在整个质量观测的生命周期中，除了各种各样的数据，我们也会涉及到各种各样的系统，例如 GitLab、sonarqube、Allure、JMeter、Jenkins、Travis CI、Argo CD 等等。这些不同的系统作用于不同的阶段，
另外大量的告警也带了很大程度上的误报问题，从而导致“狼来了”效应，于是真正的问题反而很容易又被忽略掉。这就陷入了恶性循环。
恰好一次≠恰好一致
今天大多数流计算引擎用「Exactly-Once」去暗示用户：既然输入的数据不是静态集合而是会连续变化的，那对每一条消息「恰好处理」了一次，输出的数据肯定是一致的。
上述逻辑的推导过程是没问题的，但并不严谨，因为 Exactly-Once 作为一个形容词，后面所连接的动词或者宾语被故意抹去了，不同的表达含义也会大相径庭。
即，任意的数据的处理都是「流（Stream）」 和「表（Table）」间的互相转换，其中流用来表征运动中的数据，表用来表征静止的数据：
流 -> 流：没有聚合操作的数据处理过程；
告警智能降噪包含以下几种机制：
自动去重：每个告警会根据告警自身的关键特征计算出一个告警指纹，然后根据告警指纹自动去重。例如：某主机每一分钟触发CPU使用率过高告警，1小时触发60次，
关于对未来的展望：
目前质量观测，数据的统一采集和管理，分析、可视化、监控等能力已经都相对完善
从监控角度来说，智能巡检已经可以比较好的自适应数据，
商业已经从一个信息时代的商业变成一个智能时代的商业，现在的商业都是智能化的。
第三个非常大的变化是互联网，移动互联网不仅从根本上改变了消费者购物的体验，
此外，原来整个支撑信息时代最核心的基础技术例如芯片、计算架构，在过去12年开始被挑战、开始去革新，很多新型的算力开始出现，为整个数字时代奠定基础。
、制造到物流、到供应链等等每一个环节进行深度数字化改革。同时过程中，所有这些环节又会被数字技术实时串联在一起，形成一个新的数字商业生态。
