一种基于深度学习的人工智能模型开发平台制造技术

本发明专利技术涉及一种基于深度学习的人工智能模型开发平台,属于人工智能技术领域。本发明专利技术在人工智能模型开发平台中提供数据管理、算法开发、模型训练、模型管理、模型部署、模型炼知、权限管理等功能，对数据、算法、模型进行标准化统一管理，算法和模型可复用程度高，避免重复开发，提高了开发效率；不同项目可并行调用，避免了数据孤岛的存在，同时支持服务自主对接，降低了对接难度。降低了对接难度。降低了对接难度。

【技术实现步骤摘要】
一种基于深度学习的人工智能模型开发平台


[0001]本专利技术属于人工智能
，尤其涉及一种基于深度学习的人工智能模型开发平台。

技术介绍

[0002]现在企业人工智能AI模型在训练阶每个项目的数据来源一般都各不相同，需要研发人员每次都要根据项目情况人工去申请、获取、清洗、预处理数据。AI模型在开发过程中，需要一系列的运算、存储等资源。在大多数企业实体中，很多项目都是项目组自己提供运算资源训练模型，上线时再申请生产资源对环境进行配置、对项目进行部署。这种各自为政的资源管理模式不可避免地会造成资源使用的不协调与浪费。模型交付难，缺少统一的模型运行、监控平台，服务管理接口、及更新维护机制。并且每个模型上线后各个项目独自使用，遇到其他业务场景需要重新从数据获取、清洗、标注、训练等流程重新开始，烟筒式的开发，在企业内部就会形成一系列的数据孤岛。
[0003]现有技术中，烟筒式的开发模式会造成一系列数据孤岛，模型的隔离部署管理和可复用程度低，模型交付难，缺少统一的模型运行、监控、管理、更新维护平台。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于深度学习的人工智能模型开发平台，在人工智能模型开发平台中提供数据管理、算法开发、模型训练、模型管理、模型部署、模型炼知、权限管理等功能，对数据、算法、模型进行标准化统一管理，算法和模型可复用程度高，避免重复开发，提高了开发效率；不同项目可并行调用，避免了数据孤岛的存在，同时支持服务自主对接，降低了对接难度。
[0005]根据本专利技术的一个方面，本专利技术提供了一种基于深度学习的人工智能模型开发平台，所述平台包括：
[0006]数据管理单元，用于对各类数据进行数据筛选、数据分析、数据标注，所述数据标注的方式包括机器自动标注和人工手动标注；
[0007]算法开发单元，用于创建新的算法，或根据应用需求对平台中预置的算法进行操作，所述操作包括在线编辑、上传、下载、删除；
[0008]模型训练单元，用于为每个训练任务分配独立的虚拟容器，采用预置算法或用户自定义算法进行云端训练；
[0009]模型管理单元，用于对所述模型进行创建、查询、下载、编辑、删除操作，并保存操作后的模型；
[0010]模型部署单元，用于对模型管理单元中的模型利用云端服务功能进行部署，所述模型部署的方式包括在线部署和批量部署。
[0011]优选地，所述数据标注的类型包括：图像分类、目标检测、目标跟踪和文本分类；所述数据标注的过程包括：
[0012]采集业务数据，所述业务数据包括文本、图像、音频和视频；
[0013]对所述业务数据创建标签组，形成数据集；
[0014]对所述数据集中的数据进行标注，将标注后的数据集进行发布。
[0015]优选地，所述根据应用需求对平台中预置的算法进行操作，包括：
[0016]创建交互式编程环境，在所述交互式编程环境中编辑算法；
[0017]对编辑后的算法进行调试，并保存调试后的算法。
[0018]优选地，对模型进行训练，包括：
[0019]创建训练任务，所述训练任务支持多种深度学习算法；
[0020]训练过程中动态调制算法参数，完成模型训练。
[0021]优选地，所述模型管理单元包括模型优化模块，用于对模型管理单元中存储的模型进行优化处理。
[0022]优选地，模型部署单元中的云端服务功能支持多种深度学习算法训练、灰度发布、图片预处理、自定义推理脚本。
[0023]优选地，所述人工智能模型开发平台还包括模型炼知单元，所述模型炼知单元通过重用已知的预训练模型为用户定制新的模型，为用户提供一键创建任务的功能，并提供菜单选择功能来控制模型间知识的迁移。
