一种用于非人智能体的智能度量方法技术

本发明专利技术涉及一种针对非人智能体的通用智能度量方法、介质、装置和服务器。该方法首先确认一种非人智能体作为智能度量对象并获取其在目标领域下各问题的类别及概率。然后，建立智能体对每类问题的能力预测模型，通过测量得到的数据对模型进行拟合，得到当前最佳的模型参数，根据模型得到每类问题的期望能力值。最后，将上述的问题类别概率以及每类问题的期望能力值带入本发明专利技术提出的通用智能度量计算公式，求得智能体的智能量。由于该方法中的能力值在不同领域中可解释为不同的含义，因此本方法对所有领域都适用，因此本方法是一种通用的智能度量方法。

An intelligent measurement method for non-human agent

【技术实现步骤摘要】
一种用于非人智能体的智能度量方法
本专利技术涉及一种用于非人智能体的智能度量方法。
技术介绍
随着智能时代的到来，越来越多的独立实体开始拥有智能，它们能够思考并能同环境交互，这类实体在人工智能领域被统称为智能体(Agent)，本专利将智能体分为机器和服务两大类。但人工智能的发展迅猛，非人的智能体展现出的能力越来越强，例如对机器而言，知识问答领域的IBM超级电脑沃森在智力竞赛中战胜人类选手，图像识别领域的微软DeepImage系统在人脸识别测试中正确率超过人类，围棋领域的AlphaGo战胜李世石；对服务而言，智能语音服务助手siri可以与人流畅对话甚至合理预测球赛得分，智能客服助手已经渗透到金融、电商、o2o以及旅游等行业，智能服务机器人(血管清理/口腔修复/智能轮椅)的功能也越来越强大。人们开始疑惑这些智能体究竟有多少智能，它们的智能是否会超过人类。然而智能体的通用智能至今没有一个明确的方法、系统、平台或者网络等可以提供这种服务，因此，需要提出一种通用智能度量方法，该方法能合理的、有效的、可计算的度量智能体的智能量。目前的度量方法只针对智能体在单个领域的效率：例如在知识问答领域典型评价方法是EM，EM表示智能体的答案与正确答案完全匹配的概率，在图像识别领域的典型评价方法是topN-error，表示图像识别模型预测出的前N个最高概率的答案中有正确答案的概率，在语音服务方面典型的评价方法是准确度，表示在不同环境(嘈杂，安静等)下对问题的正确理解率或正确回答率。然而目前没有一个通用的公式可以衡量一个智能体在各个方面的智能程度，比如知识问答领域的EM评价方法不适用于图像识别领域，评价方法之间的差异导致目前没有通用的公式来评价智能体的智能。目前，学术界对此进行了一定的研究，文献“陈荣元，林立宇,王四春,等：数据同化框架下基于差分进化的遥感图像融合[J].自动化学报，2010，36(3)：392-398.”借鉴气象领域中的数据同化系统能综合其模型算子和观测算子两者优点的思想，提出一个基于差分进化的遥感图像融合框架，在该框架下，用差分进化(DE)算法来优化由图像定了评价指标组成的目标函数，从视觉效果和定量指标两方面验证了该框架的有效性，一定程度上解决了融合模型建立不够客观、参数选取随意性大的问题，也解决了不同融合方法的优点不易综合的问题，因此通过构造数据同化的目标函数可以用来评价建立的智能体能力模型。文献“镡志伟，彭景，白福利：基于AIC准则优选AR模型研究我国生产事故[J].工业安全与环保，2009，35(6)：45-4.”提出了将基于AIC准则进行AR模型优选的方法应用到生产事故的预测中，避免了繁琐的模型统计检验，方便建模，因此应用AIC准则进行AR模型优选适用多变量评估领域。
技术实现思路
