎是没啥明确的法律。
甚至于关于数据的定义林灰印象中还是在前世2021年《数据安全法》中才正式给出的。
涉及到数据的商业化利用现在完全是属于游走于灰色地带。
这种情况下林灰想涉足数据挖掘还是很困难的。
当然除了上述因素来说。
“搬运”最直接的挑战就来自于技术方面的难度。
以前不久林灰所心心念念的标注数据和暗数据来说。
这类东西虽然拥有很大的直接价值以及附带价值。
但林灰想进行搬运也很困难。
纯粹技术角度来说，就有很多麻烦。
林灰清楚很多常用数据挖掘手段。
但似乎现在复刻下来都很困难。
就拿前世挖掘数据比较常用的基于AI和云计算的大数据挖掘方法。
从名字上看这种很烂大街的数据挖掘方式就用到了前世最热门的计算机/互联网领域的三个概念。
——人工智能、大数据、云计算。
也确实如此，这种基于AI和云计算的大数据挖掘数据的方式跟以上三者息息相关。
按照这种方法进行数据挖掘。
首先要应用到与多个在线服务终端有通信连接的云端服务中心。
在利用这种方法进行数据挖掘的时候还要获取针对在线云计算项目的大数据决策信息当前所能执行的大数据服务控件所对应的大数据挖掘业务的挖掘评价指标信息。
在具体进行数据挖掘的时候，还要提前配置人工智能模型。
至于为什么要配置人工智能模型？
因为只有配置了人工只能模型，根据预先配置的人工智能模型才能实现对所述挖掘评价指标信息进行指标分类。
如此才能更容易的获得指标分类结果。
搞到指标分类结果还不算完。
在此基础上还要进一步将指标分类结果搞成多个指标分类集。
再从指标分类所分成的多个指标分类集分别提取对应的指标分类挖掘特征。
如此才能实现高效而精准的挖掘。
未来如果想要实现高效的大数据作业效率。
在数据挖掘的过程中指标分类挖掘特征除了用于来提供一定的量化数据之外。
还要用于表示所述指标分类集所对应的聚类主题簇所对应的聚类主题特征。
而这又需要根据提取的指标分类挖掘特征确定各个指标分类集之间的挖掘服务模式。
并在此基础之上根据确定出各个指标分类集之间的挖掘服务模式。
这还不算，再之后还要构建对应的挖掘服务拓扑图谱。
根据构建的所述挖掘服务拓扑图谱。
如此才能分别确定各个指标分类集所对应的大数据挖掘流程。
确定各个指标分类集所对应的大数据挖掘流程之后。
根据各个指标分类集所对应的大数据挖掘流程以及所述多个指标分类集之间的具有主题类别标识的主题实体关系。
方可以执行所述指标分类结果中各个指标分类集对应的大数据挖掘进程。
林灰上面的步骤已经是相当之概略了。
实际上根据确定出各个指标分类集之间的挖掘服务模式构建对应的挖掘服务拓扑图谱的步骤时远不止于几句话所描述的得这么简单。
实际上在涉及：
如何确定出各个指标分类集之间的挖掘服务模式？
如何将同一类挖掘服务模式所覆盖的各个目标指标分类集划分为一个挖掘服务分布图谱？
如何根据每一个挖掘服务分布图谱内的分布热力图将分布热力图匹配预设热力特征的挖掘服务分布图谱的分布范围缩小并将分布热力图小于预设数量阈值的挖掘服务分布图谱的分布范围扩大得到调整后的各挖掘服务分布图谱？
这些问题都不是那么容易能一蹴而就的。
很多“搬运”就是这样。
尽管林灰很多事情都心中了然。
但正所谓知易行难，实际上执行起来就是很麻烦。
很多看似很容易的技术想要按部就班的落地并执行要废很多的周折。
在这种重重周折的情况下。
“搬运”虽然听起来很low，但对于这些东西充分利用还是很有难度的。
尽管林灰手中的是有限的信息差，但要林灰充分利用并搬运完的话也要积年累月。
反正林灰是觉得能将前世林灰所知晓的信息搬运的差不多的话。
届时林灰本身的能力应该也可以碾压大概99.9%现下时空的“土着”人了。
这种情况下虽然长久来看林灰是要走出不同的路的。
但对于当下的林灰来说，此时走好脚下的路就足够了。
至于不同的路么，慢慢拔高自身的高度。
登高者望远，以后会自然而然找到不同的路的。
温馨提示：按 回车[Enter]键 返回书目，按 ←键 返回上一页， 按 →键 进入下一页，加入书签方便您下次继续阅读。