上下游依赖更多：问题的定位最终都会从上下游来排查，在微服务、云、K8s的环境中，上下游将更加多，包括各类其他业务应用、云上使用的各类产品、各种中间件、K8s自身、容器运行时、虚拟机等等。
兼容性：OpenTelemetry得到了CNCF下各种可观察性方案的支持，未来对于OpenTracing类、OpenCensus、Prometheus、Fluntd等都会有非常好的兼容性，可以方便大家无缝迁移到OpenTelemetry方案上。
随着人工智能技术深度应用，视频分析技术智能化发展，视频监控已从被动识别过渡到了主动获取、分析、预测的阶段。视频监控与视频分析、深度学习、云计算等领域资源不断整合，摄像头的功能不断深化、使用场景不断丰富，成本、算法、带宽容量不断优化，产业边界不断拓宽。
安防行业作为人工智能技术天然的训练场和应用场，对于人工智能的落地应用有着迫切的需求，基于安防行业的天然属性，未来安防行业的人工智能化必将迎来巨大的发展。而当前人工智能技术的迅猛发展，积极推动着安防领域向着一个更智能化、更人性化的方向前进。
一种策略在于创建一种在模型和数据的大小与数据传输成本之间取得平衡的体系结构。对于大型模型，留在云中更有意义。有多种方法可以减小模型大小以帮助解决问题，但是，如果要处理非常大的模型，则可能需要在云中运行它。
边缘AI补充了云AI，可在需要时提供对即时决策的访问，并利用云获得更深入的见解或需要更广泛或更纵向的数据集来推动解决方案的见解。
DataWorks数据集成可以追溯到2011年的DataX1.0和2.0版本，随后3.0版本正式对外提供服务，再后来公有云、专有云、阿里内部功能三版合一，建立了Data Integration 服务。在2019年，DataWorks数据集成完成了商业化，独享资源组上线，按量付费、包年包月的付费方式也成功面向了用户。在2020年，全增量实时同步解决方案正式发布。
在这个过程中，很多公司推出了批处理、实时计算，但离线批量数仓和实时分析具有不可调和性，离线数仓满足不了业务时效性的要求，而绝对的实时数仓也不切实际，“近实时”才有意义，而实时分析、近实时的分析构建离不开实时数仓系统的构建。
全观测场景下运维监控的痛点都是趋同的，比如日志/指标获取手段不一，获取成本高、日志/指标格式化挑战大、运维伸缩能力，峰值稳定性、海量数据长周期存储成本高、时序系统异常分析困难，日志分析工具检索性能瓶颈、可扩展性需求高等。为解决这些问题，Elasticsearch应运而生。开源Elasticsearch是一个基于Lucene的实时分布式的搜索与分析引擎，遵从Apache开源条款。它提供了一个分布式服务，可以提供快速的近乎于准实时的存储、查询和分析超大数据集。因其查询速度快、使用简单，通常被用来构建复杂查询特性。
Elasticsearch为好未来提供了丰富异构数据源采集能力、模版化的日志解析处理能力、精确到字段级别的数据权限分割能力，支持用户灵活自定义权限体系，与企业自有权限体系对接打通，以及平滑的伸缩功能，集群热变更，对服务0影响等能力，满足客户在大流量场景下的实时直播质量监控与稳定性保障。
