[發明專利]一種人工智能框架下的模型建設運營服務方法及系統

在審

• 申請號: 202110630083.2
• 申請日: 2021-06-07
• 公開（公告）號: CN113485697A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 馬海明;付杰;林惟栩;肖文衛
• 申請（專利權）人: 廣發銀行股份有限公司
• 主分類號: G06F8/35
• 分類號: G06F8/35;G06F8/60
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 陳旭紅;鐘文瀚

本發明提供一種人工智能框架下的模型建設運營服務方法及系統，其中方法包括：獲取訓練完成的模型，根據所述模型的相關參數在模型運營服務系統中進行注冊；上傳所述模型的訓練代碼至所述模型運營服務系統中的GIT庫；所述模型運營服務系統中的模型部署模塊獲取模型代碼，并通過所述模型代碼對所述模型進行部署；對部署后的模型進行模型灰度驗證，驗證成功的模型正式上線；實時獲取模型運行數據，將所述運行數據與預設數據進行對比，判斷所述模型是否出現衰退現象；若是，則對所述模型進行迭代優化；若否，則繼續運行所述模型。本發明大幅簡化模型部署上線流程，提高模型部署效率，減少人工操作，降低模型運營成本。

技術領域

本發明涉及信息技術領域，特別是涉及一種人工智能框架下的模型建設運營服務方法及系統。

背景技術

隨著全球人工智能時代的到來，大數據、機器學習、深度學習等人工智能技術在各行業領域已得到廣泛應用，越來越多模型被應用于風險防控和反欺詐等業務場景，并在這個過程中逐步形成了一套模型建設和運營的體系。各行業建模人員根據實際業務場景在建模平臺上進行模型訓練開發工作，在完成模型訓練后，再將該模型部署上線，通過批量預估或者實時預估的方式，將模型投入生產環境應用，同時模型部署上線后，建模人員可通過相應工具持續統計模型的運行情況和效果指標，在模型性能出現衰退后對模型進行迭代優化，重新訓練模型，在模型性能指標達到要求后將訓練好的模型重新部署上線，替代原有模型。

現有的模型建設和運營體系存在著不足，主要體現在幾點：1、模型部署過程往往需要較多的人工介入，自動化程度較低，對于多次迭代優化的模型，需要多次進行部署操作，人力資源耗費較大；2、模型部署上線后的模型信息、模型輸入輸出血緣關系、模型性能指標等未能形成統一的可視化監測管理，線下運營成本較高。

發明內容

為解決以上技術問題，本發明提供一種人工智能框架下的模型建設運營服務方法及系統，通過對模型部署上線后的模型信息、模型輸入輸出血緣關系、模型性能指標等進行統一的可視化監測管理，減少模型運營成本，同時配合單獨的模型部署API服務實現模型的一健化部署功能，實現模型自動化部署，提高模型部署效率。

本發明第一方面提供一種人工智能框架下的模型建設運營服務方法，包括：

獲取訓練完成的模型，根據所述模型的相關參數在模型運營服務系統中進行注冊；

上傳所述模型的訓練代碼至所述模型運營服務系統中的GIT庫；

所述模型運營服務系統中的模型部署模塊獲取模型代碼，并通過所述模型代碼對所述模型進行部署；

對部署后的模型進行模型灰度驗證，驗證成功的模型正式上線。

進一步地，所述驗證成功的模型正式上線之后還包括：

實時獲取模型運行數據，將所述運行數據與預設數據進行對比，判斷所述模型是否出現衰退現象；若是，則對所述模型進行迭代優化；若否，則繼續運行所述模型。

進一步地，所述驗證成功的模型正式上線之后還包括：

實時獲取模型運行數據，將所述運行數據與預設數據進行對比，判斷所述模型是否出現衰退現象；若是，則對所述模型進行迭代優化；若否，則繼續運行所述模型。

進一步地，所述對所述模型進行迭代優化，包括：

根據實際場景重新建立訓練模型，得到新模型；

將衰退模型下線處理后，上傳所述新模型至模型運營服務系統。

進一步地，所述對部署后的模型進行模型灰度驗證包括：

驗證模型信息、模型的輸入及輸出的血緣關系、模型性能指標。

本發明第二方米昂提供一種人工智能框架下的模型建設運營服務系統，包括：