1ML基礎架構組件繁多，構建過程復雜易出錯，標準化需要高度專業的人力投入；

2并行化計算依賴基礎架構層的軟硬件框架，傳統模式下資源管理和計算并行需要大量手工調試工作；

3模型開發依賴的高質量數據，需要大量的人工清洗、標注和格式轉換工作。

大語言模型

基于Pytorch、TensorFlow、MXNet、Transformer框架的機器學習訓練項目

1快速構建機器學習環境，提高10倍人效；

2支持應用工作流優化，可大規模并行計算，提升效率60%以上；

3采用專業平臺和服務后，數據準備用時從2個月縮短到2周以內。

1機器學習環境可支持配置節點、GPU資源池管理、ML作業調度等功能；

2平臺可針對應用進行工作流優化；

3專業數據平臺可提供數據管理和清洗能力，并提供百萬級眾包資源與專家服務。