先利用传统匹配算法Sift自动生成模型所需的训练数据，完成模型的冷启动；并且在模型上线后，对线上人工作业结果进行自动挖掘，并组织成训练数据，以迭代模型优化。多模态检索模型是基于三元组损失（Triplet Los）的度量学习框架
对齐操作如下图9所示，首先将特征图进行垂直池化，得到分块的局部特征图，再计算两张图局部特征之间的相似度矩阵，然后根据公式1找到最短距离将两张图像进行对齐，其中，i，j分别表示两张图中的第i块特征和第j块特征，dij表示两张图中第i块和第j块特征的欧式距离。
低碳双11，必须解答好三个考题：首先，如何让数据中心变得更“绿”、更加节能；其次，如何通过算力共享，提升资源统一调度效率；再次，如何让单位算力的效率和价值最大化。
而可观测性这一概念为何在近100年后才会被提出？难道在此之前就不需要依赖各类传感器的输出定位和排查故障和问题？显然不是，排查故障的方式一直都在，只是整个系统和情况更加复杂，所以才需要更加体系化、系统化的方式来支持这一过程，因此演化出来可观测性这个概念。所以核心点在于：
知识运营人员的提效利器「全链路运营工具」
• 任务式对话半自动化构建：基于人工会话日志自动化构建任务式对话流，包括意图、结构、流程；多轮对话场景下。
云原生也是对团队业务价值和功能的重构。传统运维团队的一些职责转移到开发团队，如应用配置和发布，降低了每次发布的人力成本，而运维职责将更加关注系统的稳定性和IT治理。Google倡导的SRE Site Reliability
海外业务 Mesh 化，**多活可下沉 Sidecar
阿里巴**外有 AE&Lazada 等多种业务形态，**多活体系侵入性大，技术架构不统一，从而影响了全局高可用和研发协同效率。
为了更好加速业务创新和解决互联网规模的挑战，云原生应用架构与开发方式应运而生，与传统单体应用架构相比，分布式微服务架构具备更好的更快的迭代速度、更低的开发复杂性，更好的可扩展性和弹性。
工作负载自动化升级
K8s 控制器 “把复杂留给自己，把简单交给别人”的理想非常美好，然而实现一个高效、健壮的控制器却充满技术挑战。
• 由于K8s内置工作负载的局限性，一些需求无法满足企业应用迁移的需求，
数据：传感器产生数据后，我们需要有足够的能力去获取、收集各种类想的数据，并把这些数据归类分析。
算力：可观测场景的核心是需要覆盖足够多的数据，数据一定是海量的，因此系统需要有足够的算力来计算和分析这些数据。