为了解决上述技术问题，本专利技术的目的是提供一种合理的、有效的、可计算的通用的度量智能体智能的方法，适用于包括机器、服务在内的所有具有思考并能同环境进行交互的非人智能体。该方法包括以下步骤：步骤1：统计目标问题领域下各问题的类型{1，2，...i...N}和概率{μ1，μ2，μ3，...μi...μN}；步骤2：建立智能体能力模型{M1，M2，.....MN}，在数据同化框架下优化这些模型，使用M预测智能体的期望完成程度{E(M1)，E(M2)，...，E(Mi)，....，E(MN)}(Mi表示第i类问题的模型，模型的值是问题回答/评测结果/目标得分/服务质量等)；步骤3：根据步骤1和2得到的结果求得智能体在目标问题领域下的智能量所述步骤1中的所述目标领域下问题类型i的概率μi可以通过统计得到，j表示问题类别，n为问题的出现次数，μi也可以简单定义为1/N。所述步骤2包括：步骤21，收集智能体对目标领域各类问题的历史完成情况序列{(i，p，s)}，i表示问题的类别，p表示状态(例如p可能包括测试时间、问题产生时间、问题产生地域等)，s表示智能体的完成情况(问题回答/评测结果/目标得分/服务质量等)；步骤22，根据专家知识或已有经验选定目标领域下智能体能力变化的模型M；步骤23，基于数据同化框架，结合模型M优化方法，拟合步骤21中的数据与模型{M1，M2，.....MN}，求解模型参数，得到最优模型；步骤24，通过{M1，M2，.....MN}计算出指定时间范围内的智能体对问题的期望完成程度{E(M1)，E(M2)，...，E(Mi)，....，E(MN)}；所述步骤23包括：步骤231，使用数据拟合模型{M1，M2，.....MN}，拟合的目标可以是最小化平方误差、最大似然等，拟合的方式根据模型来选择，得到当前数据下最优的模型{M1，M2，.....MN}；步骤232，构造数据同化的目标函数，一般数据同化系统中的目标函数由背景损失和模型损失两项组成，公式表示为其中，J(x0)是目标函数；x0是状态矢量的初始值，它是被同化或被反演变量组成的列矩阵，下标0表示同化周期的开始；x0b是环境背景矢量，也就是x0带入M得到的模拟值；B是模拟值误差的协方差矩阵；i表示时刻；yi是i时刻的观测值；xi是x0带入模型算子M运行到i时刻得到的值；Ri是观测误差的协方差矩阵；求解使J(x0)达到最小值的x0为初始时刻的最优解，也就是初始时刻的x(t0)同化值；步骤233，获取新的数据，取随机值x0，与步骤231中的M一起，带入步骤232中数据同化的目标函数J(x0)，可以采用遗传算法或差分进化等优化方法优化目标函数，得到目标函数的最优值，如果最优值小于自定义的阈值，则表明模型M能准确预估且具有良好的泛化性能，进入步骤24，否则将新的数据和当前数据一起带入步骤231；所述步骤24包括：步骤241，给出智能体的作用时间范围[t1，t2]；步骤242，在[t1，t2]上对模型Mi进行积分，得到积分值Pi；步骤243，用积分值Pi除以|t2-t2|，得到期望E(Mi)。所述步骤3中计算智能体的智能量，将问题出现的概率视为权重，对问题的期望完成程度进行加权求和得到智能体的智能量本专利技术还公开了一种存储介质，存储有可执行指令，该可执行指令用于执行如前述的非人智能体的智能度量方法。本专利技术还公开了一种用于非人智能体的智能度量装置，包括所述的存储介质，该智能度量装置调取并执行该存储介质中的可执行指令，以完成对非人智能体的智能度量。本专利技术还提出了一种服务器，包括所述的用于非人智能体的智能度量装置，该服务器可以实现对非人智能体的智能度量。例如具有非人智能体的智能度量功能的单机、联网运行的应用程序。附图说明图1为通用智能计算方法流程图。图2为数据同化框架。图3为知识问答领域的公开数据集。具体实施方式为让本专利技术的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。实施例1：上述方法把现实空间中的每个任务/挑战都视为一个问题，考虑在任意问题领域下智能体处理每一类小问题的期望完成程度，通过建立问题概率、期望完成程度与智能量之间关系的模型，利用已知的问题概率和期望完成程度来求得智能体的智能量。从而提供一种任何问题领域都适用的非人智能体智能的度量方法，由此形成一种通用智能度量方法。在求解智能体的期望完成程度时，即使在同一个问题类别中，智能体的完本文档来自技高网...

