企业需要统一实时数据和离线数据的存储，提供高效的查询服务，支持高QPS的查询，支持复杂的分析以及联邦查询和分析，并且能够直接对接前端应用，做到即席分析，统一数据服务，减少数据移动。
第四阶段：到了2000年，开始进入互联网时代。大家也都有非常深刻的体会，无论是搜索、社交还是电商等都有非常广泛的应用，此时像MySQL、PG、Redis、MongoDB等开源数据库也得到了非常广泛的应用。
过去的 2020 是充满不确定性的一年，但也是充满机遇的一年。突发的新冠疫情为全社会的数字化转型按下加速键。云计算已经不再是一种技术，而已经成为了支撑数字经济发展和业务创新的关键基础设施。在利用云计算重塑企业IT的过程中，生于云、长于云、最大化实现云价值的云原生技术都到越来越多企业的认同，成为企业IT降本提效的重要手段。然而，云原生变革也不止是基础设施和应用架构等技术层面，同时也在推进企业IT组织、流程和文化的变革。
SRE团队成为了水平支撑团队，支撑上层研发效率提升和系统稳定性。而随着 Kubernetes的发展，让SRE团队可以基于K8s构建自己企业的应用平台，推进标准化和自动化，让上层应用开发团队通过自服务的方式进行资源管理和应用生命周期管理。我们看到组织方式进一步发生了变化。新的平台工程团队开始浮现。
安全架构是一种cross-cutting concern，是贯穿在整个IT架构，与所有组件相关的关注点。 如果它与具体微服务框架实现耦合，任何安全架构调整都可能对每个应用服务进行重新编译和部署，此外微服务的实现者可以绕开安全体系。而服务网格可以提供独立于应用实现的，松耦合、分布式的零信任安全架构。
更进一步，我们可以将应用程序的所有环境配置都通过源代码控制系统进行管理，并通过自动化的流程进行面向终态地交付和变更。这样就是GitOps的核心理念。
然而大多数企业尚未对云财务管理有清晰的认知和技术手段，在 FinOps 2020年调研报告中，将近一半的受访者（49％）几乎没有或没有自动化方法管理云支出。为了帮助组织更好了解云成本和IT收益，FinOps理念开始流行。
深度学习是机器学习与神经网络、人工智能、图形化建模、优化、模式识别和信号处理等技术融合后产生的一个领域。在严谨的学术期刊中,这个新兴学科的模型一直受严肃理智的学者所推崇:
"深度学习网络是神经网络革命性的发展,人们甚至认为可以用它来创建更强大的预测模型。”
数据科学领域有如下两种基本的学习类型。
有监督学习:训练的数据包含已知的结果。模型相对于这些结果进行训练。
无监督学习:训练数据不包含任何已知的结果。算法自行发现数据中的联系。
深度学习在需要分类和/或预测的领域非常有用。在商业、工业或者研究的任何领域,任何对预测和分类问题感兴趣的人都应该学习深度学习。实际上,如果有足够的历史数据、需要预测或分类的研究案例,便可以构建一个深度学习模型进行研究。
