返回首页
最新
我在寻找反馈。我制作了一个早期版本的iOS偏头痛追踪器，这是因为我需要记录偏头痛，但不喜欢现有的任何应用程序。我想要一个更简单的工具。
目前它仅在欧洲地区可用。
链接：https://apps.apple.com/us/app/migraineme/id6755067713
一个问题。一个答案。一个电子邮件字段。
Arka（arka.so）是一款人工智能分析工具，可以从任何（结构化或非结构化）数据源中获取洞察和图表。我之所以开发它，是因为在我上一份工作中，我对编写SQL查询和创建Metabase图表感到厌倦。
我非常希望能得到关于我们产品的一些反馈：
- 登陆页面/网站的体验如何？
- 这款工具能为您解锁哪些使用场景？
我们在后台有一些很棒的技术，并且已经有了一些初步客户，但我非常希望能够向产品主导增长（PLG）方向扩展，让用户能够快速注册并获取数据洞察。
期待您给出直言不讳的反馈！
我搭建了一个小型工作空间的照明系统，使用了LED灯带，结果学到了比预期更多的东西。理论上这很简单：把灯带粘贴在某个地方，加上扩散器，就完成了。然而在实践中，真正重要的并不是规格表，而是电源供应、光学效果和人类感知。
以下是一些让我感到惊讶的几点：
电源规划 > “只需买个更大的电源。” 长距离的电缆像分布式负载。电压下降会导致亮度不均匀，而在RGB/RGBW灯带上，这种现象可能表现为颜色偏移（“白色”在远端会变得更暖）。解决方案不仅仅是增加功率，还包括电源供给的位置、线缆规格和连接器损耗。
扩散并非只是外观问题。没有足够的距离或扩散效果，你会得到热点和眩光。一个便宜的乳白色扩散器放在铝制通道中可以解决大部分问题，但最有效的办法是增加LED与扩散器之间的距离（通道的深度），而不是追求“高档”扩散器。
间接光源比直接光源更舒适。将光线反射到墙面或桌面上，在纸面上看起来更暗，但使用起来感觉更好，且不那么疲劳。这也掩盖了LED是点光源的事实。
信号完整性是一个独立的问题（针对可寻址灯带）。很多“闪烁”实际上是数据/接地/参考问题，而不是电源问题。短的数据线、稳固的接地，有时进行电平转换，比更换电源更有效。
对于那些进行过较大安装（10-50米）或更“专业”设置的人，我有几个问题：
你是先设计电源供应还是先设计物理布局？
有没有喜欢的扩散器/通道配置，能在不大幅降低输出的情况下最小化热点？
对于长距离可寻址灯带，你的信号调理（缓冲器、差分等）策略是什么？
我见过的每个运行多个机器学习模型的地方，最终都会形成一堆定制的推理服务：不同的API、不同的身份验证、不同的日志记录、半成品的仪表板，以及将这一切联系在一起的部落知识。
我正在构建一个小型的副项目，试图标准化推理部分——在异构模型（本地、托管云、不同团队）前面设置一个单一的网关，处理推理API、版本控制/回滚、身份验证、基本指标和健康检查。不涉及训练、不涉及自动机器学习，也不是“端到端的MLOps平台”。
在我投入更多时间之前，我想弄清楚这是否是：
一个人们默默用内部解决方案掩盖的真实缺口，还是
听起来有用但在现实约束下崩溃的东西。
对于那些实际上在生产环境中运行机器学习的人：
你们是否已经有了这样的内部推理层？
推理通常在哪些地方出错（部署、版本控制、调试、合规）？
在什么规模下，抽象就不再值得？
我并没有宣布任何事情——我真心好奇这是否引起共鸣，还是我只是重新发现了为什么每个人都选择自己实现。