中软国际数据治理专业服务解决方案实践

数据采集与分析 前提条件 已配置邮箱 服务器 ，具体操作请参见调测邮箱通知功能。 操作步骤 选择“运维管理 > 数据采集与分析 > 数据采集与分析”。 根据需要选择相应的功能使用，详情请参见表1。 表1 任务管理 任务 说明 操作方法 采集设备日志 采集和统计设备故障日志，以了解设备的状态以及运行情况。

查看更多 →

数据采集与分析 数据采集与分析 父主题： 运维管理

查看更多 →

数据开发与治理 数据源管理与数据标准管理 数据建模 数据开发 数据血缘、资源管理、函数管理和变量管理 数据发布CI/CD、任务运维 数据质量管理 元数据管理 数据资源管理 数据服务管理 数据安全 父主题： 产品操作

查看更多 →

数据识别与准备 在迁移开始前，华为云 OMS 服务会先对源端存储系统中的数据进行识别，包括对象大小、最后修改时间以及位置等关键信息。基于这些信息，服务会为用户生成一个对应的迁移任务配置，确保迁移过程的高效性和准确性。 父主题： 迁移工作原理

查看更多 →

试，显著缩短了从模型开发到部署的周期，确保了模型在各类应用场景下的高性能表现，让客户能够更加聚焦于业务逻辑与创新应用的设计。 资源易获取，按需收费，按需扩缩，支撑故障快恢与断点续训 企业在具体使用大模型接入企业应用系统的时候，不仅要考虑模型体验情况，还需要考虑模型具体的精度效果，和实际应用成本。

查看更多 →

为AstroZero服务编排添加决策图元 决策图元的作用 配置该图元能够在服务编排中创建判断条件，根据判断结果连线其他图元，决定后续执行何种操作，类似if语句。 如何使用决策图元 在逻辑中，拖拽“决策”图元至画布中。 选中决策图元，单击，设置基本信息。 表1 基本信息参数说明 参数

查看更多 →

知识库包含标准件模型库、行业模型库、工业感知AI模型库、计划与决策优化模型库以及供应链协同智能调度优化模型库； 面向增量知识，建设基础支撑系统，提供新知识构建开发环境和能力，包含工业 AI开发平台 、工业AI运营平台、3D模型搜索引擎、工业服务者开发平台、数字化转型与精益生产方法论实践学习平台以及工业模型管理平台。

查看更多 →

的。 准备数据 数据准备主要是指收集和预处理数据的过程。 按照确定的分析目的，有目的性的收集、整合相关数据，数据准备是AI开发的一个基础。此时最重要的是保证获取数据的真实可靠性。而事实上，不能一次性将所有数据都采集全，因此，在数据标注阶段你可能会发现还缺少某一部分数据源，反复调整优化。

查看更多 →

模型测试 将样例数据中的测试数据集加载至当前学件项目中，进行数据预处理，并基于训练出的模型进行效果验证。 单击界面左下角的“加载数据”，弹出“加载数据”代码框，如图1所示。 需要配置的参数如下所示，其余参数保持默认值即可。 数据集：从下拉框中选择数据集“samples”。 数据集

查看更多 →

py”和“train.py”。 将预置模型训练工程“hardisk_detect”中同名文件“preprocess.py”和“train.py”的代码，分别拷贝至新建文件“preprocess.py”和“train.py”中，并按“Ctrl+S”保存。 单击与训练工程同名的“.py”主入口

查看更多 →

模型管理 模型管理简介 创建模型 模型推理

查看更多 →

测试模型 用测试数据测试模型的泛化能力。训练数据可以是带标签或者不带标签的数据，测试数据一定是带标签的数据，方便评估模型执行效果。 单击“训练模型”左下方的“测试模型”，新增“测试模型”内容。 参数配置均保持默认值。 单击“测试模型”代码框左侧的图标，进行模型评估。 模型测试效果会通过表格的形式在下方展示。

查看更多 →

训练模型 特征和算法确定后，可以开始训练模型。 训练模型 单击“模型选择”左下方的“训练模型”。 新增“训练模型”内容，如图1所示。 图1 训练模型 单击“训练模型”代码框左侧的图标，进行模型训练。 模型训练完成后，界面下方展示模型的评估效果。 第一列内容的含义如下所示： 0：标注为0的所有样本。可以理解为标签。

查看更多 →

模型管理 单击菜单栏中的“模型管理”，可在“模型管理”界面查看打包好的模型，如图1所示。 图1 模型管理 父主题： 使用模型训练服务快速训练算法模型

查看更多 →

发布模型 逻辑实体创建完成后，必须创建对应的物理实体，才可以发布逻辑模型。 操作步骤 在数据服务左侧导航，选择“工具箱>数据开发>数据建模”。 在左侧导航中，单击展开分层，选择一个分层。 在需要发布的逻辑实体对应的“操作”列下，单击>。 在“提示”对话框中单击“确认”。 在“确认”对话框中单击“确定”。

查看更多 →

i_doc 数据集参数配置 数据集超参 配置数据集实例的超参。 通过调用SDK（get_hyper_param）获取数据集相关的超参，包括训练数据集实例、测试数据集实例等。数据集超参支持输入多个，可以通过“增加”和图标，来增加或删除运行超参。 详细SDK说明，请在模型训练服务首页右下角的浮框中，依次单击“帮助中心

查看更多 →

模型训练 导入SDK 选择数据 特征画像 模型选择 训练模型 测试模型 开发推理 归档模型 父主题： KPI异常检测学件服务

查看更多 →

模型管理 模型管理简介 创建模型包 编辑模型包 上架模型包至AI市场 发布推理服务 模型包完整性校验 父主题： 用户指南

查看更多 →

是否生成本地模型包：请保持默认值关闭。即默认不在当前JupyterLab特征工程项目中生成本地模型包。仅归档模型包，供模型管理页面新建模型包使用。 是否生成本地metadata.json：请保持默认值关闭。 单击归档cell代码框左侧的图标，完成模型归档。 父主题： 模型训练

查看更多 →

训练模型 选择训练数据后，基于已标注的训练数据，选择预训练模型、配置参数，用于训练文本分类模型。 前提条件 已在 自然语言处理 套件控制台选择“通用文本分类工作流”新建应用，并选择训练数据集，详情请见选择数据。 训练模型 图1 模型训练 在“模型训练”页面，勾选模型训练所使用的“预训

查看更多 →

评估模型 训练得到模型之后，整个开发过程还不算结束，需要对模型进行评估和考察。一次性很难获得一个满意的模型，需要反复的调整算法参数、数据，不断评估训练生成的模型。 一些常用的指标，如精准率、召回率、F1值等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在自然语言处理

查看更多 →