整个过程当中，我们在平台建设、业务支持、平台运营、AI创新以及AI整体运营等各个方面做了很多尝试，有了不少的收获和感悟。
最近，我花了一些时间，将其初步梳理出来，写成了这篇文章。
举个例子，对于我们负责的金融视觉平台，有用户反馈“我需要模型报告”，即模型训练出来后，将一些“准确率、召回率、AUC之类”的指标，用图表的方式展示出来。
如果你只是将这个需求做了，那是不够的。
对于中台、平台产品来说，其实也是这样的，只不过用户遇到不爽的体验只能忍忍，因为使用你的产品来解决他的业务需求，这是他的本质工作。
如果一个平台只是单向的输出能力，而没有从下游获得反哺，没有形成闭环，那也不是个完善的系统和平台。
举个例子，我们的标注平台已经累计对上亿条数据进行了打标，这些标注数据使得各类模型的训练变成了可能。正所谓，没有人工，就没有智能。
如果一个产品一眼看过去，都乱七八糟的，搞不清楚怎么回事，那基本上就很失败了。因此，要从“产品框架、概念体系、帮助体系、demo体验、交互统一”等多个方面着手，来实现“秒懂”。
此时人工智能能做什么?它可以标记这个问题并立即提醒老师。然后老师可以重新表述问题，或者对学习材料做出必要的调整。
等级3：根因分析+问题自愈，自动根据异常以及系统的CMDB信息直接定位问题的根因，根因定位准确后那边可以去做问题的自愈。这一阶段相当于是一次质的飞跃，在某些场景下可以在人不用参与的情况下实现问题的自愈。
连通性：当连通性下降时，像自动驾驶汽车这样的安全关键服务将无法停止工作，这会将实时AI驱动的决策的处理推向边缘。
在业务层面，好未来（前身学而思）作为Elasticsearch的阿里云标杆客户，直播云业务支撑着百万人线上课堂，支持师生互动，承诺不卡顿并支持500ms低延迟高清画质。但是随着监控指标越来越多，直播质量实时性保障困难。为保障客户使用体验，好未来还需要对一个大池子中的数据进行细粒度的数据权限分析，并且应对教育行业寒暑假高流量，强波动的情况。
进一步来分析为什么会这样呢？2003年到2006年可以认为是大数据的诞生期，谷歌的三大论文发表对于业界产生了巨大的影响力，但是值得注意的一点是谷歌所提出的技术重点是解决分布式扩展问题，不一定应用在数据库上面。2006年到2014年是大数据的探索期，一些NoSQL数据库比如HBase、Cassandra的早期版本在这个时期出现。
