第一阶段发展目标：

1、算法：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)。

• 1.1、notebook集成pandas、matplotlib、pyecharts、xx

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

2、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。

算法贡献：

技能要求：了解模板开发流程，了解平台使用

视觉、文本、语音、搜广推、金融等开源算法的集成，能让使用者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)

平台开发贡献：

技能要求：了解平台架构，了解平台代码

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)

运营贡献：

技能要求：了解平台架构，了解平台使用，熟悉wiki文档

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

汇总社区需求

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：

• 去除对kubernetes dashboard的依赖，提供服务支持pod，搜索，日志的查看，删除，执行命令界面。

• jupyter支持链接spark，支持spark任务模板

• 特征平台，标注系统的支持

• 数据ETL pipeline对接开源调度平台airflow/azkaban/argo等

• kubeflow-pipeline依赖去除

• ceph或其他分布式存储部署方式的开源支持

• 边缘集群k8s部署方式的支持 KubeEdge/k3s等部署边缘k8s