【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。