框架将不断发展，以提供更多有关在哪里进行培训以及如何提高重用性的选择。例如，TensorFlow.js使用WebGL和WebAssembly在浏览器中运行（有益于隐私，低延迟，利用桌面或移动GPU资源等），但也可以加载分片的，缓存的云训练模型版本。
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。
近两年，基于深度学习的人工智能在安防市场的应用越来越深入，尤其是车牌识别、人脸识别等技术得到了大规模的应用，并获得了非常不错的应用效果。
随着上百年的发展，电气工程下的可观察性已经不仅仅用来辅助人们进行问题检查和定位问题，我们以汽车工程来看，整个可观察性的发展经历了几个过程：
3. 对这个模块以及关联的日志进行查询/统计分析，找到核心的报错信息（Logging）
4. 最后通过详细的调用链数据定位到引起问题的代码（Tracing）
把知识转化为实践
获取知识使我们更聪明。但是应用这些知识可以进一步提高我们的智力。
整体上做数据库的安全防护时，技术往往是一方面，更多的行为是在于人冶上面，怎样通过这种流程跟手段有效的控制，在技术之外，把安全性的防护做好，是在整个数据库安全领域里，面临的最为头疼的一个问题。
一开始，我们与几个标注团队的小组长进行小范围的初步沟通。当时，随口问了下产品使用情况，他们一致反馈“没什么问题，挺好用的”。
这样的回答很正常，毕竟这么简单、直接的问法，是很难获取到有价值的信息、了解到用户的需求。
如果你只是将这个需求做了，那是不够的。
为什么呢？因为用户要的模型报告，只是“浅层需求”——他的确需要看各种指标，但他最想要的是，在新模型训练出来后，他要对不同版本的模型效果进行对比——不仅要知道指标是多少，更想知道指标的具体变化，哪些升了、哪些降了以及具体数值是多少。
图像检索问题定义：给定查询图像（Query），通过分析视觉内容，在大型图像库中（Gallery）中搜索出相似的图像。该方向一直是计算机视觉领域的一个长期研究课题，在行人重识别、人脸识别、视觉定位等任务中均有广泛的研究。
