一种人工智能师徒半监督学习的方法技术

本发明专利技术公开了一种人工智能师徒半监督学习的方法，涉及AI模型算法技术领域。该人工智能师徒半监督学习的方法包括以下步骤：识别数据的分析处理、独立数据处理流程、判断识别数据是否需要高精度模型监督调整、判断识别数据是否需要第三方算法监督调整、用户人为干预监督调整通过后台管理界面和前端用户的应用界面和按设定的时间节点，做数据集的自动调整。该人工智能师徒半监督学习的方法，制定了一套行之有效的师徒半监督学习方法，从而用最低的成本，实现了在实际场景下对AI模型的反复再训练。不断适应新的实际场景的同时，进一步优化训练数据集，最终达到大幅度提高模型精确度的目的。

【技术实现步骤摘要】
一种人工智能师徒半监督学习的方法
本专利技术涉及AI模型算法
，具体为一种人工智能师徒半监督学习的方法。
技术介绍
常用的视觉人工智能体，模型都是训练出来的。训练数据是一个静态数据集，也就意味着，随着模型的训练完成，这个视觉人工智能模型的精确度就给定了。实际使用中，真实的场景和训练数据之间，会存在很大的差异。举例来说，视频摄像角度的偏差，距离的偏差，白天黑夜的偏差等等，都会对模型的精确判断造成问题。物体识别和员工穿戴规范的识别，也会随着时间的变化有所不同，例如十年之间的手机的变迁，就会导致使用旧数据的手机识别，精确度不高。手动更新机器学习模型的方法本质上是复制初始训练数据的过程，但要使用一组更新的数据输入。此选项的可行性取决于定期获取和准备新训练数据的能力。优点是可以随时监控模型的性能，确定何时需要更新。如果模型的准确性明显下降，则可能需要对更新的数据进行重新训练。最大的问题，在与数据准备的人力成本，以及重新训练带来的不确定性。持续学习模型通常会从部署了数据的生产环境中合并新的数据流。当用户使用现有的机器学习模型后，每日的识别结果本文档来自技高网...

【技术保护点】
1.一种人工智能师徒半监督学习的方法，其特征在于：包括实际使用场景下的识别数据，识别数据加入并替代原有识别模型后，成为新的模型数据，识别数据包括了模型综合时的数据调整，同时包含了用户人为干预监督调整和第三方算法监督调整，在指定周期内对型数据进行二次调整，形成了一个自动的训练流程，所述人工智能师徒半监督学习的方法包括以下步骤：/nS1、识别数据的分析处理，实际运营过程中，识别数据产生后，记录原始视频图片、识别框、识别置信度等，识别数据通过网络上传至云端保存；/nS2、独立数据处理流程，仅对后台管理界面中指定的实际场景识别数据执行处理流程，识别数据进入后，处理流程启动，开始补充综合识别监督调整数据...

【技术特征摘要】
1.一种人工智能师徒半监督学习的方法，其特征在于：包括实际使用场景下的识别数据，识别数据加入并替代原有识别模型后，成为新的模型数据，识别数据包括了模型综合时的数据调整，同时包含了用户人为干预监督调整和第三方算法监督调整，在指定周期内对型数据进行二次调整，形成了一个自动的训练流程，所述人工智能师徒半监督学习的方法包括以下步骤：
S1、识别数据的分析处理，实际运营过程中，识别数据产生后，记录原始视频图片、识别框、识别置信度等，识别数据通过网络上传至云端保存；
S2、独立数据处理流程，仅对后台管理界面中指定的实际场景识别数据执行处理流程，识别数据进入后，处理流程启动，开始补充综合识别监督调整数据，运行结果，在识别数据的综合识别监督调整列，添加状态数据；
S3、判断识别数据是否需要高精度模型监督调整，在满足阈值或管理配置设定条件下，补充高精度模型监督调整数据，然后运行结果，再识别数据的高精度模型监督调整列，添加状态数据；
S4、判断识别数据是否需要第三方算法监督调整，在满足阈值或管理配置设定条件下，补充第三方算法监督调整数据，然后运行结果，再识别数据的第三方算法监督调整列，添加状态数据；
S5、用户人为干预监督调整通过后台管理界面和前端用户的应用界面，以异步的方式输入到识别数据中，云端人工智能训练人员，根据反馈的实际情况，对用户反馈做确认，并更新用户认为干预监督调整列，同时，根据实际情况对S2进行数据上的调整，并从S2启动执行流程；
S6、按设定的时间节点，做数据集的自动调整，启动模型数据的算法训练过程。


2.根据权利要求1所述的一种人工智能师徒半监督学习的方法，其特征在于：S2中综合识别监督调整列在实际场景中会进行多方面数据上的识别，采用多模型进行综合方面的判断，识别的结果是汇总和累加的。


3.根据权利要求1所述的一种人工智能师徒半监督...

【专利技术属性】
技术研发人员：傅泳，
申请(专利权)人：上海深硅信息科技有限公司，
类型：发明
国别省市：上海;31