“自己做业务”的这一次实践，让我们平台同学换了一个视角，深刻体会到了业务同学的不易，也直接推动了平台的迭代改进，以及团队配合、流程设置的完善。
“滥用”与“违规”
上面提到的这些平台治理的问题，其实还不算太糟糕。
接下来，给大家介绍一些需要高度重视和严肃处理的“滥用、违规”的行为。
分别是标注平台中的两个真实案例：“任务释放”和“串通磨洋工”。
在专业技能方面，除了要有产品经理岗位必须的“需求管理、产品设计、项目推动”等能力之外，还需要“懂技术”。要懂研发流程，要懂各种算法、模型的术语和原理，因为你不仅要与平台的开发团队对话，你还要跟平台的用户进行对话——这些用户大部分也是技术同学。
环境动态性增强：无论是微服务的架构还是容器化的部署模式，带来的一个特性是环境的动态性会增强，每个实例的生命周期会更短，出现问题后往往现场已经被破坏，登录机器排查问题的方式已经不复存在。
更好的网络基础架构和新的边缘计算架构的兴起，正在打破集中式云AI与分布式边缘AI工作负载之间的障碍。
其优势是基础架构的巨大新兴变化，它通过增加分布在世界每个角落的信息技术层来补充云。我们相信边缘AI会引发一场革命，就像云技术获得牵引力一样大。
框架将不断发展，以提供更多有关在哪里进行培训以及如何提高重用性的选择。例如，TensorFlow.js使用WebGL和WebAssembly在浏览器中运行（有益于隐私，低延迟，利用桌面或移动GPU资源等），但也可以加载分片的，缓存的云训练模型版本。模型交换格式（例如，开放神经网络交换）也可以增加模型在不同环境中的流动性。Sletten建议探索像LLVM这样的工具，这是一个开源编译器基础结构项目，以使从应用程序所运行的环境中抽象出应用程序变得更加容易。
全观测场景下运维监控的痛点都是趋同的，比如日志/指标获取手段不一，获取成本高、日志/指标格式化挑战大、运维伸缩能力，峰值稳定性、海量数据长周期存储成本高、时序系统异常分析困难，日志分析工具检索性能瓶颈、可扩展性需求高等。为解决这些问题，Elasticsearch应运而生。
这也反映出了客户的一种诉求，那就是希望数据库能够实现自动驾驶。虽然很多用户并不清楚数据库自治服务背后的原理，但是却开启了这项服务，这是因为很多中小企业自身并没有DBA，自己也不想去做SQL优化，当看到数据库自治服务的产品介绍，比如SQL峰值自动限流、CPU自动扩容等特性，发现这些就是客户自身所需要的。
这也与K8s自身定位是非常相契合的。Kubernetes的技术定位面向应用运维的基础设施和Platform for Platform，并不是面向开发者的一体化应用平台。越来越多的企业会由平台工程团队基于Kubernetes构建自己的PaaS平台，提升研发效率和运维效率。
好吧,我认为世界上的两种数据科学家是具备深度学习技术知识的和不具备深度学习技术知识的。我不是说那些缺乏这些知识的人就比他们当代的同行们不专业。简单来说,深度学习的知识能让你接触到更广范围的工具,能从不同的角度解决具有挑战性的问题,并能快速有效地得出解决方案。简而言之,深度学习扩展了你的数据科学工具包。
