原创 告别信息过载：WiseFlow——你的智能信息挖掘新伙伴

WiseFlow的应用场景非常广泛。与传统的爬虫相比，WiseFlow不仅仅是获取原始信息，更重要的是它能够进行深入的数据处理。WiseFlow是一款全新的开源AI信息挖掘工具，它能够快速准确地从网站、微信公众号、社交平台等各种来源提取简明信息，并自动分类上传到数据库。WiseFlow采用了先进的统计学习技术，结合了开源项目GNE和大型语言模型（LLM），能够适应超过90%的新闻页面。最令人惊喜的是，WiseFlow不使用任何矢量模型，开销极小，不需要GPU，适用于任何硬件环境，仅需9B内存即可运行。

原创 突破传统，实时语音技术的革命。Livekit 开源代理框架来袭

无论是 Deepgram 的 STT，还是 Eleven Labs 的 TTS，或是 OpenAI 的 Dalle 3，每一个插件都为开发者提供了强大的工具，以构建更加智能和互动的应用程序。Livekit 代理框架的开源特性，意味着全球的开发者都可以参与进来，共同推动这个项目的发展。如果你对实时通信技术感兴趣，或者想要探索更多的可能性，不妨访问 Livekit 代理框架的 GitHub 仓库，加入我们的技术交流群，一起讨论和学习。而且，你还可以根据自己的需求，选择安装不同的插件，以扩展框架的功能。

原创 职场必看:如何用AI打造完美简历和面试准备

首先，你需要一份出色的简历。未来简历AI平台让你通过简单的扫码和输入信息，快速开始简历制作。平台根据不同岗位提供了多样化的模板，一键预览和制作，让你的简历更具针对性。通过这些步骤，你将能够更加自信地面对职场挑战，无论是简历制作还是面试准备，都能展现出你最好的一面。简历编辑器让你能够轻松修改和编辑简历，无论是调整格式还是丰富内容，都能展现你的个性和专业。每次面试后，查看反馈报告，了解自己的表现，不断学习和提升，为下一次面试做好更充分的准备。进行AI模拟面试，提前适应面试环境，提升你的面试技巧。

原创 全球AI算力革命：千卡异构芯片混训平台震撼发布

这一技术的背后，是与清华、上交联合研究团队共同发布的HETHUB系统，它首次实现了六种不同品牌芯片间的交叉混合训练，为AI算力的高效利用铺平了道路。无问芯穹联合创始人夏立雪强调，该平台的发布将打破异构芯片的"生态竖井"，将原本封闭与互不兼容的硬件生态系统转化为大算力，有效整合与利用算力资源。夏立雪比喻说，通过这一平台，大模型的成本可以下降到原来的1/10000。随着大模型行业进入规模化产业落地阶段，无问芯穹的这一创新平台将助力推动大模型在各行业的应用创新，实现"让天下没有难用的AI算力"的愿景。

原创 大模型在企业中落地的四大难点

肆拾玖坊CIO曾寄希望于大模型驱动的聊天机器人，以提高对经销商的服务能力，最终却失望地发现，尽管机器人能提供丰富的情绪价值，却未能转化为实际的业务价值。企业在尝试落地大模型时，普遍面临四大难题：商业价值落地场景有限、工程化能力不足、行业和场景大模型尚不完善，以及企业自身对大模型的认知不足。大模型的落地不仅需要企业具备一定的数字化基础，还需要企业能够将原有的数字化系统与大模型有效结合。行业和场景模型的不完善，导致大模型在特定行业的准确率和适配度不足，难以满足企业级应用的高标准。二、企业落地大模型的四大难题。

原创 AI大模型的智能心脏：向量数据库的崛起

01 技术突破：向量数据库的内在力量 向量数据库以其快速检索、混合存储和向量嵌入等能力，解决了AI大模型在知识更新、输入处理和准确度上的瓶颈。05 商业化之路：从免费到付费的转变 尽管向量数据库目前还处于市场培育阶段，但随着用户对其实际效果的充分认识，付费意愿的提升将成为推动行业发展的新引擎。开源促进了技术的共享和创新，而云计算则为向量数据库提供了更广阔的应用平台。06 云计算巨头的布局：AI大模型的新战场 云计算公司凭借其在AI大模型和海量非结构化数据方面的优势，正在积极布局向量数据库领域。

