必须要承认一个残酷的现实：人的生命是有限的，知识却是无限的。用有限的生命去学习无限的知识是不可能完成的任务。一想到此，有些工程师不免产生一些悲观情绪。如果方法得当并且足够勤奋，悲伤大可不必。
把可行性调研做成不可行性调研。这真的非常糟糕。不可行性的结论往往是：因为这样或者那样的原因，所以不可行。
举个例子，支fb的产品经理在日常生活当中天天用支fb付款、理财，他就是个典型的支fb用户，所以设计者与使用者就是同一个人。而在技术平台、B端产品当中，产品的设计者可以用自己的产品，但基本上仅限于做测试、做验证，真正的用户却是其他的人。
讲完需求，再来说说设计。
在互联网行业，面向C端用户的产品不仅供给充裕、极大丰富，而且普遍都免费，获取成本基本为0。
没有付出，就不会“珍惜”。
（要说明的是，并不是说“简化模型部署”这个产品方向有问题，而是上述“黑盒的、让用户心里没有底”的方案，需要多斟酌，要多站在用户的角度来思考）
上云引入了两个新的问题：
第一个问题，云厂商是否可信？
第二个问题，云计算属于共享性质的资源部署，通过隔离机制跟其他业务部署在同一台物理机上面，这样一来，共享机制会不会放大被别入侵的可能性？
人工智能、深度学习浪潮直观的反映出行业往深度智能阶段发展的趋势走向，这并非偶然现象，几大应用市场需求的驱动，上游深度学习芯片和算法的开源，行业所具备的天然的海量数据训练集特征等多维因素一起推动了安防走向深度智能化。
一旦发现问题，就可以对发布过程进行阻断，甚至自动化回滚。有了这项技术，任何一个开发团队都可以安全的做好发布工作，而不必担心线上变更导致的重大故障了。
随着 AI 技术的广泛应用以及数据规模的不断增长，向量检索作为深度学习中的主流方法，其具备的泛检索和多模态搜索的能力也将进一步得到发挥。物理世界的实体和特征，通过向量化技术进行表征和组合，映射到数字世界，借助计算机进行计算和检索，挖掘潜在逻辑和隐式关系，更智能的服务于人类社会。
基于非常高效的云API来构建应用的好处在于构建的成本很低，并且能够实现按天、按小时进行交付，并且大大降低未来运维的负担。
