强健和自适应的人工智能建模制造技术

公开了一种涉及由两部分组成的人工智能(AI)模型的特定机器学习架构，在各个实施例中，在第一数据(例如，较旧数据)上训练一个部分，而在第二数据(例如，较新数据)上训练另一部分。强健AI模型可以与自适应AI模型结合，以考虑长期趋势以及新近出现的群体趋势。可以使用梯度提升树、人工神经网络、或其他机器学习模型来构建模型架构。自适应AI模型可以比强健AI模型更频繁地进行重新训练，并且可以在其分类技术中使用更新类型的数据。自适应AI模型和强健AI模型可以使用逻辑回归进行组合以提供统一的预测。因此，可以对电子交易以及受到潜在模式变换影响的其他类型的数据进行更准确地分类。

【技术实现步骤摘要】
【国外来华专利技术】强健和自适应的人工智能建模
本公开涉及使用机器学习和人工智能的数据处理。更具体地，本公开涉及使用由两部分组成的(two-part)模型的特定机器学习架构，其中一个部分在第一数据(例如，具有特定特征的较旧数据)上训练，而另一个部分在第二数据(例如，可具有一个或多个不同特征的至少一些较新数据)上训练。
技术介绍
数据的自动分类是一个具有挑战性的问题，尤其是当数据可能具有因逐步发展的使用而产生的变化模式时。尽管可以将数据分为类别A或类别B，但例如随着时间的推移，底层数据的群体在其特性方面可能开始改变，使得分类模型的性能劣化。因此，某些基于模型的分类方法会受到效率低下的困扰，并可能提供次优结果。附图说明图1示出了根据一些实施例的包括用户设备、机器学习系统、交易系统、网络、以及记录数据库的系统的框图。图2示出了根据一些实施例的一组数据记录的框图。图3示出了根据一些实施例的与包括强健组件和自适应组件二者的组合人工智能(AI)模型有关的框图。图4示出了根据一些实施例的与分类准确性有关的逻辑回归表的图表。图5示出了根据一些实施例的图示与构建、训练和操作AI系统有关的方法的流程图，该AI系统包括强健AI模型和自适应AI模型。图6是根据一些实施例的计算机可读介质的图。图7是根据一些实施例的系统的框图。具体实施方式当分类模型的性能下降时，可以使用新数据对其进行更新以尝试获得更好的性能。然而，对分类模型进行更新可能是耗时且资源密集的提议。确定模型应何时被更新也可能是困难的。如果选择相对较短的任意时间段(例如，每2周)，则该模型可能变得对短期趋势过于敏感，并且在频繁更新期间还会导致大量的资源使用。如果选择较长时间段(例如，每2年)，则模型的性能可能会在周期时间结束时严重下降，这是因为某些模式变换可能无法被捕获或者在它们变得较不重要后才被捕获。本说明书在各个实施例中描述了包括由两部分组成的系统的架构，该由两部分组成的系统具有强健人工智能模型和自适应人工智能模型。在各个实施例中，强健模型可使用更成熟(较旧)的数据而被较不频繁地训练，而自适应模型可使用较不成熟(较新)的数据而被较频繁地训练，在某些情况下，较不成熟(较新)的数据可包括与用于训练强健模型的数据不同的特征。然后可以使用基于强健模型和自适应模型二者的组合整体模型(combinedensemblemodel)来进行预测。该架构允许更精确的数据分类，尤其是当底层数据随着时间推移而变换时。因此，在一些情况下，可以使用该强健和自适应人工智能模型来执行对电子交易的分类。***本说明书包括对“一个实施例”、“一些实施例”或“实施例”的引用。这些短语的出现不一定指代同一实施例。特定的特征、结构或特性可以以与本公开一致的任何适当方式进行结合。如本文所用的“第一”、“第二”等，这些术语被用作它们之后的名词的标签，但不一定暗示任何类型的排序(例如，空间、时间、逻辑、基数等)。各种组件可被描述或声明为“被配置为”执行一个或多个任务。在此上下文中，“被配置为”用于通过指示组件包括在操作期间执行该一个或多个任务的结构(例如，存储的逻辑)来表示结构。