第一阶段发展目标：

1、mlops平台开发：数据管理的集成(数据标注/特征平台)，automl平台部分，平台公有化/私有化saas版，数据闭环(离线/实时训练闭环)

2、aihub算法应用市场：传统机器学习、视觉、文本、语音、搜广推、金融开源算法的集成，能更方便的体验使用开源算法。包括算法任务模板(job-template)，算法全自动建模流程(pipeline)，算法推理服务(service)。

3、推广、答疑、运营，在相关知识平台发布文章/视频、交流群的答疑、专业社区的分享，git仓库的文案管理，wiki文档等

第二阶段发展目标

1、平台本身，算法模板，pipeline等，商业化。通过边缘计算，区块链技术将算法/数据价值商业化。

主要涉及前后端的开发，平台架构，新功能设计。比如数据管理的集成(数据标注)，平台公有化/私有化saas版，数据闭环(离线/实时训练闭环)

比如：推广、答疑、运营，在相关知识平台发布文章/视频、交流群的答疑、专业社区的分享，git仓库的文案管理，wiki文档等

aihub：

大数据功能(jupyter形式):
- hadoop基础客户端能力环境，sqoop，hbase，hdfs
- 查询能力：sparksql查询 impala查询，presto查询，clickhouse查询，mysql查询，postgresql查询，
- 分析能力：flink实时，numpy、pandas、百G大数据单机数据分析能力Arrow、vaex、dask等
- 可视化的能力
传统机器学习（jupyter形式）：
- 基础技能：pandas，matplotlib，pyecharts，
- 关联挖掘：关联分析（Apriori、FP-growth）
- 分类：决策树（ID3、C4.5、CART）、K最近邻算法(KNN)、kd树、极大似然估计、EM算法、文档分类器，朴素贝叶斯分类器，费舍尔分类器、线性函数、线性回归、正则化、逻辑分类/逻辑回归/一般线性回归、支持向量机SVM、核方法、集成学习（Bagging、Boosting、RF、AdaBoost、GBDT、xgboost）、GBDT算法、XGBOOST算法、CTR/CVR中的FM、FFM算法、LightGBM算法
- 聚类：层次聚类、BIRCH聚类、k均值聚类、k中心点聚类、DBSCAN密度聚类
- 图论：最小生成树（MST）的Prim算法和Kruskal算法
- 搜索引擎：
视觉：yolo相关模型、darknet相关模型、PaddleSeg 图像分割，orc相关模型，等训练和推理支持
语音：wenet语音识别的训练和推理支持。
推荐：bin算法，deepfm，ple等算法的训练和推理服务支持
文本： bert框架模型的训练和推理支持

平台：