原创 LlamaGen：自回归模型的图像生成革命

LlamaGen的图像生成技术，采用了Class-Conditional和Text-Conditional两种模式，通过简单的实现方法，使得模型在生成图像时更加高效和精确。此外，模型的训练过程分为两个阶段，第一阶段在LAION-COCO的50M子集上进行，第二阶段则在内部高美学质量图像上进行微调，进一步提升了图像的视觉质量。从更大的分辨率到更高的可控性，LlamaGen的发展潜力无限。扩散模型曾一度成为图像生成的主流技术，但LlamaGen的问世，证明了自回归模型依然具有强大的竞争力。

原创 Transformer：AI界的“读心术”

在人工智能的世界里，Transformer模型就像一位拥有超能力的读心者，能够同时洞察语言的每一个角落，快速捕捉信息的精髓。要完全理解Transformer，我们需要深入了解其理论基础，包括输入表示、注意力机制的计算、多头注意力的实现、前馈神经网络的作用，以及位置编码的添加。计算资源的消耗、训练时间的长短以及对数据量的需求，都是我们在选择使用Transformer时需要考虑的因素。从导入必要的库和数据集开始，到文本数据的转换和模型的训练，每一步都是对Transformer能力的探索和应用。

原创 AI革命：RAG技术引领未来智能

模块RAG的出现，更是将RAG技术推向了一个新的高度，提供了更大的灵活性和适应性。这个框架不仅包括了对检索和生成质量的评估，还包括了对模型基本能力的评估，如噪声鲁棒性、信息整合等，确保了RAG模型在各种应用场景下都能有出色的表现。尽管RAG技术已经取得了显著的进展，但它仍然面临着一些挑战，如扩大LLM角色、规模定律和生产就绪的RAG等。RAG生态系统的发展，不仅推动了技术的进步，也为各行各业带来了深远的影响。在医学、法律和教育等领域，RAG技术已经开始展现出其独特的价值，为解决复杂问题提供了新的解决方案。

原创 传统视觉Transformer的替代者：交叉注意力Transformer（CAT）

CAT在ImageNet-1K、COCO和ADE20K等知名数据集上的表现，证明了其卓越的性能。现在，一项革命性的创新——交叉注意力Transformer（CAT）——为这一难题带来了新的解决方案。通过创新的交叉注意力机制，CAT能够更加高效地融合图像的局部和全局信息，同时显著降低计算成本。这种设计不仅保持了较低的计算成本，还构建了一个分层网络，为各种视觉任务提供了强大的支持。CAT的提出，不仅仅是技术上的一次飞跃，更是对计算机视觉领域的一次深刻影响。随着技术的不断进步，CAT的发展潜力不可限量。

原创 月之暗面kimi引擎的底层推理系统，如何引领智能助手技术的未来

这个引擎不仅拥有强大的底层推理系统方案，还搭载了独特的调度技术，让Kimi智能助手成为了众人关注的焦点。今天，我们将深入探索这一技术的奥秘，看看它是如何改变智能助手的未来。总之，“月之暗面kimi”引擎以其卓越的底层推理系统方案和特殊的调度技术，为智能助手技术的发展注入了新的活力。首先，随着技术的不断进步，推理方案可能会发生变动，新架构的演进将是一个缓慢而稳定的过程。其次，芯片层面的设计将更加注重IO能力的预留，以适应未来的需求和优化。这不仅是技术上的挑战，更是对未来发展方向的洞察和把握。

原创 基流科技：超算界的新星，Pre-A轮融资大获成功

在科技的浪潮中，一颗新星正在冉冉升起——基流科技，一家开放算力网络提供商，以其革命性的技术在超算界引起了轰动。基流科技作为 Z 计划的一部分，将与智谱 AI 一起，为大模型浪潮中的创业者提供更好的基础设施服务。基流科技的网络通信方案，以其卓越的性能提升和成本节约能力，为超算领域带来了革命性的变化。随着算力市场的爆发式增长，基流科技正积极参与中大型计算集群的建设和运维，探索国产化硬件适配和出海，为未来的技术发展奠定坚实的基础。他们的工作不仅仅是技术上的突破，更是对行业共识的挑战和刷新。

