总览
本文介绍 TI-ONE 训练平台使用前置准备工作，根据不同背景的用户，提供不同的文档和流程指引，介绍平台的完整使用流程。
TI-ONE 使用前置准备工作
不同背景用户使用指引
若您是有 AI 开发经验、熟悉代码编写的用户，您可以使用开发机进行模型开发和调试。
TI-ONE 完整使用流程
机器学习开发的核心流程通常可以分几个步骤：数据准备、模型开发、模型训练、模型管理、模型部署。接下来介绍如何在 TI-ONE 平台，从数据准备到完成模型开发和部署的全流程。
步骤 | 任务 | 说明 | 详细指导 |
数据准备 |
导入数据集 | 基于您准备的数据，可以在 TI-ONE 中上传、导入数据集。 | |
| 数据构建 | 帮助您从一份原始数据构建出高质量的 LLM 训练数据。 | |
| 数据标注 | 根据您创建的数据集，标注数据，方便后续训练使用。 | |
模型开发 | 新建开发机 | 新建一个开发机实例作为开发环境， 编写代码调试模型。 | |
模型训练 | 创建训练任务 | 创建一个任务式建模任务，选择数据集存储，并挂载前面编写完成的训练代码。训练完成后，将生成模型保存至输出的存储中。也支持一键发布模型至模型仓库。 | |
模型管理 | 导入模型 | 将训练输出的模型导入至模型仓库，方便管理，支持将模型部署为在线服务。 | |
模型评测 | 创建评测任务 | 创建一个大模型评测任务，使用人工或者自动评测的方式测试模型的效果。 | |
模型部署 | 部署服务 | 将模型部署为在线服务。 | |
| 访问服务 | 在线服务部署完成后，您可以访问服务。支持公网、VPC 等多种在线服务调用方式。 | |
