输入 & 数据输出
覆盖 CSV / SQL 数据加载、数据概览、查看、下载、导出与 Kafka 输出等完整数据链路。
CSV Loader / Upload / ParseSQL Loader / Data List数据概览 / 查看 / 下载数据导出 / 输出 Kafka
PRODUCT POSITIONING
产品定位
可视化拖拽式 AI 算法训练平台，让数据到模型的全流程以低代码方式完成。
| 产品类型 | 可视化 AI 算法训练平台（Web 端低代码） |
|---|---|
| 核心价值 | 拖拽式编排机器学习流程，降低 AI 建模门槛，缩短从数据到模型的交付周期 |
| 生态协同 | 与 SurgeData 数据中台、SurgeView 数字孪生平台协同，让预测结果驱动孪生场景智能决策 |
| 目标用户 | 算法工程师、数据分析师、工业物联网团队、企业 AI 应用开发者 |
| 典型场景 | 设备故障预测、时序预测、异常检测、质量分析、能耗优化等 |
VISUAL PIPELINE
可视化流程编排
以画布为核心，通过拖拽节点、连线配置构建完整机器学习流水线。支持 CSV 上传解析、模型训练、数据预测与结果查看，底部日志面板实时输出训练与运行状态。
01
数据接入
CSV 上传 / 解析、SQL 加载等多源数据输入节点
02
数据处理
数据切片、概览与特征预处理节点
03
模型训练
GBM、随机森林、深度学习等算法节点可视化训练
04
预测与输出
数据预测、模型查看、POJO / SDK 导出与 Kafka 输出
01 / NODE LIBRARY ↗
节点体系
覆盖数据输入、处理、模型训练、自动化与部署的全链路节点，拖拽连线即可构建完整 ML 流水线。
数据处理
支持数据切片与切片概览，便于时序与工业传感器数据的分段分析。
数据切片数据切片概览
模型算法
内置 20+ 主流机器学习与统计算法，涵盖分类、回归、聚类、降维与深度学习。
梯度提升机 / 随机森林深度学习 / 孤立森林K 均值聚类 / PCA堆叠集成 / 朴素贝叶斯AutoML / 模型选择
自动化 & 部署
自动化机器学习、模型查看与 POJO / SDK / 通用模块下载，支撑模型生产化部署。
自动化机器学习模型查看 / 数据预测下载 POJO / 模型开发包Job List / Job Summary
INPUT
输入与数据输出节点
CSV / SQL 数据加载，以及数据概览、查看、下载、导出与 Kafka 输出节点。
MODELS
模型算法节点库
深度学习、随机森林、GBM、K 均值、PCA、堆叠集成等 20+ 算法节点。
DEPLOY
自动化与部署节点
AutoML、模型查看、POJO / SDK 下载、数据预测与任务管理节点。
PLATFORM CAPABILITIES
平台能力
从数据解析、参数调优到模型解读与任务监控，覆盖算法训练全流程关键能力。
CSV 数据解析与列映射
可视化配置分隔符、列头映射与字段类型（时间、枚举、数值等），快速完成工业传感器数据 Schema 定义。
模型训练参数配置
GBM 等算法支持常规 / 高级 / 进阶三档参数面板，覆盖目标列、忽略列、树数量、深度、采样率等专业调参项。
模型信息解读
训练完成后自动生成模型信息节点，展示特征重要度、关键因子权重等业务可读的洞察结论。
任务监控与日志
底部日志面板支持 Info 等级过滤、清空与启动监控，实时追踪节点运行与训练进度。
WHY SURGEAI
核心优势
低代码编排
可视化拖拽编排
节点拖拽连线即可构建完整 ML 流水线，无需编写训练脚本，降低 AI 应用开发门槛。
40+节点
丰富算法节点库
覆盖输入、处理、模型、自动化、预测、任务等全链路节点，满足多样建模需求。
三档调参
专业模型调参
常规 / 高级 / 进阶分层参数面板，兼顾易用性与专业算法工程师的精细控制需求。
工业AI
工业场景实战
内置机械臂故障预测等工业模板，直接对接传感器时序数据与设备运维场景。
多形态导出
模型导出部署
支持 POJO、模型开发包与通用模块下载，以及 Kafka 输出，便于集成到生产系统。
一体协同
孪生生态协同
预测结果可联动 SurgeView 孪生场景与 SurgeData 数据底座，驱动智能决策闭环。
ECOSYSTEM
生态协同
SurgeAI 与 SurgeData 数据中台、SurgeView 数字孪生平台协同，构建「数据 → 模型 → 孪生决策」完整智能闭环。
SurgeData 数据底座
对接数据中台统一数据源，IoT 时序与业务数据一处接入、多处用于模型训练。
SurgeView 孪生联动
将预测结果与告警推送至数字孪生场景，实现从数据分析到三维可视化的智能闭环。
SurgeSight 大屏呈现
算法预测指标与模型洞察可在大屏驾驶舱中可视化展示，辅助运营决策。
APPLICATION SCENARIOS
应用场景
设备故障预测
基于振动、温度、负载等传感器数据，预测机械臂等设备故障风险
时序预测分析
对工业产线、能耗、流量等时序数据进行趋势预测与异常预警
异常检测
孤立森林等算法识别设备运行异常与质量偏离
AutoML 快速建模
自动化机器学习节点自动搜索最优模型，加速 POC 验证
模型生产部署
导出 POJO / SDK 集成至现有业务系统，或通过 Kafka 实时输出预测结果
体验 SurgeAI 算法训练能力
预约在线演示，了解如何以可视化拖拽方式快速构建设备预测、异常检测等 AI 应用。