有很多同学会觉得，让前端同学用机器学习技术去解决前端领域的问题，会不会难度很大。为了降低前端工程师使用机器学习的门槛，我们开发了前端算法工程框架 Pipcook。前端工程师可以用熟悉的 JavaScript 来完成机器学习任务。
另一个 D2C 智能化的难点是模型识别的结果最终如何用于生成代码，例如组件识别模型能识别组件的类别，但最终生成代码使用哪个组件库的组件、如何识别 UI 中的组件属性值这些问题，imgcook 的平台能力与智能还原技术分层架构具备解决这些问题的能力，未来会有更多的智能化方案用于生产环境。
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）
我们团队从刚开始09年做飞天5K项目起，就一直在负责监控、日志、分布式链路追踪等可观察性相关的工作，中间经历过小型机到分布式系统再到微服务、云化的一些架构变更，相关的可观察性方案也经历了很多演变。我们觉得整体上可观察性相关的发展和自动驾驶等级的设定非常吻合。
作为CNCF下除了Kubernetes外最活跃的项目，OpenTelemetry受到了各大云厂商以及相关解决方案公司的关注，相信未来一定会成为云原生下可观察性的标准。虽然目前还没有到生产可用的程度，但是目前各个语言的SDK和Collector也基本上稳定，在2021年就能够发布生产可用的版本，值得大家期待。
2020年，我国网络基础设施建设已经位居世界前列，信息技术应用持续发展。计算能力、数据资源和核心算法的进步推动人工智能的快速商业化应用。
传统智能分析算法存在不可突破的局限性，限制了智能分析技术的进一步发展，直到2012年之后，深度学习算法带来了突破，深度学习作为一种技术思想，其理论和技术本身并不是一种新鲜事物，但是随着硬件计算能力的突破和海量数据的积累，深度学习在各个领域的智能应用取得了重大突破。
集中式云资源通常用于训练深度学习推理模型，因为开发精确模型需要大量数据和计算。生成的模型可以部署在中央云位置，也可以分发到边缘的设备。
其优势是基础架构的巨大新兴变化，它通过增加分布在世界每个角落的信息技术层来补充云。我们相信边缘AI会引发一场革命，就像云技术获得牵引力一样大。
将更多的AI从云转移到边缘的关键挑战之一是，能够在边缘AI芯片中高效运行的神经网络架构。聪明的行车记录仪供应商。