原创 万亿赛道上的新星：向量数据库如何成为AI大模型的超级引擎

早期的探索者如Zilliz、Weaviate和Pinecone等初创公司，以其开源的向量数据库产品，培育了社区生态，推动了技术的快速迭代。Zilliz的Milvus、Weaviate的同名产品、Pinecone的创新混合搜索和存储功能，以及星环科技的Transwarp Hippo，这些产品不仅在技术上各具特色，更在商业化道路上进行了积极的探索和尝试。虽然向量数据库行业仍处于早期阶段，但商业化落地的不确定性、科技巨头的竞争压力以及技术开源带来的挑战，都是行业发展需要面对的问题。

原创 垂直领域大模型的机遇与挑战：从构建到应用

在人工智能技术的浪潮中，大模型以其强大的数据处理和学习能力，成为推动科技进步的重要力量。构建和使用大模型都需要大量资源，且在实际应用中大模型的推理速度相对较慢。随着大模型上下文长度的增加，处理整个文档库将需要巨大的计算资源，导致推理成本进一步上升。尽管大模型在聊天机器人等开放式闲聊场景中表现出色，但在工业、商业等严肃场景中，如替代程序员编写代码，大模型目前仍显不足。当前，领域大模型如医疗大模型、金融大模型等备受关注。我们强调大模型协同能力的重要性，而不仅仅是模型在考试题中的表现。

原创 AI大模型时代来临：企业如何抢占先机？

AI大模型的生成式人工智能已经渗透到多个场景，无论是金融行业的智能营销、智能客服，还是电商/零售行业的内容生成与提效，亦或是娱乐/游戏行业的世界观营造，AI大模型都在加速企业经营关键环节的智能化进程。2023年，被誉为大模型元年，AI大模型的发展如同一股不可阻挡的潮流，正迅速改变着我们的工作和生活方式。从金融到医疗，从教育到制造业，AI大模型正以其强大的生成能力和智能分析，重塑着行业的未来。中国主流大模型应用选型评估矩阵提供了模型能力、产品能力和生态能力三个维度的评估，帮助企业找到最适合自身需求的大模型。

原创 中国AI产业迎来标准化大跃进，程序员们准备好了吗

指南》为人工智能产业的发展设定了明确的时间表和目标：到2026年，将有50项以上的国家标准和行业标准被制定，超过1000家企业将参与到标准宣贯和实施中，20项以上的国际标准也将由我国参与制定。《指南》提出了一个全面的人工智能标准体系结构，涵盖基础共性、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/治理等七个方面，为技术创新和应用提供了坚实的技术基础。人工智能技术正成为新一轮科技革命的先锋，它与实体经济的深度融合预示着工业生产模式和经济发展形态的变革。2. 明确的发展蓝图。

原创 震撼学术界：扩散损失引领图像生成新革命

在ImageNet 256x256数据集上，何教授的图像生成器展示了惊人的性能：生成速度小于0.3秒/张图像，同时达到了FID小于2.0的高质量结果。而今，何凯明教授及其团队在这一领域取得了突破性进展，他们提出的扩散损失（Diffusion Loss）技术，为图像生成带来了革命性的速度与效果提升！在人工智能的无限可能中，何凯明教授的扩散损失技术无疑为我们打开了一扇通往新世界的大门。何教授的这项工作不仅在图像生成领域引起了轰动，更激发了在其他连续值领域和应用中使用自回归生成的兴趣。

原创 技术革新：如何用数据中台实现数字化转型

在2022-2023年间，森马的数据架构变得异常复杂，数据孤岛和烟囱式问题严重，导致数据链路冗长且容易中断，这不仅影响了数据分析的效率，也给运维带来了巨大的压力。为了解决这些问题，森马设定了清晰的数据中台建设目标：统一技术平台，使用商用平台提供稳定有效的数据服务，同时考虑数据湖的功能和数据处理能力，以支持业务的快速发展。在建设过程中，森马的技术团队从15个系统中抽取了1800多个表进入ODS层，构建了基于业务价值链的CDM层，并开发了500多个ADS表来满足不同场景的数据需求。

