传统上，企业部署AI应用，一般通过单点开发的方式，即“烟囱式”架构部署AI应用。海量AI应用场景爆发使得原来传统的“烟囱式“AI开发流程无法跟上业务的快速变化，开发速度慢、周期长。
越来越多的企业开始采取工程化的建设思路以应对这一问题，通过建设统一的AI底层平台，实现上层AI应用的自动开发，以此缩短AI应用开发的周期，增强对业务响应的敏捷性，并降低总体AI开发的成本。
AI工程化建设可划分数据治理和AI模型工程化两大环节，在全生命周期中都可利用AI技术提升效率，而以工程化的建设思路可在多个环节中实现流程自动化，加速AI模型的快速、批量搭建。
建模流程自动化的实现主要依赖AI中台的搭建。一般而言，厂商提供的AI中台产品包括四大模块：开发平台层、资产层、业务逻辑层、平台管理层。
开发平台层：主要负责数据处理、模型训练与发布。数据处理主要包括访问数据中台、数据库或其他数据存储系统的数据，并提供数据清洗、数据标注、数据分析和特征工程等能力；模型训练提供多种建模方式，如可视化拖拉拽建模、Notebook建模等。
资产层：包括算法库&样本库，内置特征工程、机器学习、深度学习和NLP等AI算子和大量AutoML模块。企业可将算法封装称独立算子，可供直接调用。
业务逻辑层：主要是指根据对业务需求的理解，提供可复用的建模方案模板、服务编排等能力。业务逻辑层能够将算法能力包装称AI组件。
平台管理层：负责角色权限管理、账户管理、资源统一管理等功能。
数据治理后，在特征工程、模型训练、模型评估、模型管理等环节中，以AI中台的思路可助力整个建模流程实现自动化。如在特征工程环节，基于AI中台，可内置实时特征计算引擎技术，提供自动特征组合、可视化特征重要性评估等；在模型训练环节，可实现拖拉拽流程建模以及自动模型调参；在模型评估环节，可实现可视化模型效果展示；在模型管理环节，模型中心提供对平台开发模型的统一管理能力。
