本篇主要介绍“模型开发”模块，模型开发模块提供自动化建模、可视化建模、交互式建模等多种建模方式，支持主流机器学习和深度学习开发框架，支持以自制 Docker 镜像的形式来支持其他框架和第三方软件库，并且内置经典算子及多种调优后预训练模型。模型开发模块能帮助不同建模水平的人员提升建模效率，助力构建统一AI基础设施，实现敏捷的产业智能应用开发，提升智能化效率。

在上篇中“智能数据”模块完成数据集引入和预处理后，得到可供模型训练使用的数据集。根据研发能力由低到高，可以选择自动化建模、可视化建模、交互式建模。

（1）自动化建模

自动化建模（AutoML）是一款自动化程度比较高的建模工具。用户只需提交数据，平台自动进行特征工程、算法选择和参数调优，进而构建高精度模型，大大简化了算法建模和模型调参的繁琐过程，节省人力，降低机器学习门槛。

1.新建任务

进入“自动化建模”页面，点击”新建“按钮。在弹出的任务配置页面中，选择数据集、真实label列、模型类型、评价指标等，其中模型类型包含四类：二分类、多分类、回归和聚类。选择模型类型后，系统自动呈现对应的特征工程和模型组件，支持删除。支持交叉验证样本数据。

2.查看和评估建模结果

模型训练成功后。点击操作列的“查看”，查看模型详情。

也可通过“对比查看”获取多个模型全方位的评估效果对比报告。

3.发布模型到模型仓库

点进模型，在“Top5模型“板块的操作列中选择”发布到模型仓库“按钮，填写模型名称、模型版本和发布方式。

4.发布模型为预测服务

进入“模型仓库 > 模型列表“页面，点击进入模型详情，选择操作列中的”发布为预测服务“按钮，将模型发布为预测服务。

（2）可视化建模

可视化建模通过拖拉拽和拼接组件的方式，形成建模流程。用户配置组件参数后，即可训练模型。平台提供可视化的实验开发环境，开发人员和业务人员根据场景和业务需求能够在交互式画布上直观地连接数据处理、特征工程，算法，模型预测和模型评估等组件，基于无代码方式实现人工智能模型开发。可视化建模在降低模型开发门槛的同时提升了建模的效率。内置数百个成熟的机器学习算法，支持多种算法框架，覆盖了机器学习和深度学习场景，满足用户不同程度的需求。即开即用的同时，提供自定义组件保持数据处理，保持建模的灵活性。/p>

1.创建可视化画布

拖拉拽构建模型训练流水线，配置数据集及流水线各模块参数

2.模型发布

模型训练完成后，点击“发布”按钮，将模型发布至模型中心。

3.服务部署

在创建服务页面中，设置服务名称、技术类型、资源等参数。点击“确定”，将模型发布为服务。

（3）交互式建模

交互式建模基于notebook，内置完全托管的交互式编程环境JupyterLab，实现数据处理和代码调试。支持PaddlePaddle、TensorFlow、PyTorch、scikit-learn、XGBoost等开发框架，同时支持以自制Docker镜像的形式支持其他框架，是AI模型开发工程师的主流建模方式。

平台根据用户配置如使用的机器学习框架、需要的资源等自动生成Notebook实例。业务人员无需关注基础环境的安装配置，即可直接使用Notebook开发环境。

Notebook支持代码自动补全、深色背景，提供优秀的代码和MD编辑体验。支持停止和重启实例，节约资源。支持挂载数据集、挂载存储，以及通过命令行发布模型到仓库，提供一站式的建模体验。