系统概述
SKIL通过提供所有必要的工具来构建、训练和部署模型，在数据科学家和部署（devops）工程师之间的空白处架起了一座桥梁。
工作流程
由于部署一个模型需要的不仅仅是数据科学家的输入，SKIL还具有一个协作的用户界面和扩展的命令行工具（CLI），以帮助devops工程师和产品经理按比例参与调优和服务模型。SKIL减少了数据科学工作流程中各方之间的摩擦，并帮助你更快地扩展模型。
使用SKIL的团队可以期望对以下工作流程提供支持：
- 模型与数据配置
- DNN训练
- 数据和结果的协作用户界面
- 实验和模型的版本化
- 可扩展的微服务部署架构
- 模型服务API
- 管理端用户界面
要了解更多信息并开始使用SKIL工作流程，请阅读工作流程概述。
架构
将著名的工具用于数据科学和分布式系统，SKIL构建在JVM上，并使用几个绑定来统一通用的深度学习框架和分布式存储系统。
深度学习框架
SKIL的用户可以期待对TensorFlow、Keras和Deeplearning4J的支持。所有的Keras后端都受支持，或者使用Keras 2.0权重排序的任何其他模型。
分布式计算
SKIL与Apache Spark和Hadoop生态系统兼容，允许更复杂的数据存储和操作，如批量推理。
微服务
SKIL本身在你的架构中可以作为微服务进行访问，并公开了用于服务模型和转换数据的关键API。参见我们的API参考。