比如，虽然你是做AI技术平台产品经理，但你眼里不能只有AI、算法、模型——要做到“无我”，就是要做到：如果有一种非算法、非AI的产品策略，若能切实帮到业务，那也应该去做。
于是，我们就改成了一页展示一二十张图片，标注人员只需要扫一眼，把其中“对”或者“错”的勾选出来，然后整体提交就好了（同时也减少了每一页刷新页面、加载图片的等待时间）。这样简单的一个改动，其实并没有什么技术难度，但标注效率直接提升了好多倍。
我们曾经用这样一句话，来鼓励自己团队的同学：我们要用做几亿DAU产品的心态，来打磨几百、几千DAU的技术平台。认真的人不会吃亏，你今天的每一个付出，都会产生价值，都会提高自己。人生没有白走的路，每一个“需求”都算数。
AI聊天机器人在教育中被广泛应用于辅导，帮助学生更好地理解各种概念，提高他们的学习。学生可以全天候地寻求他们的帮助，即时收到有用的回复。
上述的这些问题相信很多读者都会深有体会，而业界也针对这种情况退出了各类可观察性相关的产品，包括开源、商业化的众多项目。例如：
Metrics：Zabbix、Nagios、Prometheus、InfluxDB、OpenFalcon、OpenCensus
Tracing：Jaeger、Zipkin、SkyWalking、OpenTracing、OpenCensus
Logging：ELK、Splunk、SumoLogic、Loki、Loggly
边缘的AI允许通过本地化处理进行实时机器学习，从而实现即时数据处理，详细的安全性和增强的客户体验。同时，许多企业正在寻求将AI推入云端，这可以减少实施障碍，改善知识共享并支持更大的模型。前进的道路在于找到一种利用云和边缘优势的平衡。
在这个过程中，很多公司推出了批处理、实时计算，但离线批量数仓和实时分析具有不可调和性，离线数仓满足不了业务时效性的要求，而绝对的实时数仓也不切实际，“近实时”才有意义，而实时分析、近实时的分析构建离不开实时数仓系统的构建。
今天的数据中台所考虑的就是如何将数据的价值最大化，同时会结合AI相关的技术来做智能计算，这正是新数据时代的样子。面对越来越多的数据量，如何处理结构化和非结构化的数据，存在非常多的技术挑战和商业挑战。
当代码提交之后，可以通过阿里云镜像服务ACR主动扫描应用，并对镜像进行签名，当容器服务K8s集群开始部署应用时，安全策略可以对镜像进行验签，可以拒绝未通过验签的应用镜像。同理，如果我们利用 Infrastructure as Code 的方式对基础设施进行变更，我们可以通过扫描引擎在变更之前就进行风险扫描，如果发现相关的安全风险可以终止并告警。
"20世纪90年代,经验主义的复兴是一个激动人心的时刻。我们从来没有想到,我们的努力会如此成功。当时,我们想要的只不过是一席之地而已。在当时流行的各项研究之外,我们所想的只是为不同于当时其他研究的工作争取一点空间。”
