（1）大資料不僅僅是資料技術，需要完整的產業鏈條：需求<－>業務<－>模型<－>資料，資料和模型的利用一定是建立在，對需求和場景有非常清晰的把握的基礎上。類比到我們所做的AI業務上，因為課堂的質量控制是1對1業務規模擴大的關鍵風險，所以才成為了AI負能業務的第一個落腳點。這樣的大方向往下拆解，我們的具體業務又該怎麼實現？本週在新員工培訓中，學習到的大海1對1的教育理念——知識結構，培養習慣，成就感，就是解決這個問題的答案。AI監控的維度就是要圍繞我們最底層的理念來構思，互動，筆記和做題資料監控是為了培養學生更好的學習習慣，而表情資料的外化需求是為了帶給學生更好的成就感。基於對需求和業務的清晰思考和規劃，才能合理地利用資料和模型技術的能力。

（2）大資料賦能的節奏：大資料賦能業務不是一蹴而就的，AI模型的訓練，從資料探勘，清洗，特徵提取，到迭代，每一個迴圈都需要較長的優化時間。如何能把這樣的節奏和整體業務快速發展的需求相匹配？一直是我這個月來最主要的思考。業務現在的AI賦能思路與畢然老師的分享基本保持相同的節奏。短期關鍵資料的定義收集和資料建模應用基於對業務的理解，長期的標註，資料探勘和模型迭代基於我們和AI Lab的共創規劃。節奏可概括為：資料採集建庫-資料分析-機器學習，AI的應用需建立在人為資料驗證的基礎之上。

（3）業務的困難點也是機遇，創新才能彎道超車：1對1場景下的主要矛盾點，是隨著規模的擴大：a.成本的不斷上漲 b.教學質量的失控。這兩個點一直以來讓教育機構對1對1場景都十分謹慎，然而大家都面臨的困難也是行業的壁壘所在，是機遇。創新的解決方案是能快速製造壁壘，並搭載產業鏈，形成不可複製化的一個關鍵因素。例如：我們的在校大學生兼職授課模式，我們的1對1教育理念，和我們的AI課堂質量監控。這些完整落地的過程，因為是創新，所以會遇到很多坑，但只要堅持下去，就是一個個彎道超車的殺手鐗。