云问题生成向本地人工智能的动态卸载制造技术

本技术允许用于使用人工智能引擎来执行问题生成的混合方法，其中利用本地组件和云组件二者。在该技术中，基于云的计算设备接收与设备的计算网络相关联的数据，并使用机器学习来创建计算网络的模型。基于云的计算设备将模型传送到位于计算网络的本地的计算系统，并接收与由本地计算系统创建的问题和见解相关的数据。基于云的计算设备确定本地计算系统是否产生低于阈值质量的问题和见解。如果是，则基于云的计算设备基于与计算网络相关联的经更新数据来更新模型，并将经更新的模型传送到本地计算系统。地计算系统。地计算系统。

【技术实现步骤摘要】
【国外来华专利技术】云问题生成向本地人工智能的动态卸载


[0001]本公开涉及利用人工智能(“AI”)的网络系统监视，更具体地，涉及将利用机器学习生成的模型动态卸载到本地(on
‑
premise)AI引擎以减少云AI引擎上的操作负载。

技术介绍

[0002]在由人工智能(“AI”)管理的常规网络系统中，数据由用户、设备、应用、网络服务数据提供商或其他方提供给AI引擎。数据可能包括网络的问题、用户所报告的问题、断开的网络连接、快速变化的连接或其他网络问题。
[0003]常规的网络系统可以使用基于云的AI引擎来管理系统，其中通过构建网络的模型来监视网络、提供负载管理决策、确定网络的健康状况、预测趋势、检测模式、或执行其他常规服务。AI引擎能够向网络的用户提供数据，例如有关网络行为和网络出现的问题的见解。
[0004]当AI引擎严格地基于云时，数据必须通过云来被传送到与基于云的AI引擎相关联的数据湖(data lake)。数据的持续传送很麻烦，并且需要大量的带宽和成本来进行传送。此外，基于云的AI引擎还承担了持续监视来自系统以及由基于云的AI引擎监视的任何其他系统的新数据的任务。因此，基于云的AI引擎的容量和效率由于对新数据的监视而降低。此外，当与云的连接中断时，AI引擎无法提供网络问题和见解。
附图说明
[0005]图1是描绘根据某些示例的将云问题生成动态卸载到本地人工智能的通信和处理架构的框图。
[0006]图2是描绘根据某些示例的将云问题生成动态卸载到本地人工智能的方法的流程框图。
[0007]图3是描绘根据某些示例的本地云代理执行模型的方法的流程框图。
[0008]图4描绘了根据某些示例的计算机器和模块。
具体实施方式
[0009]概述
[0010]本专利技术的各个方面在独立权利要求中阐述，并且优选特征在从属权利要求中阐述。一个方面的特征可以单独地或与其他方面结合地应用于任何方面。
[0011]本技术允许使用AI引擎执行问题和见解生成的混合方法，其中利用本地组件和云组件二者。
[0012]在初始校准阶段期间，云AI引擎通过机器学习模块构建网络的模型。数据由云AI引擎接收，其中网络的模型是基于接收到的数据(以及可选地基于来自其他网络或客户的数据)计算的。在校准期间，云AI引擎中生成的输出可以被发送到本地云代理，这将使客户可以使用该信息。模型的输出可以包括网络的问题以及对网络性能和趋势的见解。
[0013]模型评估引擎或云AI引擎的其他组件监视模型和模型的输出，以识别出特定模型
的收敛。模型评估引擎通过将输出与客观判断标准或计算机生成的判断标准进行比较来识别出收敛。收敛确保所生成的问题和见解的质量满足预期的质量判断标准。在替代示例中，收敛由云AI引擎的人类操作员识别出或通过使用客观判断标准来识别出。在另一个示例中，客户反馈被评估以确定何时实现了收敛。
[0014]在模型评估引擎已经确定模型已经收敛之后，云AI引擎将模型传送到本地云代理。模型更新代理将本地云代理配置为使用利用接收到的数据的新计算模型。模型更新代理验证本地云代理已准备好生成输出，例如问题和见解。
[0015]本地云代理开始使用利用从网络计算设备接收到的数据的模型。该模型使本地云代理能够在本地生成问题和见解。本地云代理禁用到云AI引擎的数据导出。本地云代理将任何所生成的问题和见解导出到云AI引擎和/或用户设备或用户界面，以便向用户报告。向云AI引擎的通信允许遥测和跟踪所生成的问题和见解，以确保本地云代理的性能适当地运行。在本地云代理正在操作网络的模型时，带宽和通信容量不被用于将数据传送到云AI引擎。云中的计算资源也没有被用于计算模型。
[0016]云AI引擎的云模型性能监视引擎持续地或定期地监视由本地云代理操作的模型的行为。本地云代理可以定期地将数据传送到云AI引擎以存储在数据湖中。可以基于设定的时间表或应操作员的请求而定期传送数据。所传送的数据允许云AI引擎监视数据以查找异常、趋势或其他潜在问题。
[0017]云模型性能监视引擎可以使用数据湖中的数据来定期验证本地云代理的操作。模型性能监视引擎使用与模型评估引擎相同的数据源，以确保由本地云代理操作的模型产生的问题和见解的质量不会随着时间的推移而降低。如果质量下降到低于给定阈值，云模型性能监视引擎将重新启动校准阶段。阈值可以是输出准确度的函数。例如，如果模型生成的问题未被确定为实际问题，则该输出的质量被确定为低。但是，如果用户投诉与模型生成的问题相匹配，表明该问题是实际问题，则输出的质量被确定为高。在另一个示例中，阈值可以是输出的有效性的函数。例如，如果见解指示网络140的设备很可能遭受即将发生故障的趋势，并且故障确实发生，则输出被确定为具有高质量。
