在线提问累计解决68456个问题

而设备的抉择可以用一个简化的邏辑（即前文提到的问题本身的描述）来处理。一方面总系统要告诉这个具体的设备说“我已经给你选择了一个**的物料，它在你的无序池中的ID是多少它的紧急度有多少”；而另一方面，由于所处商圈和具体场景中的职能的不同每个设备都有不同的积极性，这个积极性决定了它对于总系统交予的任务的响应积极度也就是每个设备的“插入阈值”。

各项目对接需要第三方支付通道平台接口的

请发duan信內容“支付” 到 ⒈⒏⒈⒉⒐⒌⒍⒋⒎O⒋  这个hao码给我

我会给你线上联xi方式，不要打dian话！因为特殊性谢谢和作。

与插入阈值协同作业的还有具体一个设备的“AI敏感度”这个敏感度决定了AI因素对于一个物料在总系统调度时紧急度运算的参与程度，也就是AI对于调度系统的影响力——因为AI不是**的尤其是当我们处于系统上线的前期。

也正因为很多参数类的东西并不是可以一开始就能规划**的所以我在系统文档中预留了很多的“全局参数”和“实例化参数”，并在后台页面中统一呈现出来供运营人员集中管理

一个具体的推送类的物料，它对于一个具体设备的紧急度与三个因素有关

• 其一是这个物料本身的推送配额、速率和具体要求，例如某个广告的需求是全网推送5000次每日的速率仩限是500次，其中次数的定义为“驻足次数”即行人停留在电视机前N秒才符合“1次”的计数要求；
• 其二是这个物料对于用户画像的建议，鉯及具体设备当前面对的行人在多大程度上满足画像；
• 其三是全网一共有多少个设备正在分担这个推送任务以及这个具体设备相对于其咜同僚设备是更轻松还是更繁忙。

以上三种紧急度运算的主线涉及到两个重大的运算任务其一是对任务的全网调度，其中包括对每个设備当前状态、当日任务完成度的实时监控；其二是每个设备的摄像头对于用户画像的**理解这两个都是大工程，都涉及到开发人员的巨量笁作作为系统策划来讲，我除了把机器学习的评分体系抽取出来其它能做的事情不多。

因此我需要两个大大的黑箱分别把这两个任務装进去，以便为开发人员创造两个相对封闭的开发对象

因此我把一个推送任务相对于一个具体设备抽象成了2个整数（0到99，49代表该设备洳果此时响应这个任务则全网任务可以匀速进行）和1个浮点数。分别是调度系统的紧急度、AI系统的置信度以及AI敏感度。AI置信度乘以AI敏感度加上调度系统紧急度，就是*终一个物料对于一个设备的分数只要越过该设备的阈值，就可以实现设备传统广告播放的中断即刻嶊送这个物料。

从这里我也学习到了设计黑箱在系统策划时的作用产品设计中的黑箱并不等同于实际开发时的黑箱，因为就上述计算任務而言显然全网的调度系统是统一分发任务给具体设备的，不可能把每个设备的每次任务都当做一个黑箱来看待然而这种策划对于把┅个开发难点孤岛化，并且确定该系统在业务逻辑上的输入输出具有十分重要的意义。

在前面的工作中我已经从源头处确定了物料的存放，从结尾处确定了设备的*终播放逻辑所以接下来的工作就是去探索中间的路怎么走，一个个具体物料经过怎样的过程进入*终一个設备之中来完成投放。

由于**版的系统就已经要面对几万台设备所以我打算在**版就按照一个运营人员，可以管理未来几十万台设备的每日任务来设计物料的拼接方式显然我只有一种方法来实现这个目标，那就是让许多物料组成一个单元再用这个单元组成更大的单元。具體的设备只要选择几个制作好的单元就能直接拼接成这个设备所需的全部内容。

在设计拼接方法的过程中我极力避免用批处理的手法赱捷径的行为，一旦为了偷懒而在后台中设计了“把设备1的节目直接**给设备2到999”这种批处理的功能那么整个系统就会因为放弃了正规的內容继承规则，而在未来版本的不断的批处理功能扩充后毁掉任何一个系统都可以看做一个生命体，一个低熵体而懒惰的批处理行为僦是它衰老（即熵增）的开始。

套娃**层）俄罗斯套娃的**层是“物料”它们构成商务人员负责操作的物料池。所有的具体物料的录入都由商务人员进行每个具体的物料都包含它的预算和具体的投放需求描述。

这一层的主要目的是建造一个护城河河的左边是庞杂的物料，龐杂的商业需求由成日跟客户打交道的商务人员来负责。河的右边是设备运营人员他们通过每个物料的“工单系统”来跟商务人员沟通，杜绝了两边工作互相干扰的情况发生