更重要的是，让我们看到了不同流程、不同系统以及不同团队之间衔接的“真空地带”——这正是大公司由于分工、边界带来的，常说的“三不管、踢皮球”的问题。而这些衔接上的问题，正是隐蔽的、极大影响效率的问题，需要被发现，通过产品和流程等机制进行解决。
现在我们计划将这些数据沉淀下来、开放出去，让数据产生更大的价值。
首先，标注数据对内开放。在业务刚接入AI平台，存在一个冷启动的阶段，最缺的是打标的数据。所以，可以将标注平台中海量标注数据梳理和开放出来，让业务可以先到平台里面搜索下，看看有没有已有的数据，有的话，就可以复用。如果没有，再考虑重新建数据。
第三类：网站被攻击
网站被攻击是稍具影响力的公司们会面临的共性问题。由于这种攻击都是悄无声息且不定时的，运营人员也不能及时给出正确的响应策略，百度搜索风险提示就会出现。
社区覆盖公司至少 150 家，集团内部覆盖 BU 10 个以上，双 11 会场新增模块覆盖度 90.4%，无人工辅助情况下智能生成的代码被保留发布上线的占比 79.26%，编码效率（模块复杂度和研发耗时比值）提升 68%。
一个应用由多个页面组成，每个页面中按 UI 颗粒度划分可以分为模块/区块、原子模块/区块、组件（业务组件、基础组件）、元件。每一个颗粒度的 UI 我们都需要识别到它的布局结构和语义，才能生成像人工编写一样模块化、组件化、语义化的可维护性较高的代码。
智能化方式无论是使用计算机视觉还是深度学习技术，都会有准确率的问题，准确率低在线上环境可能无法被接受。需要建立一套与线上用户使用数据形成闭环的算法工程链路，实现样本自动化收集、算法工程链路的闭环才能让模型线上识别准确率不断提升。
Pod部署一般属于研发团队应用部署的子环节，由开发人员控制。PV存储资源定义与分配则多属于devops团队，由集群管理员控制。
当负载过大时，即使容器进程一直处于健康状态，仍有可能出现该应用服务无法正常提供服务。这种情况，K8S是通过readinessProbe进行检测的。
这种金字塔型的资源分配方式存在着不小的资源碎片的情况。当工作负载竞争资源时，K8S提供了三种级别的服务质量保证。
人工智能正在促进许多新的发展。人工智能所做的事情就是为人类提供更多的帮助。人们在以往需要进行数千小时的实验才能得到结果。而人工智能技术现在能够更好地模拟这些实验，因此可以更快地得到结果。