原创 医疗AI革命，为何多模态大模型难以突破？

在人工智能的浪潮中，多模态大模型以其强大的数据处理能力和深度学习算法，被寄予厚望于医疗影像分析、辅助诊断等领域。本文将带您深入了解多模态大模型在医疗辅助诊断领域的潜力与局限，揭示其面临的技术瓶颈和挑战。例如，在肺部CT中，结节检测的下限通常是3-4毫米，即4-5像素。模型虽然在单病种上的表现不输医生，但从实际体验来看，模型也从未完全胜过医生。多模态大模型在医疗辅助诊断领域的应用仍然是前景广阔，但受限于技术和数据储备的瓶颈，当前还难以取得重大突破。此外，医生的定位描述非常抽象，增加了模型训练的复杂性。

原创 探秘企业成功的秘密武器：这个知识库搭建攻略你必须知道

在数字化浪潮中，你的企业还在用传统的信息管理方式吗？最新的企业知识库搭建攻略来了，它将是你提升企业竞争力、创新能力和员工效率的强力工具。让我们一起探索如何构建自己的知识王国，解锁企业成功的秘诀！不仅仅是提高运营效率，更重要的是它能够帮助你的企业积累宝贵的智慧资产，形成独特的竞争优势。一个优秀的知识库能够帮你整合资源，打破障碍，让知识和信息流转起来，为企业带来意想不到的收益。评论区里面扣666，了解详细的企业知识库搭建攻略，开启你的企业知识管理革命。四、技术前沿，如何让你的知识库更智能。

原创 开启数字新纪元：全球首款开源AI女友，你的私人数字伴侣

DUIX，由硅基智能精心打造，不仅是全球首个开源的2D真人级AI数字人模型，更以其开放性和灵活性，为开发者和用户打开了一扇通往未来的大门。想象一下，一个可以轻松部署在手机端的AI伴侣，她不仅拥有逼真的面容和流畅的动作，还能够与你进行深入的对话交流。今天，我们要介绍的，不仅仅是一项技术革新，更是一场关于陪伴的革命——全球首款开源AI女友，DUIX，已经横空出世！DUIX的AI女友不仅仅是一个虚拟形象，她能够理解你的情感，回应你的需求，甚至在你需要的时候，成为你的戒烟顾问、职场向导，或是你的野蛮女友。

原创 AI+机器视觉，制造业的革命性突破

AI赋能机器视觉检测的过程，经历了从小模型到大模型，再到“小模型”的演进。大模型技术的出现，大幅降低了模型落地的门槛，提高了兼容性和稳定性，减少了过拟合的风险。AI视觉检测系统还开发了可视化功能，简化了模型开发过程，让非AI专家也能轻松开发和优化AI模型。我们的创新不仅仅停留在技术层面，还针对特定场景进行了“模型瘦身”，使得AI模型更加高效、成本更低，更容易与实际生产流程无缝对接。#智能制造、# #ai与制造业# #智能制造业# #助力智能智造# #未来智能智造业# #制造业智能制造# #工业互联网革新#

原创 【未来已来】AI大模型革命：向量数据库如何重塑智能世界？

ChatGPT Plugins与向量数据库的结合，不仅仅是技术的融合，更是智能应用的一次飞跃。Qdrant与Pienso的合作，更是在开源AI大模型的基础上，开拓了私域大模型的新天地。想象一下，如果AI大模型是一辆高速列车，那么向量数据库就是它的心脏——一个强大的引擎，为模型提供动力和方向。从Zilliz、Pinecone到腾讯云、华为云，技术的开源不仅推动了行业的进步，也促进了技术的普及和应用。向量数据库，这个AI大模型的心脏，正在以我们难以想象的速度跳动。这不仅是技术的较量，更是对未来智能世界的争夺。

原创 逆天改命 17岁中专女生横扫全球数学竞赛

数学是人工智能算法的基石。它为算法提供了逻辑框架和分析工具，使得人工智能能够处理复杂的数据和问题。数学中的线性代数、概率论、统计学和微积分等分支，为机器学习、深度学习等人工智能技术的发展提供了理论支持。此外，数学的抽象思维能力也对人工智能的创新和发展至关重要，它使得我们能够构建和理解复杂的模型，从而推动人工智能技术的进步。#中专女生爆冷拿下数学竞赛全球12名# #阿里巴巴全球数学竞赛含金量如何# #数学竞赛爆冷女生为啥只上了中专##人工智能# #畅聊人工智能# #人工智能大模型#最近全网被这则消息震惊了。

