边缘AI可以运行神经网络，以帮助过滤必须发送到云以进行进一步AI处理的数据。
在其他情况下，云AI训练可能会导致神经网络模型具有过多的层次，无法在边缘设备上有效运行。
可观察性最早来自于电气工程领域，主要原因是随着系统发展的逐步复杂，必须要有一套机制用来了解系统内部的运行状态以便更好的监控和问题修复，为此工程师们设计了很多传感器、仪表盘用于表现系统内部的状态。
人祸之外，天灾属于不可抗力因素，比如地震、海啸或者其他极端的影响，施工团队把机房电缆光缆给挖断了，发生了火灾等。
不是真正的用户、没有处在那个场景，就很难了解真实的情况。于是，大家就只能根据自己的经验和专业能力，进行判断和推演。
做产品不能闭门造车。于是，我们就随即安排相关同学去了标注外包公司做现场调研。
如果对全部POI进行处理的话，则会带来高昂的作业成本，因此需要对其中没有变化的POI进行自动化过滤，其中关键技术能力就是图像匹配，该场景是一个较为典型的图像检索任务。
通常来说，传统特征点匹配算法会存在泛化性不足问题，由此生成的训练数据很可能导致模型无法很好学习，具体体现在：1）训练样本较为简单；2）类别冲突，即同一牌匾分为多个类别；3）类别错误，即不同牌匾分为同一类别。
图像检索是在高德地图数据自动化生产中的一次尝试，取得了不错的效果，并且已在实际业务中使用。但是模型并不是完美的，仍会存在Corner case，为了解决这些case，我们未来将会从半监督学习/主动学习自动补充数据，以及引入Transformer优化特征提取和融合两方面进行探讨。
我们以大家最熟悉的电商系统来举个栗子，在电商业务中有一个重要的环节就是物流。因此物流是电商业务的重要业务子域。当用户下完订单之后，在仓储领域就需要陈诚对应的货物拣货单，
汇报关系主要有两种：一种是常见的垂直功能组织，一种是横向的项目组织。垂直功能组织中，常见的比如说技术团队里主要向技术 leader 汇报。而在横向的项目组织里，我们通常是拉通多个 BU，由一个 PM 作为总指挥。
做完取舍、选择之后就是执行了。执行时最主要的是克服拖延症。即便我们将重要紧急等事务区分的再好，一旦产生了拖延，那么重要紧急也要毫无意义。这里给大家介绍一个拖延症克星——2 分钟原则：如果某项任务不到 2 分钟即可完成，那么就立即去执行。
