数据分析工程师+培训?结构介绍如下：
了解数据采集的意义在于真正了解数据的原始面貌，包括数据产生的时间、条件、格式、内容、长度、限制条件等。这会帮助数据分析师更有针对性的控制数据生产和采集过程，避免由于违反数据采集规则导致的数据问题；同时，对数据采集逻辑的认识增加了数据分析师对数据的理解程度，尤其是数据中的异常变化。
Omniture中的Prop变量长度只有100个字符，在数据采集部署过程中就不能把含有大量中文描述的文字赋值给Prop变量（超过的字符会被截断）。
在Webtrekk323之前的Pixel版本，单条信息默认最多只能发送不超过2K的数据。当页面含有过多变量或变量长度有超出限定的情况下，在保持数据收集的需求下，通常的解决方案是采用多个sendinfo方法分条发送；而在325之后的Pixel版本，单条信息默认最多可以发送7K数据量，非常方便的解决了代码部署中单条信息过载的问题。
当用户在离线状态下使用APP时，数据由于无法联网而发出，导致正常时间内的数据统计分析延迟。直到该设备下次联网时，数据才能被发出并归入当时的时间。这就产生了不同时间看相同历史时间的数据时会发生数据有出入。
在数据采集阶段，数据分析师需要更多的了解数据生产和采集过程中的异常情况，如此才能更好的追本溯源。另外，这也能很大程度上避免“垃圾数据进导致垃圾数据出”的问题。
Google 的 Pixel 手机自进入 Pixel 2 世代后，以独特的 Visual Core 与 AI 技术颠覆单相机镜头影像的极致，而后续的 Pixel 3 家族更在多镜头旗舰机强敌环伺下仍有出色的影像表现，自然的低照度拍摄、单镜头散景即便面对有更复杂硬体的机种甚至更为杰出，最近更以更平价的 Pixel 3a 家族以 AI 摄影技术使其足以以下犯上，挑战高阶机种。
Google 台湾也请到拥有 Google 杰出工程师 Marc Levoy ，他拥有资深数位影像技术背景、同时也是 由 VMWare 创办人所支持的 史丹佛大学电脑科学荣誉退休教授，为台湾媒体解开 Pixel 相机能如此出色的关键，而他开宗明义的指出， Pixel 手机的影像技术是颠覆过往的硬体定义相机，并转化至软体定义相机的科技结晶。
Pixel 手机的做法是打破过往靠固定功能硬体的作法，借由计算摄影与连拍，透过高效率的机器学习技术取代传统演算法，以 Google 的巨量资料作为基础，配合 Google 的机器学习建立模型，在当代高性能的 Pixel 手机实现惊人的演算，同时 Google 也不藏私的将影像技术对外分享，借此驱动创新与吸引更多人才。
Marc Levoy 指出，在手机上的相机应用程式需要符合几项基本原则：执行需要迅速，预设模式不能失败，重现消费者在摄影遇到的特殊情况，与在特殊模式下可接受偶发的失败。在即时速度的要求，即时监看的资讯需要高于 15fps ，快门延迟需要低于 150ms ，成像时间需低于 5 秒内。
在过往相机的 HDR 技术仰赖 包围式曝光 做法，此技术是借由捕捉不同曝光程度影像，并将多重影像加以叠合，实现从低光到高光皆清晰、细节清楚的影像，然而这项作法却因为需要精确的影像叠合，在缺乏三脚架与手机晃动的情形难以成功拍出 HDR 影像。
而在 Pixel 3+ 的做法则是改变捕捉不同曝光的照片进行合成，以曝光不足、相同曝光的连拍影像作为基础，如此一来影像更为相似也容易校准，并且能够具备更吃恶的信号杂讯比( SNR )与减少阴影的杂讯，同时利用色调映射( Tonemap )强化阴影、降低亮处，虽会牺牲整体色调与对比，但能保留局部对比。藉突破的概念，也让 Pixel 手机的 HDR+ 影像拍摄的成功率与影像品质超越传统 HDR 模式。
由于手机先天感光元件尺寸，若以硬体定义相机技术，难以拍出如专业相机的景深，而肖像模式就是当代手机所使用的方式；在初期为了实现肖像模式，过往使用双镜头先在相似焦点捕捉两个影像，透过立体匹配演算计算深度，接着选择一个平面作为保留锐利的基准，最终模糊基准外的影像，不过如此一来会增加硬体复杂度，并且还需要处理双镜头的资讯。
然而仅有单镜头的 Pixel 手机则是透过机器学习作为基础，在主镜头结合双像素对焦元件取得深度资讯，而前镜头则是透过机器学习而来的影像分析，仍可实现单镜头的肖像； Google 透过卷积神经网路预估图像中每个像素的人物，以超过百万张标签过的人物与配件进行培训，使 AI 模型能够在影像中框出人像轮廓。
过往手机由于仅有单焦点单镜头设计，故要拍摄远处的影像，只能透过数位变焦、也就是数位裁切的方式，但如此一来等同只是对影像进行局部裁切，画质也会随之下降， Google 虽未在 Pixel 的高解析变焦使用 AI 相关技术，然而借由高速连拍技术合成更高画素影像，使其可媲美当前具备 2 倍镜头的机种。
其中的关键，就是当代数位相机元件所使用的拜耳阵列结构，透过矩阵中配置 R 、 G 与 B 画素组合构成影像，当手持进行高速连拍时，将原始、水平、垂直、与水平与垂直同时位移的四张影像结合，可借由连拍之后将多张影像的颜色资讯相互填补，并透过颜色资讯重建方式，提升高解析度，若在完美不摇晃的环境，则反过来利用防手振技术制造手振使像素偏移。
Google 的夜视模式也仍是基于高速连拍的技术结晶，按下快门后，高速捕捉达 15 张的影像，另外会根据手振程度与侦测画面中是否有动体评估拍摄时间，有晃动就会延长取景时间，反之则缩短。而自 Pixel 3 则在此为基础之上，再导入高解析变焦功能的技术概念，最终结合学习式白平衡调整色调。
夜视技术的出发点是为了实现在人眼难以辨识甚至不可见、但仍真实存在且具备色彩的夜间景物， Google 透过古典画作的三大特征，以强化对比、将阴影投射为黑色与透过黑暗环绕场景作为原则，并透过色调映射还原色彩，以古典画作为师呈现出色的夜视模式。
或许会有消费者认为在少了 VisualCore 后， Pixel 3a 的影像表现会有所差异，不过 Marc Levoy 拍胸挂保证，除了少了 VisualCore 带来的处理高效率外，由于相机相同， AI 模型相同， Pixel 3a 系列仅有处理速度较慢，影像品质不会有差异。
