1不同開發團隊之間共享GPU服務器，服務器的資源分配目前是手動完成，效率很低且管理復雜；

2開發環境管理混亂，且由于網絡限制，許多依賴安裝流程繁瑣，影響開發團隊效率；

3由于手動管理，所有GPU服務器的使用情況沒有監控，無法得知資源的使用效率；

4實驗管理、超參數調優、分布式訓練等需求無法滿足。

嵌入式環境模型開發

Pytorch、TensorFlow、MXNet

1平臺可統一管理所有算力資源，并實現了資源調度和分配的自動化；

2平臺具備環境管理能力，提供大量預置環境模板，并允許用戶自定義環境模板，以此進行標準化開發和訓練環境；

3豐富的監控功能允許用戶從任務視角、管理員從全平臺視角了解各類資源的歷史使用率；

4提供實驗管理、超參數調優、分布式訓練功能，使得用戶更高效地進行實驗記錄追蹤、自動調參，并且幫助用戶成功運行一些以前無法運行的大規模模型。

1幫助用戶管理異構的GPU服務器集群；

2GPU調度功能結合環境管理功能對用戶日常工作中的非核心業務實現了自動化和簡化；

3平臺提供的監控功能幫助企業合理評估資源使用情況，并規劃GPU服務器的用量；

4MLOps相關功能可幫助研發團隊提高效率。