[0018]如果云模型性能监视引擎确定需要重新校准，则云模型性能监视引擎将禁用本地云代理的问题生成并启用本地云代理向云AI引擎的数据导出。模型将使用与本文所述的初始校准相同的过程而被重新校准。重新校准的模型可以使用先前收集的数据、新接收的原始数据或在本地云代理的操作期间从本地云代理定期接收的原始数据。
[0019]本技术允许机器学习模型被配置在基于云的AI引擎上并被部署到本地云代理。此部署允许减少从网络设备到云AI引擎的数据通信。在模型已被部署后，可以暂停向云AI引擎传输数据。此外，如果在操作期间云连接性丢失，问题生成和异常检测仍然可以通过本地云代理来进行操作。数据的定期采样和问题的定期审查以及来自本地云代理的见解生成可以被用来确定是否需要新的模型配置。在云AI引擎中配置模型允许云AI引擎在配置和校准中利用其他模型和数据源。将所配置的模型的操作卸载到本地云代理允许使用更少的到云AI引擎的通信带宽来操作模型。云AI引擎监视本地云代理的性能，以确保模型正常运行。此外，云AI引擎可以有更多的能力来创建更全面的模型，而本地云代理可以由容量和处理带宽较小的计算设备操作。
[0020]本技术的这些和其他方面、目的、特征和优点对于本领域普通技术人员来说在考
虑以下对所示示例的详细描述后将变得显而易见。
[0021]示例系统架构
[0022]在本技术的示例架构中，虽然架构中所示的每个服务器、系统、网络和设备由服务器、系统或设备的一个实例表示，但可以使用每个的多个实例。此外，虽然在与附图相关的示例中呈现了技术操作的某些方面以促进要求保护的专利技术的实现，但也有助于实现要求保护的专利技术的技术的附加特征在本文别处公开。
[0023]图1是描绘通信和处理架构100的框图，该通信和处理架构100用于将云问题生成动态卸载到本地人工智能。如图1所示，架构100包括由通信网络99连接的云AI引擎105和网络140。
[0024]云AI引擎105使用模块或组件来执行各种任务以配置和监视模型，这些模型用于生成网络系统的问题和见解。通常，云AI引擎105可以采用多种工具、应用和设备。云AI引擎105从任何部署的本地云代理(例如本地云代本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种方法，包括：由基于云的计算设备进行如下操作：接收与设备的计算网络相关联的数据；生成用于监视所述计算网络的模型；将所述模型传送到位于所述计算网络的本地的计算系统；确定所述本地计算系统正在低于模型质量阈值地执行；基于与所述计算网络相关联的经更新数据，来更新所述模型；以及将经更新的模型传送到位于所述计算网络的本地的所述计算系统。2.根据权利要求1所述的方法，其中，所述模型是基于机器学习过程创建的。3.根据权利要求2所述的方法，其中，为了创建所述模型，所述机器学习过程将接收到的数据和从至少一个附加计算网络接收到的数据结合起来。4.根据权利要求1至3中任一项所述的方法，其中，所述本地计算系统通过利用接收到的数据执行所述模型来创建多个输出。5.根据权利要求4所述的方法，其中，所述模型质量阈值是基于对所述模型的所述多个输出的分析的。6.根据权利要求4或5所述的方法，其中，所述模型的所述多个输出包括以下项中的一个或多个：所述计算网络的问题和对所述计算网络的见解。7.根据权利要求1至6中任一项所述的方法，其中，更新所述模型包括创建新模型。8.根据权利要求1至7中任一项所述的方法，其中，所述本地计算系统接收与所述计算网络的设备相关联的数据，以在本地处执行所述模型。9.根据权利要求1至8中任一项所述的方法，其中，为了确定所述本地计算系统正在低于模型质量阈值地执行，所述基于云的计算设备执行以下操作：基于所述经更新的数据，来计算经更新的模型；以及将由所述本地计算系统操作的所述模型的输出与由所述基于云的计算设备操作的该经更新的模型的输出进行比较，其中，由所述本地计算系统操作的所述模型的输出与由所述基于云的计算设备操作的该经更新的模型的输出不匹配。10.根据权利要求1至9中任一项所述的方法，其中，为了确定所述本地计算系统没有产生高于阈值质量的输出，所述基于云的计算设备将所述多个输出与标准进行比较。11.根据权利要求1至10中任一项所述的方法，还包括在将所述模型传送到所述本地计算系统之前确定所述模型已经收敛。12.根据权利要求11所述的方法，其中，所述模型已经收敛的确定是基于由所述基于云的计算设备接收到的输入的。13.根据权利要求11所述的方法，其中，所述模型已经收敛的确定是基于客观判断标准的。14.根据权利要求11所述的方法，其中，所述模型已经收敛的确定是基于由所述基于云的计算设备接收到的反馈的。15.根据权利要求1至14中任一项所述的方法，还包括：...

【专利技术属性】
技术研发人员：安德里亚，
申请(专利权)人：思科技术公司，
类型：发明
国别省市：