【技术保护点】
1.一用于非人智能体的智能度量方法，包括如下步骤：步骤1，用于确认一种非人智能体作为智能度量对象，并记录所述度量对象在设定的目标问题领域下各问题的类型{1，2，3...i...N}和概率{μ1，μ2，μ3，...μi...μN}；步骤2，用于建立所述度量对象的能力模型{M1，M2，.....MN},并在数据同化框架下优化所述能力模型，并采用优化后的所述能力模型M预测所述度量对象的期望完成程度{E(M1)，E(M2)，...，E(Mi)，....， E(MN)}；其中,E(Mi)表示第i类问题的模型；步骤3,用于根据所述步骤1和步骤2的计算结果求出所述度量对象在所述目标问题领域下的智能量Q＝∑i∈NμiE(Mi)，其中，i、N均为正整数。

【技术特征摘要】
1.一用于非人智能体的智能度量方法，包括如下步骤：步骤1，用于确认一种非人智能体作为智能度量对象，并记录所述度量对象在设定的目标问题领域下各问题的类型{1，2，3...i...N}和概率{μ1，μ2，μ3，...μi...μN}；步骤2，用于建立所述度量对象的能力模型{M1，M2，.....MN},并在数据同化框架下优化所述能力模型，并采用优化后的所述能力模型M预测所述度量对象的期望完成程度{E(M1)，E(M2)，...，E(Mi)，....，E(MN)}；其中,E(Mi)表示第i类问题的模型；步骤3,用于根据所述步骤1和步骤2的计算结果求出所述度量对象在所述目标问题领域下的智能量Q＝∑i∈NμiE(Mi)，其中，i、N均为正整数。2.根据权利要求1所述的智能度量方法，其特征在于，在步骤1中，所述目标领域下问题类型i的概率μi通过统计ni/∑j∈Nnj得到，其中，j表示问题类别，n为问题的出现次数，μi定义为1/N。3.根据权利要求2所述的智能度量方法，其特征在于，所述步骤2，又包括：步骤21，用于收集所述度量对象对目标领域各类问题的历史完成情况序列{(i,p,s)}，i表示问题的类别，p表示状态，其中p又包括测试时间、问题产生时间和问题产生地域，s表示完成情况，其中s又包括问题回答、评测结果、目标得分和服务质量；步骤22，用于根据专家知识库或已有经验选定目标领域下所述能力模型M的步骤；步骤23，用于基于数据同化框架，结合所述能力模型M优化方法，拟合所述步骤21和步骤22的数据与能力模型{M1，M2，.....MN}，求解模型参数，得到最优模型；步骤24，用于通过{M1，M2，.....MN}计算出指定时间范围内所述度量对象对问题的期望完成程度{E(M1)，E(M2)，...，E(Mi)，....，E(MN)}。4.根据权利要求3所述的智能度量方法，其特征在于，所述步骤23又包括：步骤231，使用数据拟合模型{M1，M2，.....MN}，拟合的目标是最小化平方误差或最大似然，拟合的方式根据所述能力模型来选择，得到当前数据下最优的模型{M1，M2，.....MN}；步骤232，构造数据同化的目标函数，一般数据同...

【专利技术属性】
技术研发人员：纪雯，汪宇琴，
申请(专利权)人：中国科学院计算技术研究所，
类型：发明
国别省市：北京,11