可见，大家对A/B实验的了解还是很不够的，导致在平台上出现了各种“奇特”的用法。那么，需要在平台培训和产品设计等方面，做更多的工作。
所有基于云的LMS工具都提供了在线评估的自动化特性。话虽如此，给论文评分仍然不是人工智能的强项，但这种情况在不久的将来可能会改变。我们期待人工智能与教授的创造力相媲美。
云原生友好：OpenTelemetry诞生在CNCF，对于各类的云原生下的系统支持更加友好，此外目前众多云厂商已经宣布支持OpenTelemetry，未来云上的使用会更加便捷
对于人工智能的行业化应用来说，算法、芯片以及大量的数据训练，确实是发展的重要因素，但是能不能有效地把技术与应用场景有效结合起来，形成切实可行的整体解决方案，才是决定“AI+安防”是否能切实发展最核心的因素。如果一项技术无法依赖在数据处理技术上面的优势，去实现产品到商品的转变过程，那么技术的发展并没有实际的应用意义。
边缘和云AI之间的常见折衷
开发人员需要在云和边缘AI之间进行权衡的一些最常见的折衷方案包括：
处理能力：边缘计算设备通常功能较弱，并且难以更换或升级。
延迟：云计算速度很快，但尚未为驾车或工业控制等实时应用做好准备。
菜鸟智能物流引擎原来采用Flink+HBase+OLAP的方案，该架构数据导入时间长、资源浪费、数据孤岛等问题严重严重困扰了业务同学，采用Hologres后，整个链路2亿记录数据处理速度端到端优化到3分钟，开发效率大幅提升，整体硬件成本下降60%。
KubeVela/OAM 提供了面向Kubernetes的服务抽象和服务组装能力，可以将不同实现的工作负载和运维特征进行统一抽象和描述，并提供插件式的注册与发现机制，进行动态组装。
既可以利用现有身份服务提供身份标识，也支持 SPIFFE 格式的身份标识。身份标识可以通过 X.509 证书或者 JWT格式进行传递。
阿里云容器服务也在产品中内置了很多成本管理和优化的最佳实践。很多客户非常关心如何基于 Kubernetes 和资源弹性实现成本优化，通常我们建议企业更好了解自己业务类型，为K8s集群划分不同的节点池，在成本、稳定性和性能等多维度考量中寻找平衡点。
本书所指的深度学习模型是有多个隐藏层的神经网络。如图2.2所示,最简单的深度神经网络至少包含两层的隐藏神经元。其中每一层的输入来自上一层的输出。
