Edge AI的部署也充满了限制，包括网络延迟，内存压力，电池消耗以及进程可能被用户或操作系统作为后台的可能性。从事边缘AI的开发人员需要计划各种限制，尤其是在探索手机等常见用例时。
框架将不断发展，以提供更多有关在哪里进行培训以及如何提高重用性的选择。例如，TensorFlow.js使用WebGL和WebAssembly在浏览器中运行（有益于隐私，低延迟，利用桌面或移动GPU资源等），但也可以加载分片的，缓存的云训练模型版本。
将更多的AI从云转移到边缘的关键挑战之一是，能够在边缘AI芯片中高效运行的神经网络架构。聪明的行车记录仪供应商。
如果把摄像机看作人的眼睛，智能视频系统或设备则可以看作人的大脑。智能视频技术借助计算机强大的数据处理功能，对视频画面中的海量数据进行高速分析，过滤掉用户不关心的信息，仅仅为监控者提供有用的关键信息。
.带宽容量进一步扩大
AI视频监控系统的海量数据会占据很大带宽容量，如果与客户的其他业务共用网络通道，将影响其他业务网络通信质量。边缘计算等新一代技术的应用将在一定程度上减少数据流量，但视频取证等功能仍然会占据较大的带宽，因此服务器等全部基础设施将会进一步提高。
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。
3. 对这个模块以及关联的日志进行查询/统计分析，找到核心的报错信息（Logging）
4. 最后通过详细的调用链数据定位到引起问题的代码（Tracing）
上面这幅图详细大家非常熟悉，这是Peter Bourgon在参加完2017 Distributed Tracing Summit后发表的一篇博文，简洁扼要地介绍了Metrics、Tracing、Logging三者的定义和关系。这三种数据在可观察性中都有各自的发挥空间，每种数据都没办法完全被其他数据代替。
云原生下的可观察性
云原生带来的不仅仅是应用部署能够部署云上而已，其整个的定义是一套新的IT系统架构升级，包括开发模式、系统架构、部署模式、基础设施全套的演进和迭代。
效率要求更高：随着DevOps模式的普及，规划、开发、测试、交付..的效率要求越来越高，而与之带来的问题是需要更加实时的知道此次的发布是否成功，出现了什么问题，问题在哪里，如何快速去解决。