原创 英伟达开源最强通用模型Nemotron-4 340B：开启AI合成数据新纪元

【优化合作】 与Nvidia NeMo和NVIDIA TensorRT-LLM的深度集成，让Nemotron-4 340B在端到端模型训练和推理方面达到了新的高度。【全球领先】 在Hugging Face RewardBench排行榜上，Nemotron-4 340B Reward模型以其卓越的评分能力名列前茅，证明了其在AI生成数据质量上的领先地位。【免费开源】 英伟达的这一壮举，为开发者提供了一个免费且可扩展的解决方案，以生成高质量的合成数据。这不仅是技术的突破，更是想象力的飞跃。

原创 专业是软件工程，现在好迷茫，感觉什么都没有学到，该怎么办？

记住，每个人学习的节奏和方式都是不同的，找到适合自己的学习路径是关键。学习软件工程可能会遇到迷茫和困惑的时期，这很正常，尤其是在学习初期。明确目标：思考你学习软件工程的目的是什么，是为了将来从事软件开发工作，还是对编程和创造软件有浓厚的兴趣。网络建设：加入相关的社群和论坛，与其他软件工程师交流，这可以帮助你获得新的视角和解决问题的方法。持续学习：软件工程是一个快速发展的领域，持续学习新技术和工具是非常重要的。反思和调整：定期反思你的学习过程和成果，根据需要调整你的学习计划和方法。

原创 人工智能革命：2024年指数报告揭示AI行业十大趋势

斯坦福大学李飞飞教授领导的斯坦福以人为本人工智能研究所（HAI）发布的《2024年人工智能指数报告》为我们揭示了AI行业的最新趋势和未来的发展方向。AI将成为我们解决问题的得力助手，提升生产效率的关键力量，以及优化生活品质的宝贵伙伴。产业界的积极参与不仅推动了技术的发展，也为AI的应用提供了更广阔的平台。全球调查显示，66%的人认为人工智能将在未来3到5年内极大影响他们的生活，而52%的人对人工智能产品和服务感到焦虑。随着AI技术的不断进步，我们有理由相信，它将在未来的工作和生活中扮演越来越重要的角色。

原创 国产大模型如何破局与变现，“百模大战”盘点

大模型兴起背景：OpenAI于2023年3月15日发布GPT-4，引发了全球对生成式AI的热潮，中国企业迅速响应，开启了“百模大战”。备案挑战：约165个大模型尚未通过备案，包括一些备受瞩目的项目。国内大模型发展：截至2024年4月，中国共推出305个大模型，其中140个完成备案，占比45.9%。商业化策略：大模型企业需探索新的商业模式和应用场景，部分企业可能转型为专注于特定垂直领域的应用公司。算力成本问题：算力成本包括预训练和推理成本，其中推理阶段需求更高，算力资源稀缺。

原创 未来已来， AI将作为超级工具？

1.AI将作为超级工具：AI是推动全产业数字化转型的高效工具，机遇比互联网时代大10倍，但只有1/3的机会留给初创企业。6.基础设施的重要性：基础设施是关键，因为它决定了人工智能应用的成本，大规模应用的成本是商业考量的第一要义。4.初创企业的鸡尾酒模式：初创企业可调用大平台的API，结合自己的开源模型进行优化，构建行业专属模型。3.赋能而非破坏：在硅谷，AI的主题是赋能而非破坏或变革，意味着大科技公司和初创企业都能从中受益。2.硅谷AI市场分类中，特别看好开源平台，其将为初创企业和大企业提供更多选择。

原创 百度云呼叫中心的服务

原创 如何应用项目开发过程中的新需求

针对客户提出的不合理或者不恰当的需求，项目经理应当场与客户进行说明并表明立场，避免客户对其过分期望，如客户执意要求，应当在阐明情况前提下报公司协商后回复。由于客户新增需求导致的变更，须公司内部变更流程评审通过或向公司报备同意后再进行实施。若项目增补内容不另行收费，且非我司原因导致的变更，则由销售代表发起零销售流程，如果项目增补内容后续可向客户收取费用，由销售代表发起实施项目提前立项流程或销售端的费用追加流程，项目经理可以凭借销售提供的《提前立项项目实施费用追加报告》或《零销售报告》发起费用变更。

