做起业务方之后，我们才发现，垃圾分类这个事情看似简单，实际上却包含很多复杂的环节，从“训练数据的获取、物品类目的整理、垃圾分类标准的维护、线上回流数据的订正”，到“物品类目权重和优先级的调整、标注结果的确认”，再到与内部各个部门的协同、与外包ISV的对接、节假日与特殊物品的应对，等等。
比如，知识图谱平台的知识更新和智能文案平台的文案发布，都需要走打标和确认流程，我们发现标注平台的标注能力就够用了。所以，我们就没有重新开发，而是在平台之间打通连接，快速解决了这个问题。
由此可见，将营销与技术、产品跨界融合，站在用户角度进行产品品牌体系和运营活动、素材的设计，就会收到较好的效果。
·事前：数据安全防护，需要对开源软件漏洞提前进行修复，从整个用户使用的内容上来看，包括专用网络隔离、白名单控制、账号密码鉴权、安全环境免密。
·事中：在攻击的过程当中，对整个访问链路加密、数据落盘加密、备份文件加密。
本身的云数据库专属集群，因为拥有主机级别的操作权限，可以把企业已经采购的安全的插件也安装到云上的数据库里面。比如已经买好一套审计系统，也可以选择直接把这套审计系统部署在云数据库专属集群里面，从而把专属集群的安全能力跟本地系统的安全能力做一个全面结合，形成更好的双方都可以认可的安全等级防护。
可观察性最早来自于电气工程领域，主要原因是随着系统发展的逐步复杂，必须要有一套机制用来了解系统内部的运行状态以便更好的监控和问题修复，为此工程师们设计了很多传感器、仪表盘用于表现系统内部的状态。
以Grafana Loki中介绍中的一个典型问题排查过程来看：
1. 最开始我们通过各式各样的预设报警发现异常（通常是Metrics/Logging）
2. 发现异常后，打开监控大盘查找异常的曲线，并通过各种查询/统计找到异常的模块（Metrics）
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）
统一Agent：使用一个Agent即可完成所有可观察性数据的采集和传输，不需要为每个系统都部署各种各样的Agent，大大降低了系统的资源占用，使整体可观察性系统的架构也变的更加简单
当然，这些都是底层的技术问题，用户对此并不关心，也不需要关心，对于用户来说，人工智能技术的应用能否真的提升效率，而不是浮于表面的漂亮概念，才是最重要的。而因为智能化应用的特殊性，只靠单个产品，并不能真正带来巨大的效果提升，实现人工智能的安防应用，对用户来说，必须是整体的解决方案才有价值。这意味着用户对于项目的整体智能化需求更加明确。
大多数专家将边缘和云方法视为更大战略的补充部分。云AI更适合批量学习技术，该技术可以处理大数据集以构建更智能的算法，从而快速，大规模地获得最大的准确性。Edge AI可以执行这些模型，而云服务可以从这些模型的性能中学习并应用于基础数据以创建一个连续的学习循环。
