比如，在我去年负责A/B实验平台的时候，我们曾经对平台中所有实验进行深入分析，结果就发现了很多惊人的现象。
数百个实验只有一个版本：正常来说，需要两个或者更多的版本来进行对照实验，但很多实验竟然只有一个版本，其中一个很大的“妙用”或者“误用”，是用户仅仅把平台当作灰度平台来使用了。
·第三层则是业务合规，这一点特别是在一些金融、保险、政府等敏感行业上，本身会有数据合规需求，比如两地三中心、操作审计等监管必须能力。为什么这一点会是最重要的，大家日常做运维肯定都知道，眼前的事情肯定最重要，一旦不合规，业务都上不了线，那业务数据本身也就产生不了价值。所以从业务相关角度来讲，业务合规安全性最重要。
大家共享在某一台物理服务器上面，对于数据库密码泄露、别人的数据库切入密码、被外面反复入侵的问题，影响到用户的可能性很小。除非像金融行业，就是有要求业务一定要在一台完全独立的物理机上面，今天的云计算数据库也是可以做到的。
电气工程发展了上百年，其中各个子领域的可观察性都在进行完善和升级，例如交通工具（汽车/飞机等）也算的是可观察性上的集大成者。抛开飞机这种超级工程不谈，一辆可正常上路的小型汽车内部也有上百种的传感器用来检测汽车内/外部的各种状态，以便让汽车可以稳定、舒适、安全地的行驶。
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）
关于人工智能的发展，可以追述到60几年前，但因为技术的原因数次沉寂，直到深度学习的出现，让人工智能再次掀起热潮。那，什么是深度智能呢？2021年深度智能的发展趋势又是如何的呢？
边缘AI补充了云AI，可在需要时提供对即时决策的访问，并利用云获得更深入的见解或需要更广泛或更纵向的数据集来推动解决方案的见解。
例如，在连接的汽车中，汽车上的传感器会提供实时数据流，该数据流会不断进行处理并做出决策，例如施加制动器或调整方向盘。可以将相同的传感器数据流式传输到云中以进行长期的模式分析，从而可以警告所有者急需的维修，从而可以防止将来发生事故。另一方面，云AI对边缘AI进行了补充，以推动更深入的见解，调整模型并继续增强他们的见解。
第一步：数据采集–通过DataWorks数据集成（批量+实时）、DataHub（实时）进行统一数据采集接入。
第二步：基于DataWorks完成数据全链路研发，包括数据集成、数据开发&ETL 、转换及KPI计算等开发，以及数据作业的调度、监控、告警等。DataWorks提供数据开发链路的安全管控的能力，以及基于DataWorks的数据服务模块提供统一数据服务API能力。
第三步：实时数据按实际业务需求使用Flink中进行实时ETL（可选），结果入库MaxCompute交互式分析（Hologres）构建实时数据仓库、应用集市，并提供海量数据的实时交互查询和分析。Hologres提供实时离线联邦查询。
