换句话，也是手段和目的的问题——“浅层需求”往往只是手段，而“深层需求”才是目的。
举个例子，对于我们负责的金融视觉平台，有用户反馈“我需要模型报告”，即模型训练出来后，将一些“准确率、召回率、AUC之类”的指标，用图表的方式展示出来。
为什么呢？因为用户要的模型报告，只是“浅层需求”——他的确需要看各种指标，但他最想要的是，在新模型训练出来后，他要对不同版本的模型效果进行对比——不仅要知道指标是多少，更想知道指标的具体变化，哪些升了、哪些降了以及具体数值是多少。
为什么呢？因为用户要的模型报告，只是“浅层需求”——他的确需要看各种指标，但他最想要的是，在新模型训练出来后，他要对不同版本的模型效果进行对比——不仅要知道指标是多少，更想知道指标的具体变化，哪些升了、哪些降了以及具体数值是多少。
只有这样，才算是满足了深层需求。
比如，汽车网站里面基本都有一个“车型对比”功能：不仅能将不同车型的各项配置、参数，用表格逐项列出来，而且还提供了“高亮不同配置、隐藏相同配置”等贴心功能。这就是深层次地满足了用户的需求。
在这样的背景下，Hologres推出了HSAP理念。 HSAP是指Hybrid Serving & Analytical Processing，是既能支持高QPS的点查场景实时写入和查询，又能将复杂的多维分析场景在一套体系里面完成。
在这样的背景下，Hologres推出了HSAP理念。 HSAP是指Hybrid Serving & Analytical Processing，是既能支持高QPS的点查场景实时写入和查询，又能将复杂的多维分析场景在一套体系里面完成。
做到即席分析，统一数据服务，减少数据移动。Hologres作为以HSAP理念开发的产品， 隶属于阿里自研大数据品牌MaxCompute，支持PB级数据高并发、低延迟的分析和服务，支持实时数仓、大数据交互式分析等场景。其核心特点是分析服务一体化、以实时为中心进行设计、存储计算分离架构、兼容PG生态。
Elasticsearch构建在Elastic Stack开源生态矩阵中，包括Beats（轻量级数据采集工具）、Logstash（收集、过滤、传输数据的工具）、Elasticsearch、Kibana（灵活的可视化工具）。
在新零售行业，为了保障企业供应链数据实时采集、加速处理数据，为实时决策提供保障（快速检测问题，减少经济损失）。使用Databricks构建实时数仓后，数据延迟从2小时降低到15秒，并且由于数据链路精简，业务代码量也相应减少：Python代码从565行减少到317行，YML配置从252行减少到23行。
需要适应
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。
