有标准/统一的交互体验
在做好每一个平台的设计之外，还需要考虑不同平台的体验一致性，即平台的统一。
人是不安的、焦虑的，如果让他感到“太过于神奇、不知道里面发生了很么”，他就不敢用。
举个例子，在模型服务平台的产品当中，有同学设计了“模型一键部署”功能，即把离线模型部署到在线过程中的复杂、繁琐的特征处理等工作自动化了。
天灾不断，何以规避？
近年来经常会看到，比如某个地方的电缆给挖了，官网崩了，机房断电了，不管是腾讯或者是阿里支fb，都出现过部分业务在那段时间内无法被用户继续访问。但是大家可以发现像腾讯、阿里这样的大公司，其实做了非常完善的防护机制，从来没有出现过因为电缆、光纤被挖断，导致数据丢失。
但这与提高智力有什么关系呢?
通过使用人工智能将所有这些任务自动化，教师可以把更多的时间集中在与学生的互动上。他们可以为学习者提供即时反馈，并花更多的时间进行一对一的交流;他们可以专注于进一步个性化他们的课程和提供更好的学习体验。
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。
智能视频分析（IV，IntelligentVideo）源自计算机视觉（CV，ComputerVision）技术，计算机视觉技术是人工智能（AI，ArtificialIntelligent）研究的分支之一，它能够在图像及图像描述之间建立映射关系，从而使计算机能够通过数字图像处理和分析来理解视频画面中的内容。而视频监控中所提到的智能视频技术主要指的是“自动的分析和抽取视频源中的关键信息”。
另一种方法是使用已知可以在边缘AI中很好地工作的网络体系结构，并直接为目标平台训练它们。他发现，鉴于训练数据的数量和种类足够多，就绝对性能而言，这种方法通常可以胜过跨平台编译器方法。但是，它还需要在培训期间以及预处理和后期处理中进行一些手工操作。
目前Hologres已经在多个客户及场景使用，进行大数据分析与决策。
1） 小红书之前自建了一个较大规模的ClickHouse集群，但是运转一段时间后，ClickHouse的弊端凸显，比如成本高、查询慢、不稳定、集群运维复杂。采用了Hologres后，获得存储计算分离的架构，轻松存储了15天数据，并且可以快速查询7天甚至15天数据，查询性能有大幅度提升；还有主键去重（insert or ignore），上游failover无影响，免运维等优势，客户满意度非常高。
MaxCompute+Hologres可以构建秒级交互式分析，MaxCompute数仓可以通过Hologres直接加速查询，无需数据移动，并对接BI分析工具，实现实时分析离线数据。也支持MaxCompute数据快速导入Hologres构建索引，提供更高QPS、更快查询响应的查询服务。
KubeVela/OAM 提供了面向Kubernetes的服务抽象和服务组装能力，可以将不同实现的工作负载和运维特征进行统一抽象和描述，并提供插件式的注册与发现机制，进行动态组装。平台工程团队可以采用一致的方式进行新功能扩展，并且保持与Kubernetes上新的应用框架良好的互操作性。对于应用开发和运维团队，实现了关注点分离（Separation of Concerns），可以将应用定义、运维能力与基础设施实现解构。让应用交付过程变得更加高效、可靠和自动化。
