AI中台与数据中台对接

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