大多数现有的工作流编排平台（例如 Apache AirFlow、KubeFlow） 根据上游任务的状态变化调度任务执行 执行。虽然这种方法适用于有保证的批处理任务 最后，它不适用于可能运行 无限时间，无需更改状态。AIFlow旨在促进 涉及流式处理任务的工作流的编排。

例如，用户可能希望连续运行 Flink 流作业以 可组装的训练数据，并在每次 Flink 作业已经处理了过去一小时的所有上游数据。为了 使用非基于事件的工作流编排平台安排此工作流， 用户需要根据挂钟时间定期安排训练作业。如果 出现流量高峰或上游作业失败，则 Flink 作业可能不会 在 TensorFlow 之前已经处理了预期的上游数据量 作业启动。上游作业应继续等待，或快速失败，或者 处理部分数据，其中没有一个是理想的。相比之下，AIFlow 提供 用于 Flink 作业的 API，用于在每次基于事件的水印时发出事件 递增一小时，触发用户指定训练的执行 约伯，没有遭受上述问题。

了解更多关于 AIFlow 的信息 https://ai-flow.readthedocs.io

特征

一站建模 平台提供全流程建模组件支持，涉及数据源、数据探索、数据处理、机器学习、模型管理等组件；

智能分析 具备自动学习能力，降低建模分析的使用算法基础能力的门槛；

交互分析 具备拖拽组件建模，建模流程洞察、建模信息传递、信息校验能力；

通用部署 提供多种挖掘成果部署服务形式，便捷服务业务场景。

数据分析洞察 流程设计完成，点击执行，界面切入到流程监控界面，每个组件执行结束，点击组件图标，下端窗口会展示对应组件的处理洞察信息。

元信息洞察 流程设计界面进行挖掘建模时，组件具备完备的校验机制保证挖掘流程建模的稳定性，校验机制能够在配置层面校验建模逻辑的正确性。

数据校验洞察 流程设计界面进行挖掘建模时，组件具备完备的校验机制保证挖掘流程建模的稳定性，校验机制能够在配置层面校验建模逻辑的正确性。

关于 AIFlow 的文章

• B站基于AIFlow+Flink在批流融合调度上的实践