这样，组件可被视为被配置为执行任务，即使组件当前未运行(例如，未开启)。这里指出组件“被配置为”执行一个或多个任务明确地不旨在针对该组件触发35U.S.C.§112(f)。***转到图1，示出了系统100的框图。在该图中，系统100包括用户设备105、110、115，机器学习系统120，交易系统160和网络150。还描绘了记录DB(数据库)130。注意，该图的其他排列是预期的(其他附图也是如此)。虽然在不同组件之间示出了某些连接(例如，数据链接连接)，但在各个实施例中，可能存在未描绘的附加连接和/或组件。此外，组件可以与另一组件组合和/或分离到一个或多个系统中。用户设备105、110和115可以是任何类型的计算设备。因此，这些设备可以是智能电话、膝上型计算机、台式计算机、平板计算机等。如下所述，用户设备(例如，105、110和115)可使用交易系统160参与包括交易的各种动作。机器学习系统120(以及交易系统160)可包括一个或多个计算设备，每个计算设备具有处理器和存储器。网络150可包括互联网的全部或一部分。在各个实施例中，机器学习系统120可以执行与创建、训练和维护由两部分组成的机器学习系统有关的操作，该由两部分组成的机器学习系统可用于确定撤销电子支付交易的预测可能性。注意，在一些实施例中，针对机器学习系统120(以及本文所述的其他系统)所描述的操作的不同方面可以通过两个或更多个不同的计算机系统来执行。机器学习系统120可以由提供以电子方式提供的服务的实体来控制，在某些情况下该以电子方式提供的服务可以是电子交易支付服务(允许货币或其他项目的转移)。交易系统160可以对应于例如由PayPalTM提供的电子支付服务。交易系统160可以具有各种相关联的用户账户，其允许用户以电子方式进行支付以及以电子方式接收支付。用户帐户可具有各种相关联的资金筹集机制(例如，关联的银行帐户、信用卡等)，并且还可以在电子支付帐户中维护货币余额。可以使用若干种可能的不同资金筹集来源以提供资金来源(信用、支票、余额等)。可以使用用户设备105、110和115来访问例如由PayPalTM提供的电子支付帐户。在各个实施例中，可以通过交易系统160来交换除货币以外的其他量，包括但不限于股票、商品、礼品卡、奖励积分(例如，来自航空公司或酒店)等。记录数据库(DB)130包括与交易系统160的用户所进行的各种交易有关的记录。这些记录可以包括任意数量的详细信息，例如，与用户在网页或安装在计算机设备上的应用(例如，智能电话上的PayPal应用)上所进行的交易或动作有关的任何信息。记录数据库130中的许多记录或全部记录是交易记录，包括用户发送或接收货币(或一些其他量，例如，信用卡奖励积分、加密货币等)的详细信息。转到图2，示出了记录200的一个实施例的框图。例如，这些记录可以被包含在记录数据库130中。在此示例中，所示的记录包括由不同的资金筹集机制而产生的各种费用。如图所示，字段202包括事件ID。这可以是与交易系统160相关联的企业内的全局唯一事件标识符。因此，在一个实施例中，字段202中的事件ID包括由服务提供商(如PayPalTM)处理的数百万个电子支付交易中的每个的唯一ID。字段204包括用户的唯一帐户ID。字段206包括交易类型。在此示例中，第1行和第4行是通过信用卡(“CC”)提供资金的交易，而第2行是通过自动清算所(ACH)提供资金的交易。第3行是通过余额提供资金的交易(例如，用户在她的账户中曾具有早先存在的货币余额，该货币余额被用于了向另一实体进行支付)。其他类型的交易和/或更具体的信息在各个实施例中也是可能的(例如，可以指定不同类型的信用卡网络，例如，VISATM或MASTERCARDTM)。字段208本文档来自技高网...

