前幾篇介紹了阿里雲上的AI服務，包含語音、圖像、翻譯這三種服務，最主要是提供給開發工程師能夠快速使用API來搭建需要用到AI服務的場景。
但若是那些本身即具備機器學習的知識或相關的資料科學家，也已經自行準備好訓練模型與訓練流程，但受限於運算資源、軟體等等配套工具的使用者來說，雲原生的AI平台就是個極佳選擇。

阿里雲上的機器學習平台 (Platform of Artificial Intelligence，PAI) 就是一個能夠讓AI開發人員直接使用的工具平台。那PAI提供了什麼樣的功能呢？

• 可視化建立模型與分散式訓練 PAI - Designer：
  可以自行拖拉不同的元件組成自己想要的訓練模型，並且內建許多種案例，可以選取修改。

• Notebook 互動式AI開發 PAI - DSW (Data Science Workshop)：
  讓AI開發使用者可以快速建立開發框架，預設有Tensorflow、Pytorch，另外也能使用Jupiter Notebook來進行開發。

• 雲原生AI基礎平台 PAI - DLC (Deep Learning Containers)：
  讓使用者能夠使用自己的Image來快速搭建適合用於機器學習的容器，具備高效能、靈活且穩定。

• 線上預測 PAI - EAS (Elastic Algorithm Service)：
  模型訓練完成後，就來到了雲原生服務中最有價值的部分EAS，我們可以將模型託管、一鍵部署在EAS當中，並且讓開發者調用，並且支援藍綠部署以及自動擴縮。

這些功能雖然看起來複雜，但實際上PAI就是一個一站式的平台，上述服務能夠根據需求個別選擇使用，或者一同使用；對於使用者來說，只需要準備好訓練用數據即可，剩下的數據傳輸、預處理、特徵辨別、模型訓練、模型評估、模型發布，都可以透過PAI完成。

在前面的章節有聊過「MaxCompute」與「DataWorks」，在PAI中也看的到，前者主要是運用MaxCompute的高運算力，後者則是進行資料處理的時候可以使用到，對於使用者而言也是相當方便的！

介紹完PAI後，就讓我們進實作吧，本次實作將以可視化建立模型與分散式訓練 PAI - Designer為主來示範PAI的強大功能！

實作：

1. 點選進到機器學習API，選擇免費開通並創建工作空間。
   

2. 記得要先授權給PAI，才能夠順利創建喔！
   

3. 接下來進到PAI的頁面，左手邊列表選擇工作空間列表，選擇Default的工作空間後，會呈現如下圖的畫面，並點選「可視化建模」(Designer)
   

4. 本次實作將會選擇模板AI模型訓練，因此選擇工作流模板，並選擇「心臟病預測案例」，選擇創建。創建完成後選擇「進入工作流」。
   

5. 進到工作流後，會發現系統已經預設完成整個WorkFlow了，如果有想要修改，可以直接用拖拉的方式去處理。本次直接點選運行按鈕！
   

6. 運行後，稍待片刻，會看到流程圖開始運作。完成後如下圖，並點選「讀數據表」右鍵，查看數據，ODPS源的輸出。
   
   

7. 按下預測，右鍵，查看數據，預測結果輸出。可以看到針對數據的預測結果。
   
   

8. 同樣步驟，選擇二分類評估、混淆矩陣，右鍵，選擇可視化分析。
   
   

9. 接下來，要部署模型，就選擇左上方列表的「模型部署」，那本次實作僅展示用，因此就不特別進行模型的部署！
   

以上就是本次的實作，簡單帶各位讀者跑一次機器學習平台PAI的可視化功能，當然，阿里雲的PAI還有很多很強大的功能讓AI開發者能夠輕鬆建構自己的AI模型。有興趣的開發者不妨試試看囉！