[發明專利]任務管理系統、方法和裝置

有效

• 申請號: 201710239897.7
• 申請日: 2017-04-13
• 公開（公告）號: CN108734293B
• 公開（公告）日: 2023-05-02
• 發明（設計）人: 李葆倉
• 申請（專利權）人: 北京京東尚科信息技術有限公司;北京京東世紀貿易有限公司
• 主分類號: G06N99/00
• 分類號: G06N99/00
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

本申請公開了任務管理系統、方法和裝置。該系統的一具體實施方式包括：訓練任務管理服務器用于接收待訓練模型信息，并發送至訓練任務存儲服務器；訓練任務存儲服務器用于從訓練任務調度服務器集群中確定出訓練任務分配服務器；訓練任務分配服務器用于從訓練任務調度服務器集群中確定出訓練任務執行服務器；訓練任務執行服務器用于獲取與待訓練模型信息相對應的樣本數據，利用深度學習算法，基于樣本數據，訓練得到預測模型，并發送至模型數據存儲服務器；預測任務執行服務器用于獲取預測模型，并將待預測任務信息導入預測模型進行預測，得到與待預測任務信息相對應的預測結果。該實施方式提高了任務管理的效率。

技術領域

本申請涉及計算機技術領域，具體涉及互聯網技術領域，尤其涉及任務管理系統、方法和裝置。

背景技術

人工智能(Artificial?Intelligence)，英文縮寫為AI。它是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。人工智能是計算機科學的一個分支，它企圖了解智能的實質，并生產出一種新的能以人類智能相似的方式做出反應的智能機器。

人工智能特別是深度學習是當前非常前沿的研究方向。由于深度學習可以通過組合低層特征上形成更加抽象的高層表示屬性類別或特征，目前已經被廣泛應用在機器翻譯、語義挖掘、圖像識別、人臉識別、語音識別等領域。

目前現有的任務管理方式通常是人工觸發模型訓練，人工上傳訓練完畢后的模型進行預測。整個過程都需要人工參與，導致任務管理的效率較低。

發明內容

本申請的目的在于提出一種改進的任務管理系統、方法和裝置，來解決以上背景技術部分提到的技術問題。

第一方面，本申請實施例提供了一種任務管理系統，該系統包括：訓練任務管理服務器、訓練任務存儲服務器、訓練任務調度服務器集群、模型數據存儲服務器和預測任務執行服務器；訓練任務管理服務器，用于接收第一客戶端發送的待訓練模型信息，并發送至訓練任務存儲服務器，其中，待訓練模型信息用于表征待訓練模型的功能；訓練任務存儲服務器，用于從訓練任務調度服務器集群中確定出訓練任務調度服務器作為訓練任務分配服務器；訓練任務分配服務器，用于從訓練任務調度服務器集群中確定出訓練任務調度服務器作為訓練任務執行服務器；訓練任務執行服務器，用于從訓練任務存儲服務器中獲取待訓練模型信息，從模型數據存儲服務器中獲取與待訓練模型信息相對應的樣本數據，利用深度學習算法，基于樣本數據，訓練得到預測模型，并發送至模型數據存儲服務器；預測任務執行服務器，用于從模型數據存儲服務器獲取預測模型，并將從第二客戶端接收到的待預測任務信息導入預測模型進行預測，得到與待預測任務信息相對應的預測結果。

在一些實施例中，訓練任務調度服務器集群中的各訓練任務調度服務器，還用于：分別獲取訓練任務存儲服務器中的標識集合中的各個標識，其中，標識集合包括普通標識和目標標識；訓練任務存儲服務器，具體用于：將訓練任務調度服務器集群中獲取到目標標識的訓練任務調度服務器確定為訓練任務分配服務器。

在一些實施例中，訓練任務存儲服務器，具體用于：從訓練任務調度服務器集群中隨機選取出訓練任務調度服務器作為訓練任務分配服務器。

在一些實施例中，訓練任務分配服務器，具體用于：獲取訓練任務調度服務器集群中的各個訓練任務調度服務器的性能指標；基于各個訓練任務調度服務器的性能指標，從訓練任務調度服務器集群中選取出訓練任務執行服務器。

在一些實施例中，訓練任務分配服務器，具體用于：從訓練任務調度服務器集群中隨機選取出訓練任務調度服務器作為訓練任務執行服務器。

在一些實施例中，待訓練模型信息包括待訓練模型類別；訓練任務執行服務器，具體用于：基于待訓練模型類別，從預設的深度學習算法集合中選取出與待訓練模型類別相匹配的深度學習算法；利用與待訓練模型類別相匹配的深度學習算法，基于樣本數據，訓練得到預測模型。