而OpenTelemetry只是定义了可观察的前半部分，后面还有非常多的复杂工作需要我们去实现，任重道远。
重点来了！！！！SLS团队长期招聘人才，欢迎对大数据、监控、可观察性、前端可视化、移动端开发、机器学习等有兴趣的同学前来联系我:
再比如，一个成熟的金融智能化方案，单点的智能化最后必须嵌入到银行的系统中，与其他安防设备一起，如报警主机、门禁、IP对讲等，通过软件平台进行综合管理，才能真正实现智能化系统的价值。
保持适当的平衡-如果您完全致力于边缘AI，那么您将失去持续改进模型的能力。没有新的数据流，您将无处利用。但是，如果您完全致力于云AI，则可能会危及数据质量-由于需要进行权衡才能使其可上传，并且缺乏反馈来指导用户捕获更好的数据-或数据量。
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。
基于上云解决方案，建立了多种场景化解决方案，包括智能实时数仓解决方案、实时监控大屏解决方案、数据湖解决方案，其中比较典型的智能实时数仓解决方案，适用于电商、游戏、社交等互联网行业大规模数据实时查询场景：
目前Hologres已经在多个客户及场景使用，进行大数据分析与决策。
1） 小红书之前自建了一个较大规模的ClickHouse集群，但是运转一段时间后，ClickHouse的弊端凸显，比如成本高、查询慢、不稳定、集群运维复杂。采用了Hologres后，获得存储计算分离的架构，轻松存储了15天数据，并且可以快速查询7天甚至15天数据，查询性能有大幅度提升；还有主键去重（insert or ignore），上游failover无影响，免运维等优势，客户满意度非常高。
在此开源生态矩阵之上构建的ELK可以实现日志、指标、APM、业务数据在一个平台统一分析，建立统一的可视化视图、对齐时间、过滤条件、统一的基于规则的监控和告警、统一的机器学习的智能监控和告警。
Elasticsearch为好未来提供了丰富异构数据源采集能力、模版化的日志解析处理能力、精确到字段级别的数据权限分割能力，支持用户灵活自定义权限体系，与企业自有权限体系对接打通，以及平滑的伸缩功能，集群热变更，对服务0影响等能力，满足客户在大流量场景下的实时直播质量监控与稳定性保障。
第一阶段：上世纪五十年代的大型机时代。在这个时代，大型机可能不到100台，基本上用在科学研究和国防等领域，当时主要是层次和网状数据库，比较典型的产品是IBM的IMS，IMS已经很少能够见到，在一些金融领域还有应用。
可扩展性架构：所有K8s组件都是基于一致的、开放的API进行实现和交互。三方开发者也可通过CRD（Custom Resource Definition）/ Operator等方法提供领域相关的扩展实现，极大扩展了K8s的应用场景。
