接着上次的数据流水线，从数据收集到处理，属于传统大数据基础架构的范畴；从特征处理到算法训练，再到算法打分，就是AI系统的特有部分了，这一段的流水线要想高效运转，需要解决算法和工程人员的技能偏差问题。
这个过程会涉及到目标定义、算法训练、调优和评估这样对算法和数学要求较高的部分；又会涉及到大数据量、大计算量的数据问题，以及高并发、低延迟的在线服务问题，需要很好的协作。
参考康威定律，协作的高需求，就会产生对系统支撑的高需求，工程人员通过系统功能的开发，给算法人员提供相关技术的支持，这就催生了算法平台。
先说产品形态
算法平台面临的需求包括几类不同的用户：
（A）资深算法工程师
这些算法专家，对算法非常熟悉，工作重点在于理解业务和优化迭代，对算法平台的需求重点在于上述数据量、计算量和服务能力。
平台的挑战，在于将这些用户从单机的开发环境，例如python、sas、R，转化为对平台的使用。设计的关注点应该在迁移成本，通过元语、操作的设计，让系统行为与单机在逻辑上相通，便于理解。
典型的产品形态是jupyter notebook ➕ pyspark，与单机的python非常相似。
（B）初级算法学习者
算法学习者，需要发现和探索算法的表现，以及实验算法在业务问题上的适用性。算法平台需要支持常见的学习路径，对相关组件进行封装，避免增加学习负担。
典型的产品形态是拖拽式的算法pipeline设计页面，将数据处理、特征变换、算法训练和评估都封装成组件，提供默认参数并且可以调整，适合初级和中级的算法工程师。
（C）业务、分析人员和业务系统工程师
这些用户对数据有基本的认知，对业务非常熟悉，了解业务目标、业务手段和评估方法（包括ABTest）。
对于他们，算法平台的目标应该是支持端到端的优化，从业务目标到业务结果。
典型的产品形态是AutoML，给定数据和目标自动训练、调优和评估，并且支持ABtest方式上线。
有了对产品形态的认知，系统设计就有了目标，下次继续讨论。
