指标宽表2
任务失败
特征探索
模型退出
结果表
需求分析
指标开发
特征开发
API提供节点审批
模型构建
提供单点登录
模型部署
AI中台
作业调度2
OA
模型v2
harbor中是否存在镜像
模型服务
生产环境
模型发布
制作模型镜像
任务成功
模型服务组件
模型监控
模型验证
是
准生产
跑批
特征表2
删除job
指标宽表1
数据中台
否
模型研发
模型全生命周期管理
数据/业务 验证
模型管理中记录日志
模型修正
实时服务
调起批量
是否超时
创建job
调度系统
数据湖提单
API提供模型资产信息列表
python 脚本
模型管理
作业调度1
调度任务
卸数
数据资产子系统
特征表1
模型v1
持续验证与确认
任务是否完成
数据准备
模型中心
API提供模型的生命周期状态列表
批量服务
1. 发起在生产环境中的AI中台发起提出需求，做“需求分析”，发起需求审批流程。2. \"数据准备\"阶段，在准生产环境中做特征探索，探索需要的特征。3. \"模型构建\" 阶段，使用特征探索组件中的特征，在准生产环境中做模型研发。4. 模型研发确定好模型需要的入模特征之后，对数据湖提单，交给指标平台进行指标开发；指标上线投产之后，跑批产生宽表，通过T+1同步到准生产。5. 将开发的模型注册到模型中心，对生产环境同步过来的指标宽表进行模型的数据验证和业务验证。6. 模型验证通过后，将模型包和验证报告导出，在生产环境导入。7. 模型部署审批通过之后，就可以发布批量服务或实时服务了。8. 如果时批量服务，由调度系统发起作业调度1，将跑批数据卸数到指定目录下；卸数结束之后，调起作业2，作业2 调起批量服务。9. 批量服务将结果写回数据湖结果表中。10. 在AI中台中配置模型监控任务，产生监控报告。
数据湖
模型2
调起批量推理
项目管理子系统
推送镜像
