问题一：机器学习PAI的“调度依赖”怎么选择已创建的user表和item表？
机器学习PAI的“调度依赖”怎么选择已创建的user表和item表？ 
参考答案：
这个主要是是给上线用的，你真正上线的时候后台会有调度的 user 表 和 item 表。这里只是示例的话就暂时不需要走这个调度的设置了。
关于本问题的更多回答可点击进行查看：
https://developer.aliyun.com/ask/592864
问题二：在机器学习PAI中的alink中不支持的算法 如果想扩展 该如何实现呢？
麻烦问下 alink中不支持的算法 如果想扩展 该如何实现呢？是不是必须动底层代码？应该不能用udf之类的来实现吧，我看udf只是支持固定的几种参数 而且是针对数据库的
参考答案：
支持写UDF的，参考这两篇中的示例代码：https://alinklab.cn/tutorial/book_java_06.html ， https://alinklab.cn/tutorial/book_python_06.html
关于本问题的更多回答可点击进行查看：
https://developer.aliyun.com/ask/591876
问题三：机器学习PAI有在Yitian上推理LLM的方案吗？
机器学习PAI有在Yitian上推理LLM的方案吗？
参考答案：
机器学习PAI有在Yitian上推理LLM的方案。
阿里云机器学习平台PAI提供了BladeLLM，这是一个大模型推理引擎，专门用于部署高性能、低成本的大语言模型服务。BladeLLM对LLM推理和服务的全链路进行了深度优化，以确保用户能够轻松地在Yitian等平台上运行大型语言模型。此外，阿里云还支持EAS（弹性计算服务），用户可以在EAS上快速拉起第三方的开源大模型文件，如Qwen、Llama2、ChatGLM等，并且可以在短短5分钟内一键部署这些模型。
值得一提的是，阿里云机器学习平台PAI还针对Llama2系列模型进行了适配，推出了全量微调、Lora微调、推理服务等场景的最佳实践，帮助AI开发者快速开始使用这些模型。对于端侧部署，基于MNN实现的mnn-llm项目已经展现出业界领先的性能，特别是在ARM架构的CPU上，这意味着在移动设备或边缘计算设备上进行LLM推理也是可行的。
综上所述，阿里云机器学习平台PAI为用户提供了一套完整的解决方案，以在Yitian上推理LLM，包括优化的推理引擎、快速部署工具和最佳实践指南，以满足不同场景下的需求。
关于本问题的更多回答可点击进行查看：
https://developer.aliyun.com/ask/591626
问题四：想问下机器学习PAI这个单调性的分箱是指？
想问下机器学习PAI这个单调性的分箱是指？binningMethod 选择auto，还如何quantile模式呢？ 
参考答案：
文档可能描述的有些不准确，auto自动分箱是一种动态规划的算法，会尽可能使得分箱结果中的各个分箱的WOE值保持单调 ，
关于本问题的更多回答可点击进行查看：
https://developer.aliyun.com/ask/591625
问题五：机器学习PAI这个需要主账号开通这个区域吗？
机器学习PAI这个需要主账号开通这个区域吗？ 
参考答案：
对的，有PaiFullAccess的子账号也行 
关于本问题的更多回答可点击进行查看：
