人工智能生成和自动化的学习与处理方法及系统技术方案

本发明专利技术公开了一种人工智能生成和自动化的学习与处理方法及系统，包括

【技术实现步骤摘要】
人工智能生成和自动化的学习与处理方法及系统


[0001]本专利技术属于人工智能和应用
，一种人工智能生成和自动化的学习与处理方法及系统具体涉及一种数据序列表自动标签化和
prompt
的生成方式，一种功能和模型生成处理装置及系统，以及一种自生长（学习）机制
。
本申请同时涉及
。
本申请同时涉及数据处理
，特别涉及一种数据样本序列的理解与批处理方法
。

技术介绍

[0002]随着科技发展，人工智能和数据处理等技术被更广泛的运用
。
本专利技术为了解决对数据和结构等样本知识的智能识别和提取，完成对数据样本的理解，同时，能够进行自主学习以及完成相应功能模型的结果生成和输出，提供了一种人工智能生成和自动化的学习与处理方法及系统；一方面，本专利技术提供了一种数据序列表自动标签化和
prompt
的生成方式，并用于智能识别和提取数据和结构知识并生成相应标签组和
prompt
提示词序列；另一方面，功能和模型生成处理装置及系统则是用于解决在服务端触发和执行如分析，模拟或推理等功能和模型的生成工作并输出结果，以最终实现在用户侧的极简化操作，从而实现全自动科学分析和知识生成
。
[0003]同时，本专利技术的自生长（学习）机制是为了解决知识转化，学习和生成等多个问题，其简化的机制设计使得多次数小数量的持续学习方式被用于解决知识学习和转化问题，从而能够提供定制的生成能力以及在用户侧的简化操作
。<br/>[0004]而本专利技术的一种数据样本序列的理解和批处理方法，则是为解决用于生成技术部分所使用的原材料数据的一些问题，从而能够实现自动处理数据样本，智能识别样本信息以及理解知识和含义
。

