[發(fā)明專利]一種處理方法及計(jì)算機(jī)設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202010230859.7
• 申請(qǐng)日: 2020-03-27
• 公開(kāi)（公告）號(hào): CN111428882A
• 公開(kāi)（公告）日: 2020-07-17
• 發(fā)明（設(shè)計(jì)）人: 穆森·普爾瓦利;高長(zhǎng)安
• 申請(qǐng)（專利權(quán)）人: 聯(lián)想（北京）有限公司
• 主分類號(hào): G06N20/00
• 分類號(hào): G06N20/00;G06F8/65
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 張娜

本申請(qǐng)涉及的處理方法計(jì)算機(jī)設(shè)備，為人工智能模型提供了一種監(jiān)控環(huán)境，從中獲得人工智能模型的預(yù)定監(jiān)控指標(biāo)在不同時(shí)間的監(jiān)控?cái)?shù)據(jù)，并基于這些監(jiān)控?cái)?shù)據(jù)確定模型監(jiān)控指標(biāo)在不同時(shí)間產(chǎn)生的變化，最終以監(jiān)控指標(biāo)在所述不同時(shí)間產(chǎn)生的變化是否滿足變化條件來(lái)判定是否需更新人工智能模型。本申請(qǐng)通過(guò)監(jiān)控模型的預(yù)定監(jiān)控指標(biāo)在不同時(shí)間產(chǎn)生的變化，來(lái)分析模型底層預(yù)測(cè)功能的預(yù)測(cè)能力及合理性，通過(guò)進(jìn)一步判定該變化是否滿足變化條件來(lái)確定人工智能模型是否需要更新(表征了模型預(yù)測(cè)能力滿足預(yù)期與否)，以此判定出人工智能模型的恰當(dāng)更新時(shí)機(jī)，從而為模型提供了一個(gè)智能的、基于合適時(shí)機(jī)的反饋循環(huán)，可有效保證模型在未來(lái)的處理性能，保證了其可信性。

技術(shù)領(lǐng)域

本申請(qǐng)屬于人工智能領(lǐng)域，尤其涉及一種處理方法及計(jì)算機(jī)設(shè)備。

背景技術(shù)

隨著科技的發(fā)展，目前已進(jìn)入一個(gè)以機(jī)器學(xué)習(xí)(Machine Learning，ML)等技術(shù)為核心的人工智能(Artificial Intelligence，AI)新時(shí)代，以機(jī)器學(xué)習(xí)等技術(shù)為核心的人工智能可應(yīng)用于科技、金融、法律、醫(yī)藥、軍事等多個(gè)領(lǐng)域。

其中，需要以構(gòu)建的人工智能模型為基礎(chǔ)在所需領(lǐng)域展開(kāi)相關(guān)的智能應(yīng)用，然而，隨著時(shí)間的推移，如經(jīng)過(guò)幾天、幾周、幾個(gè)月或幾年的時(shí)間后，模型的輸入數(shù)據(jù)可能會(huì)發(fā)生較大改變，導(dǎo)致模型可能并不能很好地適應(yīng)這些輸入數(shù)據(jù)，這就使得模型在未來(lái)可能成為性能較差、不值得信任的模型。

發(fā)明內(nèi)容

有鑒于此，本申請(qǐng)?zhí)峁┝艘环N處理方法及計(jì)算機(jī)設(shè)備，用于判定人工智能模型的更新時(shí)機(jī)，使得能夠在合適時(shí)機(jī)觸發(fā)對(duì)人工智能模型的更新，以保證模型在未來(lái)的處理性能，保證其可信性。

為此，本申請(qǐng)公開(kāi)如下技術(shù)方案：

一種處理方法，包括：

獲得人工智能模型的預(yù)定監(jiān)控指標(biāo)在不同時(shí)間的監(jiān)控?cái)?shù)據(jù)；

基于所述監(jiān)控?cái)?shù)據(jù)，確定所述預(yù)定監(jiān)控指標(biāo)在所述不同時(shí)間產(chǎn)生的變化；

確定所述預(yù)定監(jiān)控指標(biāo)在所述不同時(shí)間產(chǎn)生的變化是否滿足變化條件，得到確定結(jié)果；

基于所述確定結(jié)果，確定是否需更新所述人工智能模型，并生成第一輸出結(jié)果；所述第一輸出結(jié)果能用于指示是否需更新所述人工智能模型。

上述方法，優(yōu)選的，所述獲得人工智能模型的預(yù)定監(jiān)控指標(biāo)在不同時(shí)間的監(jiān)控?cái)?shù)據(jù)，包括以下的至少一種：

獲得所述人工智能模型的重要特征在不同時(shí)間的第一監(jiān)控?cái)?shù)據(jù)；所述重要特征包括：人工智能模型的輸入數(shù)據(jù)包括的特征中對(duì)模型預(yù)測(cè)結(jié)果所產(chǎn)生的影響滿足影響條件的特征；

獲得所述人工智能模型的模型性能在不同時(shí)間的第二監(jiān)控?cái)?shù)據(jù)；

獲得所述人工智能模型的模數(shù)輸入在不同時(shí)間的第三監(jiān)控?cái)?shù)據(jù)。

上述方法，優(yōu)選的，其中：

所述第二監(jiān)控?cái)?shù)據(jù)包括所述人工智能模型的標(biāo)志率數(shù)據(jù)；模型的標(biāo)志率為：模型對(duì)不同輸入數(shù)據(jù)的不同預(yù)測(cè)結(jié)果中不同極性的結(jié)果的數(shù)量比例，所述極性為預(yù)先針對(duì)輸入數(shù)據(jù)所設(shè)定的預(yù)測(cè)結(jié)果的極性；

所述第三監(jiān)控?cái)?shù)據(jù)包括：所述人工智能模型的輸入數(shù)據(jù)所包括特征的特征值。

上述方法，優(yōu)選的，所述確定所述預(yù)定監(jiān)控指標(biāo)在所述不同時(shí)間產(chǎn)生的變化是否滿足變化條件，得到確定結(jié)果，包括以下的至少一種：

基于所述第一監(jiān)控?cái)?shù)據(jù)，確定所述重要特征在所述不同時(shí)間產(chǎn)生的變化是否滿足第一變化條件，得到第一子結(jié)果；

基于所述第二監(jiān)控?cái)?shù)據(jù)，確定所述模型性能在所述不同時(shí)間產(chǎn)生的變化是否滿足第二變化條件，得到第二子結(jié)果；

基于所述第三監(jiān)控?cái)?shù)據(jù)，確定所述模型輸入在所述不同時(shí)間產(chǎn)生的變化是否滿足第三變化條件，得到第三子結(jié)果；