传统智能分析算法存在不可突破的局限性，限制了智能分析技术的进一步发展，直到2012年之后，深度学习算法带来了突破，深度学习作为一种技术思想，其理论和技术本身并不是一种新鲜事物，但是随着硬件计算能力的突破和海量数据的积累，深度学习在各个领域的智能应用取得了重大突破。
传感器：随着后来汽车开始正式进入市场，人们需要更好的知道汽车是不是没油了、没水了，因此基础的传感器仪表盘被发明出来。
在面临大流行的时代，商业需要“思考教育”，教育也必须“思考商业”——个人学习必须采取商业和教育两种态度。
有了满足学生需求和喜好的定制化材料，学生可以充分发挥他们的潜力。
近年来经常会看到，比如某个地方的电缆给挖了，官网崩了，机房断电了，不管是腾讯或者是阿里支fb，都出现过部分业务在那段时间内无法被用户继续访问。但是大家可以发现像腾讯、阿里这样的大公司，其实做了非常完善的防护机制，从来没有出现过因为电缆、光纤被挖断，导致数据丢失。
第二点是因为：在上云时，肯定要选择比较大的云厂商，能够被国际或者国内大客户认可的云厂商，比如阿里云，已经合作了很多金融、政府、各个行业的领头羊企业。如果一家云厂商已经大到可以容纳很多行业的企业进来，安全问题已经被开始进来的头部企业的要求完全满足过了。
对于C端产品，这个问题比较好解决，因为设计者和使用者往往是重合的。但对于技术平台类产品、B端产品，这两者经常是错位的，即设计者可能并不是真正的用户。
第二个问题：共享资源放大了被侵入的可能性问题，云计算确确实实有共享资源的机制，但是通过云计算本身的安全能力，包括大厂本身的安全防护，事实上在共享隔离方面已经做得非常完善。
现状是，很多技术平台完全没有demo和体验能力。那么，用户就很难上手。
因此，平台一定要搭建一套“全流程、有体感、简便易行”的demo，让用户亲手体验一下。
你看，既包含距离，又说清了方向，感觉已经很完美了吧。然而，当你深入使用产品时、当你自己驾车的时候，才会发现情况并非如此——你很难精确地把握是否到了500米处，很可能在300米处的一个路口就错误地提前右转了。
如果让不同平台产生协同和连接，会产生“1+1>2”的效果。如果把封闭在平台内的“控制流、数据流”延伸出去，变成闭环，就会迸发出很多创新。
下面，介绍几个方法和案例。
