最难做的是全组件的热迁移，包含芯片、FPGA组件全部做热升级。解决了热升级的问题，我才解决整个研发上能够快速迭代的难题。
刚刚一直提到的Dragonfly Hypervisor有以下特点：
超轻薄，资源零损耗。内存占用大概每个虚拟机不到1 MB，但是CPU占用小于0.1%
完成从数据的抽取，预处理，模型训练，评估，预测，模型解释，运筹规划等工作流的构建。
为什么要使用SQL语言描述端到端AI任务
抽取数据之后需要进行数据预处理，比如去掉错误的数据，填充缺失的数据，整理，排序等。
另外从需求到上线，为了保证线上服务和数据产出的稳定，也需要通过许多的步骤。比如业务同学说：「活动要上线了，时间点很关键，明天必须发布！」
在描述模型训练任务时，使用 SQLFlowSQL 只需要编写 SELECT * FROM iris.train TO TRAIN DNNClassifier LABEL class INTO my_dnn_model; 即可，如果使用Python完成相同的任务则需要编写如下图这样的较长的代码。
其中, SELECT * FROM iris.test 指定使用另一个表 iris.test 作为验证集，TO e valUATE my_dnn_model 指定要评估的模型是我们刚才训练的my_dnn_model，LABEL class 指定评估数据集中的标签列为 class，I
另外，在开始训练之前，我们还需要确定使用哪个模型，XGBoost模型还是深度学习模型，哪个模型更适合当前的场景？
在模型训练阶段，算法工程师首先需要掌握各种建模的能力，算法原理和基础知识，也需要熟练使用各种机器学习引擎如 sklearn, XGBoost, Tensorflow, Pytorch等；
