提起赛博，通常会想到“赛博朋克”。

其实，赛博朋克（英文：Cyberpunk）是“赛博”与“朋克”的结合词。在英语中，赛博这个词脱胎于Cybernetics（中文：自动控制论），起源于希腊语 kubernetes，意思是导航员、驾驶员。

而在科幻小说的范畴中，“赛博”广义上涵盖了这些主题：机器人、自动化、计算机、智能等等。如果进一步缩窄“赛博”的范围，我们可以发现这个词最常用于指代“人工智能的创建”。

在现实生活中，AI的本质就是生产力。而易道博识创立的初心，就是借助人工智能，来简化复杂枯燥的工作。

我们在“赛博”这个词上，倾注了许多我们美好的期许：我们希望并且相信，科技充当的角色不仅是一个简单的技术提供者，我们希望不仅能授人以鱼，还能授人以渔，我们希望能让用户拥有一个可以自主可控、成本可控的、可现场应用的平台产品。

我们知道，开发一项人工智能模型并上线应用大致需经历从业务理解、数据采标及处理、模型训练与测试到运维监控等一系列流程。 

过程中，不仅需要大量的AI算力、高质量数据源，还需要AI应用算法研发及AI技术人员的支持，但大部分中小企业用户并不具备在“算力、数据、算法”三维度从0到1部署的能力，而财力雄厚的大型企业亦需高性价比的AI开发部署方案。

智能化转型趋势下，企业部署AI项目的需求正经历着变化，对数据质量、模型生产周期、模型自学习水平、模型部署方式、人力成本及资金投入、投资回报率等的要求都逐步走高。

假如，每次开发模型都需要算法工程师单独完成从生产到上线的全流程招建，就会导取很多时间的耗损与AI模型开发成本的浪费。所以集标注、训练、推理于一体的赛博（CyberBot）深度学习平台应运而生。

数据闭环，自成有机整体

赛博学习平台是易道博识基于深度学习自主研发的一站式机器学习训练平台。赛博平台集数据管理、数据标注、模型训练和模型应用于一身，提供及时、现场化的数据驱动模型应用解决方案。

赛博平台充分利用现有的经过长期迭代的基础模型能力，包括图像、OCR和NLP等，在少量样本的驱动下，利用迁移学习和小样本学习等技术，高效完成增量模型的训练，生成最优的模型文件，并通过推理平台实现模型的快速部署与生产应用。

产品组成上，赛博平台由管理中心CyberCenter、数据标注平台 CyberData、深度学习训练平台 CyberLearning和深度学习推理平台 CyberServing几个子平台组成，各子平台依次承担平台管理、数据管理与标注、模型训练和模型服务的功能，各个子平台之间相互独立又有效配合，形成一个有机整体，从而有效支撑数据驱动模型应用的整体功能。

赛博平台设计中充分考虑并兼顾了企业应用的综合性复杂场景以及C端客户相对单一的场景。通过对各种应用场景的深入研究与有效融合，以及先进的架构设计和技术选型，平台最大化兼顾了专业性与易用性，从而在满足各种应用场景需求的前提下，提供最佳的用户操作体验。

值得一提的是，赛博平台打造了数据驱动模型应用的闭环。推理平台支持对于自身所产生的生产数据根据不同的条件进行自动采集的功能，采集后的数据可以方便地导入标注平台，形成数据集，并支持进一步的数据处理与标注。标注完成的数据集可以用于模型的训练调优，从而得到性能更佳的模型，用于更新推理平台生产模型，从而形成一个完整的数据闭环。

数据标注平台 CyberData

数据平台主要功能包括数据管理、数据处理、样本扩充、数据标注与采集。数据平台内置exLabeler标注客户端，提供强大专业的CV、OCR、结构化和NLP任务标注功能。同时，数据平台还支持单人和团队标注模式。

用户可以通过exLabeler客户端完成样本的标注。exLabeler支持CV、OCR、结构化和NLP等领域算法的标注。标注完成的数据集可以直接用于模型训练，或进一步做后处理（如图像处理、样本扩充等），然后再用于模型训练。

深度学习训练平台 CyberLearning

训练平台通过自身对于训练资源池的集中管理与分配，以及与管理平台的无缝对接，可以方便地实现训练基础设施的管理，从而减轻用户的管理维护工作。同时，利用自动超参搜索等技术，训练平台可以自动搜索到最佳性能的模型。

通过分布式训练与多框架支持，训练平台可以最大化利用计算资源，加速模型训练。同时，利用自动超参搜索等技术，训练平台可以自动搜索到最佳性能的模型。最后，对于训练所得的最优模型，训练平台支持一键部署到推理平台，实现模型的快速应用。

深度学习推理平台 CyberServing

推理平台主要完成各种识别功能的部署。业务系统通过调用推理平台提供的RESTful API提交图像并获得识别结果。整体上讲，推理平台产品需求可分解为模型管理、API过程定义、识别数据查看，接口统计和其它非功能项等部分。其中模型管理和API管理模块属于基础核心模块。

推理平台对同一模型不同版本的管理，并支持在模型服务中同时加载和运行多个版本的模型。推理平台还支持一个API绑定多个模型服务。模型升级时，用户可以选择先在部分服务中激活新版本的模型，完成测试验证后再升级其他服务。