两套索引除了结构不同外，其他各类机制都是共用的，例如存储引擎、FailOver逻辑、缓存策略、冷热数据分层策略等
上述这些数据都在同一个进程内实现，大大降低运维、部署代价
整个存储引擎基于纯分布式框架实现，支持横向扩展，单个Store最多支持日PB级的数据写入
上述的例子同时查询了LogStore、MetricStore，而且关联CMDB以及ML模型，一个语句实现了非常复杂的分析效果，在实际的场景中还是经常出现的，尤其是分析一些比较复杂的应用和异常。
时序异常检测算法：自动检测某一条、某组曲线是否有异常，包括ARMA、KSigma、Time2Graph等，详细的算法可以参考：异常检测算法、流式异常检测。
；2）类别冲突，即同一牌匾分为多个类别；3）类别错误，即不同牌匾分为同一类别。因此，我们针对该问题进行了相应优化：
通过这种方式进行局部特征对齐，可以很好地提升牌匾在截断、遮挡、检测框不准等情况下的检索效果。
文本特征
POI牌匾对文本强依赖，可能存在仅牌匾名称文本发生变化的场景。我们设计的全局特征分支以及局部特征分支
虽然可一定程度上学习到文本特征，但是文本信息在整体信息中占比较小，并且监督信号仅为两张图是否相似，导致文本特征并没有被很好的学习到。
多模态知识图谱补全技术可以通过远程监督补全多模态知识图谱，完善现有的多模态知识图谱，多模态对话系统可用于电商推荐，商品问答领域。
多模态商品知识图谱技术可以服务于各种下游领域，例如多模态实体链接技术可以融合多种模态下的相同实体，可以广泛应用于产品对齐，明星同款等场景中，
以及它的出现是为了解决什么问题，在实际的上下文场景下是怎么运用的，我想只有这样我们对这些不明觉厉的东东才能有更加深刻的理解。我尽量结合一些实例来进行说明，方便大家的理解。
