厂商绑定：无论从数据采集、传输、存储、计算、可视化、告警等都可能会被厂商绑定，可观察性系统一旦上线后替换的代价讲巨大无比
还有一种非常常见的情况就是服务器中病毒，特别是一些勒索病毒或是挖矿的病毒。如果网站服务器中被恶意植入病毒，可能会耗费大量的服务器资源。而当对方在运行的过程中，就会造成每隔一定时间周期访问异常的现象，百度搜索发现这个问题的时候同样会给出相关提示。
MaxCompute+Hologres可以构建秒级交互式分析，MaxCompute数仓可以通过Hologres直接加速查询，无需数据移动，并对接BI分析工具，实现实时分析离线数据。也支持MaxCompute数据快速导入Hologres构建索引，提供更高QPS、更快查询响应的查询服务。
可以对接Spark、Flink等开源处理工具进行更多格式化统一，最后存储在Elasticsearch上提供给Kibana进行数据可视化监控告警，通过关联分析和机器学习去充分利用分散在整个系统各层的数据，更好的发挥一些数据的价值。
另一种方法是使用已知可以在边缘AI中很好地工作的网络体系结构，并直接为目标平台训练它们。他发现，鉴于训练数据的数量和种类足够多，就绝对性能而言，这种方法通常可以胜过跨平台编译器方法。但是，它还需要在培训期间以及预处理和后期处理中进行一些手工操作。
上述例子介绍了如何使用Metric、Tracing、Logging去联合排查问题，当然根据不同的场景可以有不同的结合方案，例如简单的系统可以直接通过日志的错误信息去告警并直接定位问题，也可以根据调用链提取的基础指标（Latency、ErrorCode）触发告警。但整体而言，一个具有良好可观察性的系统必须具备上述三种数据。
一开始，我们与几个标注团队的小组长进行小范围的初步沟通。当时，随口问了下产品使用情况，他们一致反馈“没什么问题，挺好用的”。
这样的回答很正常，毕竟这么简单、直接的问法，是很难获取到有价值的信息、了解到用户的需求。
道理是相通的，类似问题在C端产品中也会碰到。
如果你留意的话，你会发现很多电商网站、汽车导购产品的产品经理已经摸到了深层需求。
比如，汽车网站里面基本都有一个“车型对比”功能：不仅能将不同车型的各项配置、参数，用表格逐项列出来，而且还提供了“高亮不同配置、隐藏相同配置”等贴心功能。这就是深层次地满足了用户的需求。
2 问题特点
POI牌匾的图像检索和学术上主流检索任务（如行人重识别）有着较大的区别，主要包括以下几点：异源数据、遮挡严重以及文本依赖性。
而注意力机制则可以帮助模型在大量信息中准确地关注到能够区分不同牌匾更为关键的部分。因此，我们在网络中引入了注意力模块，让模型学习关键信息，以提升全局特征的辨别能力。
