服务中心是犀易工场的面向应用提供AI服务的管理中心，提供了镜像管理、服务管理、应用管理等基本功能。服务中心可以和训练中心耦合部署，支持在开发环境进行服务赋能，服务中心也可以和智能应用耦合部署，支持在生产环境进行服务赋能。

AI领域的建模是有很大部分的探索和试验性质的，因此数据探索，建模验证，失败，迭代，是常态。让数据科学家尽早看到真实数据，了解其形态，关系，数据的载体，样式，都能显著提升建模效率，规避模型试验或选型风险。

结构化数据是企业当前最宝贵的数据资产，数据科学家针对特定领域建模时（挖掘，推荐），一般不能直接获得生产数据，但也会获得脱敏后的近似数据。上述数据能否通过必要但相对简单的流程从大数据系统，数据湖系统中脱产传输到智能中台的模型开发隔离区域，对研发效率有很大影响。如果涉及其他业务子系统，这个过程同样影响效率。同时生产环境下的模型调度，数据反馈，数据验证，模型调优，模型迭代，可以按照重要性等因素，考虑数据是否流回智能中台，或按照最小AI能力底座的方式深度耦合到业务系统中。中台只负责开发部分，严格限制生产数据流入。

针对非结构化数据，情况往往更复杂，表现在两个方面：一个是信息载体样式，模板，形态，数据质量，分类占比等，对数据预处理的工作量及技术选型范围有致命影响。另一方面是，业务方往往对自己的数据现状也不了解，对所需技术处理手段带来的成本，工期影响难以预料。以及除了中台能力工具的必要辅助，业务参与工具的使用，业务参与数据业务重要性的识别，都对非结构化数据处理的优先级有重要的影响。非结构数据往往很难脱敏，一般依赖IT进行传输控制，防止数据泄露。

在文档解系平台的赋能实践中，我们发现，由于数据特征的差异和业务诉求的差异，往往针对一个场景的文档会涉及多套提取诉求，但针对每类提取模型的训练是需要时间的。因此从快速，分步骤赋能业务的思路来看，需要在文档解析完成后，优先给业务提供灵活的输出结构配置，供业务选择输出模板，人工划选提取。当然针对通用的字段，NLP模型可以统一辅助提取，而随着数据的不断积累，小类中特征明确的子类，可以拆分衍生为新的场景，通过专项NLP模型训练，完成场景闭环，实现端到端提取能力。

AI工厂提供多种标注工具，每类标注工具有其特有的输出标准。以文档提取类和对话提取类最常见的命名实体标注来举例，通过配置提取标签，在线划选弹出，选择标签，正文高亮显示形成如下标注样式，具体输出如下示意：