gydtep

通过服务网格控制平面API来统一管理，认证、授权、服务命名等安全策略。
通过 Envoy Sidecar 或者边界代理服务器作为策略执行点（PEP）来执行安全策略，可以为东西向和南北向的服务访问提供安全访问控制。而且Sidecar为每个微服务提供了应用级别的防火墙，网络微分段最小化了安全攻击面

gydtep

2020年，Weaveworks 的 Flagger项目并入 Flux, 开发者可以GitOps的方式实现灰度发布、蓝绿发布、A/B测试等渐进的交付策略，可以控制发布的**半径，提升发布的稳定性。在 2020 年末，CNCF 应用交付领域小组正式宣布了 GitOps Working Group 的组建，我们可以期待未来社区将进一步推动相关领域标准化过程和技术落地。

gydtep

运维体系从标准化、自动化向数据化、智能化演进
随着微服务应用规模的发展，问题定位、性能优化的复杂度呈**式增长。企业在IT服务管理领域虽然已经拥有多种工具集合，比如，日志分析，性能监控，配置管理等等。但是不同管理系统之间是一个个的数据孤岛，无法提供复杂问题诊断所必需的端到端可见性。

gydtep

非预期的突发弹性业务：比如突发新闻热点，或者临时的计算任务。弹性容器实例可以轻松实现每分钟上千实例的扩容。

gydtep

其他流行的数据学习技术有决策树( decision tree ) 、随机森林( random forest )和支持向量机(support vector machine )。这些技术虽然强大,但是并不深入。决策树和随机森林工作在原始输入数据上,不进行变换,也不生成新特征;支持向量机层次较浅,因为它们仅由核函数和线性变换组成。类似地单隐藏层神经网络也不被视为深度神经网络,因为它们只包含一个隐藏层。

gydtep

很难想出一个不能从深度学习受益的商业活动。思考5分钟,把你一些最好的想法列下来。

这是我想到的领域列表:

过程建模和控制、健康诊断、投资组合管理、军事目标识别、核磁共振和X光分析、银行和其他金融机构的个人信用评级、营销活动、语音识别、股市预测、文本检索、金融欺诈检测

gydtep

向量检索的第一大类应用就是对语音、图像、视频这些人类所接触到的，也最为常见的非结构化数据的检索。传统的检索引擎只是对这些多媒体的名称和描述进行了索引，而并没有尝试对这些非结构数据的内容进行理解和建立索引，因此传统引擎的检索结果具有非常大的局限性。

gydtep

随着人工智能的发展，AI 的能力使得我们可以快速且成本较低地对这些非结构化数据进行理解，这样就使得对这些非结构化的数据内容进行直接检索成为了可能。这其中，很重要的一环就是向量检索。

gydtep

源于非结构化数据的繁多而复杂，向量检索天生便是用于应对这种大规模的数据检索，但面对亿级，甚至十亿级以上的场景，许多检索算法仍面临了挑战，工程实现也存在着一些问题，要么构建成本巨大，要么检索效率低下。

gydtep

另外，维数的增加也造成了一些向量检索方法的效率下降，在高维空间下华而不实，同时工程上也增加了数据计算和存储成本。其次，算法上缺乏完全通用性，无法对数据实现泛一致性检索，即任何数据分布上，检索算法都是有效的。