定位并消除知识/技能差距
每个人都有不同的学习风格和习惯，所以没有一种教学方法能满足每个人的需要。当然，这就是个性化学习的作用。
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：
云原生带来的不仅仅是应用部署能够部署云上而已，其整个的定义是一套新的IT系统架构升级，包括开发模式、系统架构、部署模式、基础设施全套的演进和迭代。
系统更加复杂：架构从最开始的一体化发展到分层模式，到现在的微服务模式，架构的升级带来了开发效率、发布效率、系统灵活性、鲁棒性等优势，但随之而来系统的复杂度将更高，问题的定位将更加难。
厂商绑定：无论从数据采集、传输、存储、计算、可视化、告警等都可能会被厂商绑定，可观察性系统一旦上线后替换的代价讲巨大无比
自动驾驶一共分为6级，其中0-2级主要还是靠人来进行决定，到了等级3之后就可以进行无意识驾驶，也就是手眼可以暂时性不用关注驾驶，到了等级5的话人就可以完全脱离驾驶这个枯燥的工作，在车上可以自由活动。
以现存公安监控系统为例，目前公安视频监控系统共有2300万路，以20%的AI升级换代计算，可以带来920亿元的市场增量。
前进的道路在于找到一种利用云和边缘优势的平衡。
边缘AI补充了云AI，可在需要时提供对即时决策的访问，并利用云获得更深入的见解或需要更广泛或更纵向的数据集来推动解决方案的见解。
在对敏感数据进行推理时，开发人员还需要考虑一些隐私问题。例如，如果开发人员希望通过手机摄像头检测中风的证据，则应用程序可能需要在本地处理数据以确保符合HIPAA。
