虚拟机管理: K8s通过KubeVirt可以实现对虚拟机和容器的统一调度与管理，可以利用虚拟化弥补容器技术的一些局限性，比如在CI/CD场景中，可以结合Windows虚拟机进行自动化测试。
我并不是在说那些学习计算机科学的数据科学家和那些学习统计学的数据科学家。任何称职的数据科学家都可以在需要概率、统计、数据结构和算法的时候信手拈来。实际上,本书中的建议同样适用于这两个学科的数据科学家,我们也会看到对两者都有很大好处的例子。
不过,传统的线性回归模型并不被视为深度学习,因为它们没有对数据进行多层的非线性变换。
其他流行的数据学习技术有决策树( decision tree ) 、随机森林( random forest )和支持向量机(support vector machine )。
当时我觉得特别分裂，到底是年轻人没有机会了呢，还是中年人没有机会了呢？不同的 BU 中，不同的业务中又是如何定义年轻人和老人的呢？仅仅是简单的通过年龄去判断吗？
有人曾说架构有个“看山四境界”，面对的场景，一个比一个复杂，解决的问题一个比一个困难。在人类早期社会时，就是单纯的为了生存，吃喝保暖、生老病死。就是“看山就是山”的境界，等到面对的事情越来越复杂，就会体悟到更多不同的境界。
线上服务突然出现一波超时告警，告警波及的索引面积较广，但波动具体由哪个索引，甚至哪个查询导致的，在排查时容易陷入无从下手的困境。
vad label制作的不准确性，简单的采用一些能量判断法当做vad模块的groundtruth，也会影响最终效果
所以我们更改了降噪策略，进行反向降噪，改为speech_based denoise method，只利用CNN较强的提取特征能力，学习比较有特色的语谱纹路，将输出抽象为传统信号处理中的先验信噪比这一概念
相对应的就是数据集中的噪声为训练集中未见且不同分布的噪声，环境噪声强度为-5到15db，最大降噪力度控制在-25db，我们和业界标杆的竞品进行对比，
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：
