gydtep

IT系统的问题非常复杂，尤其涉及到不同的场景和架构，因此我们把算法和经验结合起来进行异常的分析，算法包括基础的统计学、逻辑性算法，也包括AIOp相关的算法，经验中包括人工输入的专家知识、网上上积累的各类问题解决方案以及外部产生的一些事件；

gydtep

第二个重要的部分是流批一体，开头提到 2020 年是流批一体的新纪元，为什么这么说呢，莫问老师从流批一体架构演进，Flink 批处理性能，以及业界流批一体数据生态这三个方面给出了答案。

gydtep

从 Flink-1.10 版本开始，Flink 经过三个版本的迭代，到 Flink-1.12，Flink 已经可以原生地运行在 Kubernetes 之上，对接 K8S 的 HA 方案，并不再依赖 ZooKeeper，达到生产可用级别。同时，Flink 的 JobManager 可以和 K8S Master 直接通信，实现动态扩缩容，并支持对 GPU 的资源调度。

gydtep

接下来，莫问老师分享了 Flink 在阿里巴巴（Flink 最大的使用者和推动者）的前世，今生和未来。2016 年，Flink 在双十一搜索推荐场景中首次亮相，并用 Flink 实现搜索推荐和在线学习全链路实时化。

gydtep

将事物移到边缘的原因是为了获得更好的响应时间。速度和延迟对于诸如计算机视觉和用于5G的虚拟无线电接入网络等应用至关重要。另一个重大好处在于，通过限制将哪些数据上传到云来改善隐私。

gydtep

大多数专家将边缘和云方法视为更大战略的补充部分。云AI更适合批量学习技术，该技术可以处理大数据集以构建更智能的算法，从而快速，大规模地获得最大的准确性。

gydtep

保持适当的平衡-如果您完全致力于边缘AI，那么您将失去持续改进模型的能力。没有新的数据流，您将无处利用。但是，如果您完全致力于云AI，则可能会危及数据质量-由于需要进行权衡才能使其可上传，并且缺乏反馈来指导用户捕获更好的数据-或数据量。

gydtep

在连接的汽车中，汽车上的传感器会提供实时数据流，该数据流会不断进行处理并做出决策，例如施加制动器或调整方向盘。可以将相同的传感器数据流式传输到云中以进行长期的模式分析，从而可以警告所有者急需的维修，从而可以防止将来发生事故。

gydtep

云计算和边缘AI协同工作，以更深入的洞察力为驱动力，制定即时的需求决策，而这些洞察力不断被新的边缘数据所告知。

gydtep

使边缘AI和云AI协同工作的主要挑战是程序和体系结构。需要对应用程序进行设计，以便有目的地拆分和协调它们之间的工作量。