【技术保护点】
1.一种基于人工智能的评估系统，包括：/n处理器；以及/n存储器，在其上存储有指令，所述指令可被所述处理器执行以使所述系统执行操作，所述操作包括：/n使用成熟的交易数据的集合来训练强健人工智能(AI)风险模型，其中，所述强健AI风险模型可用于预测针对未来未知电子支付交易的撤销风险，并且其中，所述成熟的交易数据包括多个电子支付交易的记录，其中，所述记录中的每个包含关于针对该记录的相应电子支付交易是否被撤销了的指示；/n使用电子支付交易数据的至少一个不同集合来训练自适应AI风险模型，其中，所述不同集合包含在所述成熟的交易数据的集合中不存在的至少一个数据特征，并且其中，所述自适应AI风险可用于至少部分地基于非成熟的数据来预测针对未来未知电子支付交易的撤销风险，所述非成熟的数据比老化阈值限制更年轻；/n基于所述强健AI风险模型和所述自适应AI风险模型的组合来创建总体模型；/n接收来自用户的电子交易请求；/n使用所述总体模型来预测针对所述电子交易的风险等级；以及/n根据总体风险等级来批准或拒绝所述电子交易。/n

【技术特征摘要】
【国外来华专利技术】1.一种基于人工智能的评估系统，包括：
处理器；以及
存储器，在其上存储有指令，所述指令可被所述处理器执行以使所述系统执行操作，所述操作包括：
使用成熟的交易数据的集合来训练强健人工智能(AI)风险模型，其中，所述强健AI风险模型可用于预测针对未来未知电子支付交易的撤销风险，并且其中，所述成熟的交易数据包括多个电子支付交易的记录，其中，所述记录中的每个包含关于针对该记录的相应电子支付交易是否被撤销了的指示；
使用电子支付交易数据的至少一个不同集合来训练自适应AI风险模型，其中，所述不同集合包含在所述成熟的交易数据的集合中不存在的至少一个数据特征，并且其中，所述自适应AI风险可用于至少部分地基于非成熟的数据来预测针对未来未知电子支付交易的撤销风险，所述非成熟的数据比老化阈值限制更年轻；
基于所述强健AI风险模型和所述自适应AI风险模型的组合来创建总体模型；
接收来自用户的电子交易请求；
使用所述总体模型来预测针对所述电子交易的风险等级；以及
根据总体风险等级来批准或拒绝所述电子交易。


2.根据权利要求1所述的系统，其中，所述操作还包括：在训练所述强健AI风险模型和所述自适应AI风险模型之后：
接收此前未用于训练所述强健AI风险模型或所述自适应AI风险模型的新类型的交易数据；
使用所述新类型的交易数据来重新训练所述自适应AI风险模型，但不重新训练所述强健AI风险模型；以及
使用经重新训练的自适应AI风险模型来创建经更新的总体模型。


3.根据权利要求1所述的系统，其中，所述强健AI风险模型和所述自适应AI风险模型是并行训练的。


4.根据权利要求2所述的系统，其中，所述新类型的交易数据与移动电话设备的硬件特征或软件特征相对应。


5.根据权利要求1所述的系统，其中，所述成熟的交易数据包括信用卡交易数据，所述信用卡交易数据仅包括在过去的至少特定时间段发生的交易的记录，并且其中，所述信用卡交易数据包括特定交易是否发生了退款的指示。


6.根据权利要求1所述的系统，其中，训练所述强健AI风险模型包括：
将包括所述成熟的交易数据的测试数据输入到具有特定内部参数的梯度提升树(GBT)模型中；以及
将所述GBT模型的输出与所述成熟的交易数据的已知撤销结果反复地进行比较，并基于所述比较来更改所述GBT模型以改善所述GBT模型的准确性。


7.根据权利要求1所述的系统，其中，训练所述强健AI风险模型包括：
将包括所述成熟的交易数据的测试数据输入到具有特定内部参数的人工神经网络(ANN)模型中；
改变所述ANN模型的所述内部参数；以及
对在经改变的内部参数之下的所述ANN模型的多个输出进行比较，以确定所述ANN模型的内部参数的一个或多个最佳表现集合。


8.根据权利要求1所述的系统，其中，所述操作还包括：
使用逻辑回归来训练所述强健AI模型和所述自适应AI模型的所述组合。


9.根据权利要求8所述的系统，其中，所述逻辑回归针对所述强健AI模型使用第一权重值并且针对所述自适应AI模型使用第二权重值。


10.一种方法，包括：
在计算机系统处接收来自用户的电子交易请求；
使用总体人工智能(AI)风险模型来预测针对所述电子交易的风险等级，其中，所述总体AI风险模型是基于强健AI风险模型和自适应AI风险模型的组合的，其中，所述总体AI风险模型可用于预测电子支付交易的撤销风险，
其中，所述强健AI风险模型是使用成熟的交易数据的集合而被训练了的，所述成熟的交易数据包括多个电子支付交易的记录，其中，所述记录中的每个包含关于针对该记录的相应电子支付交易是否被撤销了的指示；
其中，所述...

【专利技术属性】
技术研发人员：周衍赞，王硕渊，赵伟，陈影，
申请(专利权)人：贝宝公司，
类型：发明
国别省市：美国;US