目前四种存储系统的现状导致数据使用需要较长的周期及一定的开发量，限制了AIOps，DataOps等场景发挥更大的作用。
· 面对海量信息，是否有降维算法来降低问题复杂度
我们构建了三类计算方法分别来处理以上问题：
第一个问题实际上一个业务复杂度的问题，根源来自产生数据的人和使用数据的人之间的GAP。
· 对聚合后的数据进行时序类型存储（MetricStore）。
· 通过AIOps巡检函数对数以千计的接口进行智能巡检，生成告警事件。
整个过程从采集到配置到运行只需要花5分钟，满足多样性需求。
阿里内部之前很多故障也都是因为开发和运维之间在设计上面存在信息不一致导致的，比如在开发设计时会做三副本的高可靠保证，但是在运维侧则可能会认为副本所在的机器没有提供服务因此被错误下线掉。
需要考虑的点是非常多的，而这些在实施了 DevOps 之后就变成了同一个团队在整个应用生命周期中需要考虑的事情了。这对于团队心智和能力的要求是非常高的。
这里的墙不只是组织架构隔阂所带来的障碍，还包括三个领域关注点的不同。
高可靠的应用，需要考虑的点是非常多的，而这些在实施了 DevOps 之后就变成了同一个团队在整个应用生命周期中需要考虑的事情了。这对于团队心智和能力的要求是非常高的。
下一个阶段中，云的体系已经远远超越了基础设施，能够看到在各个领域都出现了很多的云服务。
用户自己需要整合不同的组件和服务，需要进行大量的决策和实现，交付的速度会比较慢，需要考虑很多的事情，而且在运维方面有大量的重复工作。
通过使用AI数据存储，供应商和企业可以将存储管理提升到一个新的水平。而且，存储管理员可以找到他们目前正在努力管理的指标的解决方案。
