模型资产散落各处,研发、验证测试、上线、运维、监控大同小异却部门间各自管理。
随着模型应用及对行业的影响力变大,模型形成一种资产;但随之而来的,各部门间模型研发平台分散、管理各有途径,导致模型从特征模型研发、到上线部署、监控整个流程的不统一。
从开发及运维人员来看,随上线模型的数量增多,工作量与日俱增;一方面,开发上线周期长,流程繁琐;另一方面,后期的持续监控迭代也是手工操作为主,还需要借助其它BI工具做展示。
而从业务人员来看,模型应用虽好,但是落地周期长、投入成本高、应用效果不确定、随政策或其它因素导致的模型失效,若不能及时监测到,又可能会导致企业产生较大损失。
整个模型工作不仅处于割裂的状态,部门间的模型管理方式也各不相同;企业的模型资产无法沉淀,也没法做到统一管理;这使得模型的应用存在巨大的风险。如何能做到对模型的有效监管和监控是企业一直关注的问题。
特征研发
支持模型所需特征的研发,包括数据抽取、加工处理、衍生及自定义特征,生成宽表数据集。
模型研发
支持可视化建模、jupyter式建模等多种方式的模型开发、及规则策略探。
模型统一纳管
支持自研模型、第三方模型、以及规则策略的统一纳管,让散落各处的模型资产进行统一管理。
部署资源弹性扩展
微服务式构建方式,除了自动构建模型服务所需环境外,还可动态调整服务资源,实现模型服务资源的弹性拓展。
服务:批量+实时+流式
即时发布的服务,支持批量推理、实时服务、流式服务三种服务形态,实现点击式上线模型服务。
自动化模型监控
真实数据流量回流,并加入自动化监控任务,提供特征、模型的持续监控、多层级监控预警、及报告输出。