資料與機器學習
建構可執行的分析或建模專案，並檢視其結果背後的依據。
定義問題與資料
描述資料集、您想要的結果以及您將使用的產出物。例如：「根據此 CSV 預測訂單是否會被退貨。將模型與簡單基準比較，並說明最重要的預測因子。」請指出目標欄位與任何識別欄位。
提供可用的資料集
提供資料或支援的來源，並說明欄位意義、缺失值與相關日期。此工作流程支援資料集準備，以及選用的外部資料集或模型來源。使用外部服務與 GPU 執行需要相對應的可用連線與執行環境。
確認評估方式
選擇符合問題的指標。監督式專案可在訓練前保留一份獨立的保留集；平台會使用該評估資料檢驗預測結果。報告應區分訓練結果與獨立評估結果，並說明與基準的比較。
閱讀報告與產出物
生成的專案包含可執行的工作內容與報告預覽。依據需求說明，產出可包含訓練與預測程式碼、儲存的模型、預測結果與評估報告。請檢視實際產生的檔案以及重現結果所需的指令。
處理執行失敗的情況
在要求修復前先閱讀回報的問題。缺少目標欄位、欄位型別不合適、相依套件無法取得或執行時間耗盡，都可能導致無法產生有效結果。修正資料或需求說明，重新執行並檢查新的報告；僅有圖表並不能證明訓練成功。
調整並重複使用
在同一個建構對話中要求其他功能、模型比較或說明。若需在自己的環境中繼續作業，可下載生成的專案。請將資料假設與評估設定與結果一併保留。
了解適用範圍
資料專案與自訂 AI 代理或內建的 智慧代理團隊 是不同的產出物。專用的量化交易策略工作流程仍在規劃中；本指南並未將其列為目前可用的建構類型。