[0024]优选地，所述模型炼知单元包括炼知引擎；所述炼知引擎用于多任务迁移学习、图像分类、语义分割、深度估计、知识重组、模型可迁移性分析和模型压缩。
[0025]优选地，所述人工智能模型开发平台还包括权限管理单元，用于对所述人工智能模型开发平台进行角色、权限的统一管理，所述管理包括菜单管理、账号管理和角色管理。
[0026]优选地，所述菜单管理包括：对菜单进行权限控制，若有权限，则显示菜单名允许访问相应的模块，若无权限，则隐藏菜单名；
[0027]所述角色管理包括：根据业务对应的角色进行管理，或根据访问权限的等级进行管理。
[0028]本专利技术能达到的有益效果如下：
[0029]1.多层次可复用：对于算法、模型的标准化管理，以及可复用服务封装能力，使得算法和模型可复用程度高，避免重复开发，提高了开发效率。
[0030]2.服务统一化：统一的服务接口规范，可支持服务自主对接，降低了对接难度。
[0031]3.流程角色优化：研发流程拆分优化，清晰的研发角色定义，支持任务并行与角色协作，AI产品研发流水线化，能提高开发人员的开发效率。
[0032]4.数据统一管理：数据管理模块对数据统一管理，并实现了版本管理，不同项目可并行调用，避免了数据孤岛的存在。
[0033]5.支持一键部署：针对模型部署难的问题，可实现在线部署调参，一键部署上线，加快了应用上线周期。
[0034]6.资源管控：统一资源管理，包括计算资源、存储资源等，支持资源弹性调度。降低了企业的开发成本。
[0035]通过参照以下附图及对本专利技术的具体实施方式的详细描述，本专利技术的特征及优点将会变得清楚。
附图说明
[0036]图1是人工智能模型开发平台结构示意图；
[0037]图2是对数据进行标注的流程示意图；
[0038]图3是对算法进行编辑操作的流程示意图；
[0039]图4是人工智能模型开发平台的总体框架示意图。
具体实施方式
[0040]下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0041]实施例1
[0042]图1是人工智能模型开发平台结构示意图。如图1所示，本专利技术提供了一种基于深度学习的人工智能模型开发平台，所述平台包括：
[0043]数据管理单元，用于对各类数据进行数据筛选、数据分析、数据标注，所述数据标注的方式包括机器自动标注和人工手动标注；
[0044]算法开发单元，用于创建新的算法，或根据应用需求对平台中预置的算法进行操作，所述操作包括在线编辑、上传、下载、删除；
[0045]模型训练单元，用于为每个训练任务分配独立的虚拟容器，采用预置算法或用户自定义算法进行云端训练；
[0046]模型管理单元，用于对模型进行创建、查询、下载、编辑、删除操作，并保存操作后的模型；
[0047]模型部署单元，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的人工智能模型开发平台，其特征在于，所述平台包括：数据管理单元，用于对各类数据进行数据筛选、数据分析、数据标注，所述数据标注的方式包括机器自动标注和人工手动标注；算法开发单元，用于创建新的算法，或根据应用需求对平台中预置的算法进行操作，所述操作包括在线编辑、上传、下载、删除；模型训练单元，用于为每个训练任务分配独立的虚拟容器，采用预置算法或用户自定义算法进行云端训练；模型管理单元，用于对模型进行创建、查询、下载、编辑、删除操作，并保存操作后的模型；模型部署单元，用于对所述模型管理单元中的模型利用云端服务功能进行部署，所述模型部署的方式包括在线部署和批量部署。2.根据权利要求1所述的平台，其特征在于，所述数据标注的类型包括：图像分类、目标检测、目标跟踪和文本分类；所述数据标注的过程包括：采集业务数据，所述业务数据包括文本、图像、音频和视频；对所述业务数据创建标签组，形成数据集；对所述数据集中的数据进行标注，将标注后的数据集进行发布。3.根据权利要求1所述的平台，其特征在于，所述根据应用需求对平台中预置的算法进行操作，包括：创建交互式编程环境，在所述交互式编程环境中编辑算法；对编辑后的算法进行调试，并保存调试后的算法。4.根据权利要求1所述的平台，其特征在于，对模型进行训练，包括：创建训练任务，所述训...

【专利技术属性】
技术研发人员：蔡永维，
申请(专利权)人：中化现代农业有限公司，
类型：发明
国别省市：