gydtep

Workflow Orchestration 工作流编排：以阿里云 Serverless 工作流为例，可以通过一个声明式的业务流程来编排任务。这种方式简化了开发和运行业务流程所需要的任务协调、状态管理以及错误处理等繁琐工作，让开发者聚焦于业务逻辑开发。

gydtep

与经典Java VM相比，生成的程序具有更快的启动时间和更低的运行时内存开销。Quarkus（https://quarkus.io/）/Micronaut（https://micronaut.io/） 等作为云原生定制的新一代Java框架，可以实现惊艳的启动时间和资源开销。更多分析可以参考Java的云原生进化。

gydtep

这种AI架构的问题在于，许多设备可能开始超载网络流量，或者您可能正在使用已经大量使用的网络。在这些情况下，将数据发送回中央服务器会导致处理时间过长，这是令人无法接受的。这是Edge AI发挥其价值的地方，因为可以在硬件设备上本地执行较不复杂的机器学习和AI流程。

gydtep

正在应用的知识蒸馏的一个实例是使用视频源在监视系统上实时检测性别。通常，识别性别需要相当大的基于云的神经网络。但是在实时系统中，跳回云并不总是一种选择。知识蒸馏可以将整个过程精简为一个较小的网络，该网络可以在安装到边缘设备的同时准确地识别性别。如果没有知识蒸馏技术，这可以实现几种不可能的应用。

gydtep

机器学习和人工智能解决方案大大提高了高效生产的所有标志-标准化、规模经济、任务自动化、专业化。因此，在未来几年中，嵌入在物联网设备中的AI将不可避免地继续紧密地融入所有主要制造流程中。

gydtep

毫不夸张地说，制造业的未来几乎是基于物联网的AI的同义词。在2019年，估计有80亿个IoT设备，但到2027年，预计将有410亿个 ，增长的最大份额将在制造业。制造业中AI的估值将增长15倍以上，从目前的约11亿美元增长到2026年的160亿美元以上。

gydtep

随着互联网进入下半场，流量红利逐渐消失，一方面，企业开始重视如何通过数据来挖掘同一个用户的更多价值；另一方面，不管是产品经理、运营还是市场都开始通过“数据驱动”寻找新的增长空间。

gydtep

“早前，我做数据产品和数据分析的时候，很多产品同学说所有的都要埋点，包括头像、点击次数等，他会问这些点真的有用吗？想好这些指标数据的目的了吗？这些都是十分有意思的现象和问题。数据驱动是一件好事，但在国内企业的落地中确实很“骨感”。数据驱动不是一个简单的工具，也不是多个分析师或者少个分析师的问题，而是整体的格局问题。“陈新祥在直播中提到。

gydtep

从几个案例进行拆解
现在，很多企业都想实现数据闭环，其实闭环就是非常典型的方法论。那么，这个方法论究竟能不能解决问题？能不能在组织和团队里运行起来？背后是否缺失了哪些环节？在这里，陈新祥分享了一个国内的实际案例。

gydtep

如上图所示，Phase 1是初定的观测指标，包括日活、PV、注册书、功能使用次数、收入、客单价、日活跃占比、新老用户占比、增长率、X转化率等。他们的CEO发现，虽然该有的指标都有，但就是因为都有才失去了聚焦。于是开始精简思路，把团队力量凝聚到一根绳上，Phase 3是最终剩下的两个指标。