Databricks数据洞察在ETL和数据科学中有非常多的优势，比较显著的包括性能上跑标准测试集较开源最高有50倍提升、使用通用的数据存储格式Parquet，可扩展性高，并且支持客户自定义部署，满足定制化需求、使用企业级Spark，
将事物移到边缘的原因是为了获得更好的响应时间。速度和延迟对于诸如计算机视觉和用于5G的虚拟无线电接入网络等应用至关重要。另一个重大好处在于，通过限制将哪些数据上传到云来改善隐私。
大多数专家将边缘和云方法视为更大战略的补充部分。云AI更适合批量学习技术，该技术可以处理大数据集以构建更智能的算法，从而快速，大规模地获得最大的准确性。Edge AI可以执行这些模型，而云服务可以从这些模型的性能中学习并应用于基础数据以创建一个连续的学习循环。
这是一个巨大的挑战，因为用户可能会从高性能的移动网络驶向盲区，而无论如何都希望获得良好的性能。在推理期间，没有足够的网络带宽将所有数据从边缘移动到云，但是用例要求将本地推理输出进行全局汇总。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。
智能视频分析（IV，IntelligentVideo）源自计算机视觉（CV，ComputerVision）技术，计算机视觉技术是人工智能（AI，ArtificialIntelligent）研究的分支之一，它能够在图像及图像描述之间建立映射关系，从而使计算机能够通过数字图像处理和分析来理解视频画面中的内容。而视频监控中所提到的智能视频技术主要指的是“自动的分析和抽取视频源中的关键信息”。
从以上对比中我们可以看出智能分析技术的好处，但从这些年智能分析技术的应用来看，其并未实现大面积商用，究其原因主要是过去技术不够成熟、应用效果不够理想，
当然，这些都是底层的技术问题，用户对此并不关心，也不需要关心，对于用户来说，人工智能技术的应用能否真的提升效率，而不是浮于表面的漂亮概念，才是最重要的。
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。
传感器：随着后来汽车开始正式进入市场，人们需要更好的知道汽车是不是没油了、没水了，因此基础的传感器仪表盘被发明出来。
个性化学习
你知道Netflix如何推荐你喜欢的电影和电视节目吗?这得感谢人工智能。
人工智能在教育领域也是如此，它将每个学生的学习路径个性化，以更好地获取和掌握知识。
