使用DataArts Studio开发AI DataLake作业

在AI DataLake完成引擎端点的配置后，您就已经具备了提交作业的必要条件：计算资源与引擎配置。

接下来将要进行作业开发模块完成数据查询、数据处理等任务。

AI DataLake公测期间支持的引擎：多模数据引擎Aura、AI计算引擎Ray、批处理引擎Spark。

表1 各引擎作业开发说明
引擎	作业开发方式	作业开发流程
多模数据引擎Aura	使用DataArts Studio完成作业开发	在AI DataLake的快速入门中，以AuraJob为例介绍了完整的作业开发流程，了解更多请参见基于用户自定义镜像的多模数据处理。
多模数据引擎Aura	使用DataArts Studio完成作业开发	在AI DataLake的快速入门中，以AuraJobV2为例介绍了完整的作业开发流程，了解更多请参见基于Aura DataFrame的多模数据处理。
AI计算引擎Ray	使用API提交作业	在AI DataLake的快速入门中，以RayCluster为例介绍了完整的作业开发流程，了解更多请参见基于RayCluster Data的数据处理。
AI计算引擎Ray	使用API提交作业	在AI DataLake的快速入门中，以RayJob为例介绍了完整的作业开发流程，了解更多请参见基于RayJob Data的数据处理。
批处理引擎Spark	使用API提交作业	在AI DataLake的快速入门中，以SparkJob为例介绍了完整的作业开发流程，了解更多请参见基于PySpark的数据处理。

本节介绍使用DataArts Studio进行作业开发的操作流程。

开发作业前，您可以通过图1了解DataArts Studio数据开发模块作业开发的基本流程。

图1 作业开发流程

新建作业：当前提供两种作业类型：批处理和实时处理，分别应用于批量数据处理和实时连接性数据处理，其中批处理作业支持Pipeline和单节点作业两种模式，具体请参见新建作业。
开发作业：基于新建的作业，进行作业开发，您可以进行编排、配置节点。具体请参见开发Pipeline作业。
调度作业：配置作业调度任务。具体请参见调度作业。
- 如果您的作业是批处理作业，您可以配置作业级别的调度任务，即以作业为一个整体进行调度，支持单次调度、周期调度、事件驱动调度三种调度方式。具体请参见配置作业调度任务（批处理作业）。
- 如果您的作业是实时处理作业，您可以配置节点级别的调度任务，即每一个节点可以独立调度，支持单次调度、周期调度、事件驱动调度三种调度方式。具体请参见配置节点调度任务（实时作业）。
提交版本并解锁：作业调度配置完成后，您需要提交版本并解锁，提交版本并解锁后才能用于调度运行，便于其他开发者修改。具体请参见提交版本。
（可选）管理作业：作业开发完成后，您可以根据需要，进行作业管理。具体请参见（可选）管理作业。
发布作业。企业模式下需要发布作业，具体请参见发布作业任务。