一种人工智能模型更新方法、系统、电子设备及存储介质技术方案

本发明专利技术提出一种人工智能模型更新方法、系统、电子设备及存储介质，其方法技术方案包括收集嵌入式设备实时数据；开发并训练人工智能模型；将所述人工智能模型序列化为模型字节流；在嵌入式设备上接收所述模型字节流并反序列化，获得更新后的人工智能模型。本发明专利技术解决了嵌入式设备上人工智能模型实时更新效率低的问题。

【技术实现步骤摘要】
一种人工智能模型更新方法、系统、电子设备及存储介质
本专利技术属于数据处理领域，尤其涉及一种人工智能模型更新方法、系统、电子设备及存储介质。
技术介绍
在人工智能领域，无论是已经成熟的传统机器学习方法，还是新兴的深度学习方法，随着数据量的增加、场景的变化都会需要对模型进行更新，以适应新的数据和场景。模型更新速度的快慢，直接影响当前模型的效果，我们往往希望的模型是这样的：考虑了足够久远的数据，这样就会考虑更多的情况；同时考虑了最新的数据，这样就能对最新的变化作出反映，减少滞后性对效果的影响。机器硬件的发展和大数据技术的发展，部分得解决了处理足够多数据的问题，但是对于实时的模型更新还是一个有挑战的问题，特别是对于嵌入式设备上运行的模型，具有更高的要求。目前，在嵌入式设备人工智能模型的更新、部署上，还是通过人工的方式来解决“嵌入式环境部署、模型动态滚动升级”等问题，效率低，易出错。
技术实现思路
本申请实施例提供了一种人工智能模型更新方法、系统、电子设备及存储介质，以至少解决嵌入式设备上人工智能模型实时更新的问题。第一方面，本申请实施例提供了一种人工智能模型更新方法，包括：S101.收集嵌入式设备实时数据；S102.开发并训练人工智能模型；S103.将所述人工智能模型序列化为模型字节流；S104.在嵌入式设备上接收所述模型字节流并反序列化，获得更新后的人工智能模型。优选的，所述步骤S101通过kafka实现数据收集。优选的，所述步骤S103中的序列化包括将所述人工智能模型打包为Dockerimage，再通过Base64编码为所述模型字节流；还包括将所述模型字节流进行模型分发；所述模型分发通过kafka实现。优选的，所述步骤S104包括通过k3s平台部署所述更新后的人工智能模型。第二方面，本申请实施例提供了一种人工智能模型更新系统，适用于上述一种人工智能模型更新方法，包括：数据收集单元：收集嵌入式设备实时数据；模型训练单元：开发并训练人工智能模型；序列化单元：将所述人工智能模型序列化为模型字节流；模型接收单元：在嵌入式设备上接收所述模型字节流并反序列化。在其中一些实施例中，所述步骤S101通过kafka实现数据收集。在其中一些实施例中，所述步骤S103中的序列化包括将所述人工智能模型打包为Dockerimage，再通过Base64编码为所述模型字节流；还包括将所述模型字节流进行模型分发；所述模型分发通过kafka实现。在其中一些实施例中，所述步骤S104包括通过k3s平台实现获得所述更新后的人工智能模型。第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的一种人工智能模型更新方法。第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的一种人工智能模型更新方法。相比于相关技术，本申请实施例提供的一种人工智能模型更新方法：1、实现了嵌入式设备上的人工智能模型实时更新；2、加速了模型序列化、模型滚动升级、嵌入式设备人工智能模型环境的部署等环节；3、在嵌入式端预先安装了k3s这种轻量级的容器化平台，应用了k3s容器化技术，整体部署，无需人工干预，可以实现Dockerimage的滚动升级，即上线新版本、API切换、下线旧版本等。本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。附图说明此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1是根据本申请实施例的人工智能模型更新方法流程图；图2是根据本申请实施例的人工智能模型更新方法的应用流程图；图3是根据本申请实施例中的人工智能模型更新系统的框架图；图4是根据本申请实施例的电子设备的框架图；以上图中：11、数据收集单元；12、模型训练单元；13、序列化单元；14、模型接收单元；20、总线；21、处理器；22、存储器；23、通信接口。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的
技术实现思路
的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属
内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在人工智能领域，无论是已经成熟的传统机器学习方法，还是新兴的深度学习方法，随着数据量的增加、场景的变化都会需要对模型进行更新，以适应新的数据和场景。模型更新速度的快慢，直接影响当前模型的效果，我们往往希望的模型是这样的：考虑了足够久远的数据，这样就会考虑更多的情况；同时考虑了最新的数据，这样就能对最新的变化作出反映，减少滞后性对效果的影响。机器硬件的发展和大数据技术的发展，部分地解决了处理足够多数据的问题，但是对于实时的模型更新还是一个有挑战的问题。特别是对于嵌入式设备上运行的模型，要求就更高了。现有的模型更新技术，更多地关注于“数据-训练-模型更新-新数据”这个循环，可以描述为对这个循环的一种自动化，让这个数据管道更快，比如通过kafk本文档来自技高网...

【技术保护点】
1.一种人工智能模型更新方法，其特征在于，包括：/nS101.收集嵌入式设备实时数据；/nS102.开发并训练人工智能模型；/nS103.将所述人工智能模型序列化为模型字节流；/nS104.在嵌入式设备上接收所述模型字节流并反序列化，获得更新后的人工智能模型。/n

【技术特征摘要】
1.一种人工智能模型更新方法，其特征在于，包括：
S101.收集嵌入式设备实时数据；
S102.开发并训练人工智能模型；
S103.将所述人工智能模型序列化为模型字节流；
S104.在嵌入式设备上接收所述模型字节流并反序列化，获得更新后的人工智能模型。


2.如权利要求1所述的人工智能模型更新方法，其特征在于，所述步骤S101通过kafka实现数据收集。


3.如权利要求1所述的人工智能模型更新方法，其特征在于，所述步骤S103中的序列化包括将所述人工智能模型打包为Dockerimage，再通过Base64编码为所述模型字节流。


4.如权利要求3所述的人工智能模型更新方法，其特征在于，所述步骤S103还包括将所述模型字节流进行模型分发；所述模型分发通过kafka实现。


5.如权利要求1所述的人工智能模型更新方法，其特征在于，所述步骤S104包括通过k3s平台部署所述更新后的人工智能模型。


6.一种人工智能模型更新系统，其特...

【专利技术属性】
技术研发人员：刘喆，
申请(专利权)人：北京明略昭辉科技有限公司，
类型：发明
国别省市：北京;11