以上内容主要围绕数据驱动的闭环展开，包括目标、洞察、迭代、落地等各个环节，在这之中有一套标准的方法论，如果能把这套标准方法论体系化和产品化，可以极大的提升决策效率。
在我的理解，软件架构主要目标是解决下列挑战：
1、控制复杂性。由于业务的复杂性，需要我们用更好的手段帮助研发组织克服认知障碍，更好的分工协作。分而治之，关注点分离等手段皆是如此。
除了自动化和机器人等明显的用例之外，人工智能系统还能够优化制造流程，发送早期警报，促进质量检查和质量控制并预测机械设备的故障。关键是收集正确的数据，然后制造商可以开发创新的AI应用，从而使其与众不同。
谈事件驱动架构 （EDA - Event Driven Architecture），我们首先来解释一下什么是事件。事件是指对已经发生的事情、状态变化等的记录。
3、在大多数情况下，由于缺乏跨多个系统的分布式事务支持，维护数据一致性是非常具有挑战性的。开发者可能需要权衡可用性和一致性之间的关系。比如通过Event Sourcing（事件溯源）实现最终一致性，详情：
多个应用共享一份基准代码是有悖于 12-Factor 原则的。解决方案如下：
将共享的代码拆分为独立的类库，然后使用依赖管理策略去加载它们。所有部署的基准代码相同，但每份部署可以使用其不同的版本。
依赖——显式声明依赖关系（Dependency）
12-Factor 规则下的应用程序不会隐式依赖系统级的类库。它一定通过依赖清单，确切地声明所有依赖项。大多数编程语言都会提供一个打包系统，比如 java 使用 maven ，应用依赖了哪些第三方库，要显示地定义在 POM 文件里。
10、 开发环境与线上环境等价：尽可能的保持开发，预发布，线上环境相同
12-Factor 应用的开发人员应该避免在不同环境间使用不同的后端服务，即使适配器已经可以几乎消除使用上的差异。
但是借助神经网络进行的深度学习可以从招牌上的部分可见标志创建完整标志的图像。神经网络将不完整的符号发送到神经层，然后将其传递给隐藏层，以确定完整的符号应该是什么。基于输出，神经网络可以根据招牌上的标志做出决策。
再比如，如何结合基础设施和业务要求进行部署，保证内存和CPU合理分配。在基础设施对这些内容无感知的前提下，如何自动化地进行混布和限流。
