机器学习BML
面向企业和AI开发者的端到端机器学习平台，可一站式完成数据预处理、模型训练与评估、服务部署等工作。
产品概述
AI开发平台BML是一款端到端的AI开发和部署平台。基于BML，用户可以一站式完成数据处理，模型训练与评估，服务部署等工作。平台提供了高性能的集群训练环境，海量算法框架与模型案例，以及操作便捷的预测服务工具，让用户可以专注于模型与算法本身，并得到优质的模型与预测效果。
产品功能
| 工作区 完全托管的交互式编程环境，实现数据处理和代码调试 | 点开即用的交互式运行环境Jupyter完全托管的Jupyter环境内置多种常用算法框架和软件库，无需配置环境，点开即用，同时CPU实例支持用户安装第三方软件库，自定义环境，最大程度保证您使用的灵活性。 提供GPU资源工作区的Jupyter运行环境为用户提供GPU计算资源，您的轻量级数据处理、训练需求可以直接在Jupyter中完成，快捷高效，并为大规模训练任务做好准备。 自动同步BOS数据自动加载对象存储BOS中存储的训练数据，并将容器中数据实时同步到BOS上。 |
| 训练 多种深度/机器学习框架，一键发起大规模训练作业 | 支持多种深度/机器学习框架支持Tensorflow / Pytorch / PaddlePaddle等多种深度学习框架和Rapdis cuML机器学习框架，您的代码可一键发起作业。 AutoDL/AutoML支持自动图像分类和逻辑回归超参自动寻优，您只需提供训练数据和参数，即可完成模型训练和持续优化，最大化提升训练效率及效果。 大规模分布式训练提供多种CPU、GPU套餐，支持多机多卡场景，单机最高可用8张Nvidia Tesla V100 GPU卡。 |
| 预测 预测模型灰度上线，高效率低延迟的预测服务 | 支持多种框架支持TensorRT, PaddlePaddle，Anakin（基于PaddlePaddle深度优化的预测服务框架）等多种预测服务框架。 预测模型库匹配模型数据和模型运行环境（Container Image）， 管理（增/删/改）可部署的预测模型和其版本。 资源管理为服务端点配置集群资源，监控生产环境中的服务，保证服务可用性的条件下在线变更服务资源。 A/B Test端点服务支持不同版本模型的上线，从而支持客户对不同版本模型的效果评估。 负载管理控制流向不同端点的数据流量，为业务中新模型的灰度上线，负载均衡和服务质量控制提供有效机制。 |
产品定位
| 工作区 | 训练 | 预测 | |
用户类型
|
|
|
|
痛点
|
|
|
|
功能
|
|
|
|
产品优势
快速上手
点开即用的Jupyter环境，内置多种常用框架，无需配置环境。同时支持多种Auto算法，省去编程和超参数调优的繁重工作。
一站式开发和部署
在控制台进行简单点击或使用API调用，可一站式完成发起训练任务、获取训练模型、启动预测服务，覆盖了AI开发&部署的全流程。
灵活
在控制台进行简单点击或使用API调用，可一站式完成发起训练任务、获取训练模型、启动预测服务，覆盖了AI开发&部署的全流程。
高性能
产品资源采用容器技术，可快速启动和释放，多机多卡的分布式训练和对企业级超大规模数据的支持，可显著缩短开发所需时间。