原创 如何进行项目计划制定，并在项目实施过程中怎么监控的？

下面是我在制定项目计划和监控项目实施过程中的一些主要步骤： 1. 明确项目目标和需求：在制定项目计划之前，需要与相关相关的各方人员进行沟通，明确项目的目标和需求。2. 进行项目评估和风险分析：在明确了项目的目标和需求之后，需要对项目进行评估，包括项目的规模、复杂度、时间和资源等方面的评估。3. 制定项目计划和里程碑：根据项目评估和风险分析的结果，可以开始制定项目计划，包括项目的进度、资源分配、质量要求和预算等方面的规划。通过合理的项目计划制定和有效的监控措施，我们可以确保项目的顺利进行，并实现项目的目标。

原创 项目开发过程中，客户提出了新的需求，怎么办?

（2）当出现需要协调确认的事项一直没有进展时，我会采取以下措施进行处置： 1.首先，我会主动与相关方进行沟通，了解问题的具体原因和进展情况。通过有效的沟通，寻找可能的解决方案，并提出建议以推动事项的进展。2.如果问题的解决需要上级的协调和决策，我会及时向上级汇报，并提出请求支持的具体事项。（1）首先，我会与团队成员讨论新需求的重要性和紧迫性，并评估其对项目进度和资源的影响。然后，根据当前的项目情况和可用资源，制定一个新的工作计划，将新需求纳入其中。2.根据项目的整体目标和时间限制，确定任务的优先级顺序。

原创 视觉算法知识学习的资料和课程

4.计算机视觉入门课程：https://www.udacity.com/course/computer-vision-basics–ud810。2.计算机视觉基础课程：https://www.coursera.org/learn/computer-vision-basics。《计算机视觉：算法与应用》：https://book.douban.com/subject/33416552/《深度学习》：https://book.douban.com/subject/27087503/

原创 员工辅导工作常见问题及经验

结合员工辅导工作情况，你总结了什么经验？

原创 目标管理的培训要点是什么？

培训应该介绍如何识别需要调整目标的情况，并确定必要的步骤来实现成功的目标管理。目标制定：目标管理的第一步是确立明确的目标，包括短期和长期目标。目标复盘：培训应该教授如何对已完成的目标进行评估，并确定取得成功的因素和需要改进的方面。这有助于不断提高目标管理的效果和效率。目标评估：目标管理不仅仅是设定目标，还包括监测和评估目标的进展情况。总之，目标管理培训应该涵盖目标制定、沟通、评估、调整、激励和复盘等方面，以帮助个人、团队和组织实现成功的目标管理。目标管理是一个组织和管理个人、团队和组织目标的过程。

原创 2023年目标制定，用1年时间惊艳所有人！

每一个人答案都是不一样的，明确自己到底想要成为什么样的人，到底想要拥有什么样的生活，最终明确你最需要提升的 8 个方向。我觉得这套方法最大作用就是帮助你把你的目标从一片混沌中，经过自己不断的探索、思考、细化，最终形成明确的、可实现的人生行动指南。我一般每月会对自己的执行情况回顾检查，完成的打勾，没完成的在空白的地方写下原因和改善计划，坚持用下去，人生想不开挂都很难。这样，当我们写完整张表格之后，你会发现你的目标不再是一个遥不可及、看不清楚的远方，而是实实在在的成了你脚下的每一步路。

原创 Docker制作Java的镜像（结合ansible）参考案例

Jar包放服务器192.168.181.160上/data/app/files/proj_jar目录。镜像文件生成目录：所选文件服务器上/data/app/files/${proj_group}docker-arm镜像打包。

原创 Rancher上Containers with unready status: [xxx]问题处理

Rancher(k8s)上Containers with unready status: [xxx]问题处理1、查看了下本地及私镜像都存在2、于是重启了下Docker容器，再观察下service docker restart 也可根据情况reboot重启主机 （如果有相关问题，可加微信: java2demo 进学习交流群咨询）>> 更多技术问题可扫码学习交流： 参考文章：Kubernetes中获取"containers with unready：[]“错误 - 问答 - 腾讯云开发者社区-腾讯云Pod

原创 Jenkins脚本制作docker镜像

pipeline { agent any tools { maven "maven-3.8.1" } parameters { choice( choices: 'test\nsit\nglzn\nshenyang\nprod', description: 'choose deploy environment', name: 'profile_active'