1）数据在不同的系统中存储多份，空间浪费，数据一致性的问题难以解决；
2）整个数据链路由多种引擎和系统组合而成，开发和维护成本高，学习成本高；
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%。
另外，阿里云Elasticsearch日志增强版将计算存储分离，使用 NFS 共享存储作为节点底层存储，利用主副分片，主分片可读可写，副分片只读的方式，实现了存储成本节约100%、写入性能提升100%、秒级弹性扩缩容的收益。
4）对数据有增删改需求，大数据下难以提供事务性保障
5）数据工程师和数据分析师有各自的环境，难以共享，协同工作。
云计算和边缘AI协同工作，以更深入的洞察力为驱动力，制定即时的需求决策，而这些洞察力不断被新的边缘数据所告知。
培训工作流程
另一方面，多年来的城市智能化治理和建设积累了海量的视频监控数据资源，再加上资本对人工智能算法领域的不断投入，各方面的资源储备为人工智能技术在视频监控行业的大规模商用创造了条件。
传统的智能分析技术由于算法是人为根据不同的场景和应用需求进行设计，在适应性上需要人为不断的改善和提升，在特定的环境下有良好的性能，但是一旦环境等因素发生变化，传统的智能分析算法在应用上的性能就会降低。
电气工程发展了上百年，其中各个子领域的可观察性都在进行完善和升级，例如交通工具（汽车/飞机等）也算的是可观察性上的集大成者。抛开飞机这种超级工程不谈，一辆可正常上路的小型汽车内部也有上百种的传感器用来检测汽车内/外部的各种状态，以便让汽车可以稳定、舒适、安全地的行驶。
数据集中化：相对辅助驾驶能力，自动驾驶的一个核心突破是能够将车内外的所有数据集中到一起去处理，真正发挥出数据的价值，而不是每个模块的数据作为孤岛进行独立运作。
软件迭代：算力+算法构成了智能化的最终目标，然而算法不可能完美无瑕，我们会根据逐渐积累的自动驾驶数据不断进行算法的升级，使软件系统能够不断的升级以获得更佳的自动驾驶效果。