技术实现思路

[0005]本申请实施例的目的是提供一种人工智能生成和自动化的学习与处理方法
、
系统
、
计算机设备及计算机可读存储介质，用于解决上述提及的一个及多个问题
。
[0006]本申请实施例提供了一种人工智能的生成和自动化学习与处理方法及系统，所述方法及系统包括
: 一，将目标数据样本输入到数据样本序列的理解与批处理模块中，将模块中获取的目标知识信息序列输入到标签生成模型和
prompt
提示词生成模型，获得生成的标签和
prompt
提示词序列；将所述标签和
prompt
提示词序列放回模块中，获取数据集信息序列表
。
将所述数据集信息序列表输入功能和模型生成处理装置及系统中，获取生成结果
。
[0007]二，将目标数据样本放入数据处理模块，将输出数据样本信息序列和应用模块信息一同放入自生长（学习）机制，获取自生知识库；然后可再进行上述步骤获取生成结果
。
[0008]所述数据样本序列的理解与批处理模块包括3个流程，本专利技术通过对其处理序列的模型组进行优化并提高了批量处理效率
。
首先，将获取到的目标数据样本输入到流程1的批量预处理模型中，对各个文本进行批量并行处理后，得到各个数据文本及其类别的质量分数
; 其中，所述预处理模型为数据样本的检测模型，同时会对其所需处理的数据样本进
行划分
;
基于所述被划分的数据样本序列，放入流程2中并依据质量分值模块的检测结果，自动针对低质量部分数据进行深度处理，也包括所述各个数据文本类别的数据格式，空缺等数据质量问题的纠正和清理
; 并将调整后的各个数据文本类别进行批量拆分处理，提取知识采样以及提炼并获取知识信息序列
。
[0009]将所述生成的标签和
prompt
序列及知识信息序列一同放入流程
3 中，依据提示词序列信息进行数据集信息定位和标签校对，数据集生成知识配对，然后将对应数据集信息进行归位后，获取数据集信息序列表
。
[0010]所述的数据序列表自动标签化和
prompt
的生成方式包括
:
标签生成和提示词生成
;
相应的，所述标签生成包括根据数据信息知识采样识别数据序列标签信息，并依据其知识信息多次矫正标签集，定位标签组，获取生成的标签序列；所述提示词生成，则是根据标签模块的序列信息，运用提示知识导引模型生成所需信息序列，输入样本知识量化模型中，进行提示组的信息提取，获取所述目标数据集的提示词生成序列
。
[0011]生成处理装置包括
: 在客户端发起处理生成请求，服务端触发和执行模型
/
功能调用并输出生成结果；所述系统包括
: 将所述数据集信息序列表放入分值运算模块，同时运用知识引导模块，并生成模块调用序列信息，完成调用生成处理请求的触发机制，获取生成结果
。
[0012]数据处理模块采用了部分数据样本序列的理解与批处理方法中的模块模型，包括
:
将所述各个数据样本类别输入到检测模型中并进行深度处理等部分模块流程，获取数据集信息序列表
。
[0013]应用模块包括 : 输入信息检测模块，转化模块和提取模块
。
主要用于将用户端收集的输入信息转化为信息序列用于自生长（学习）机制
。
[0014]检测模块，用于：检测输入参数信息是否符合规范条件
。
[0015]提取模块，用于：提取符合需要条件的合规输入参数信息
。
[0016]转化模块，用于：转化提取参数信息为输出序列集所需格式，并输出转化后的参数信息序列
。
[0017]自生长（学习）机制通过对主体知识库的知识进行剥离，同时采用部分所述的数据序列表自动标签化和
prompt
的生成方式对标签和提示词知识进行反向训练，并训练获取未知的标签和提示词知识，完成对未知数据集样本的训练学习
。
[0018]根据所述初步获取的知识序列，进行运动瘦身
(
学习
)
算法处理，获取处理后的知识序列，放入知识库自动化模块，转化知识序列并获取自生知识库的生成和更新
。
[0019]根据所述运动瘦身
(
学习
)
算法包括 :
一种模型算法用于学习精炼知识，通过多次数小数量的持续学习方式，每一次学习训练，模型算法会根据其数据信息，知识信息和正向值等几个方面自动判断，选择并调整其需要调整的知识序列部分，确定结果并更新正向值，同时，输出处理后的知识序列结果用于自生知识库的生成和更新
。
[0020]本申请实施例的一个方面又提供了一种计算机设备，所述计算机设备包括存储器
、
处理器以及存储在存储器上并可在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用于实现如上述人工智能生成和自动化的学习与处理方法及系统的步骤...

【技术保护点】

【技术特征摘要】
1.
一种人工智能生成和自动化的学习与处理方法及系统，其特征在于 ，所述方法及系统包括 : 一方面，将目标数据样本输入到数据样本序列的理解与批处理模块中，将模块中获取的目标知识信息序列输入到标签生成模型和
prompt
提示词生成模型，获得生成的标签和
prompt
提示词序列；将所述标签和
prompt
提示词序列放回模块中，获取数据集信息序列表
。
将所述数据集信息序列表输入功能和模型生成处理装置及系统中，获取生成结果
。
另一方面，将目标数据样本放入数据处理模块，将输出数据样本信息序列和应用模块信息一同放入自生长（学习）机制，获取自生知识库；然后可再进行上述步骤获取生成结果
。2.
根据权利要求1所述的数据样本序列的理解与批处理方法，其特征在于 ，所述方法模块包括3个流程，将目标数据样本输入到流程1的批量预处理模型中，对各个文本进行批量并行处理后，得到各个数据文本及其类别的质量分数
; 其中，所述预处理模型为数据样本的检测模型，同时会对其所需处理的数据样本进行划分
;
基于所述被划分的数据样本序列，放入流程2中并依据质量分值模块的检测结果，自动针对低质量部分数据进行深度处理
; 并将调整后的各个数据文本类别进行批量拆分处理，提取知识采样以及提炼并获取知识信息序列；将所述生成的标签和
prompt
序列及知识信息序列一同放入流程
3 中，依据提示词序列信息进行数据集信息定位和标签校对，数据集生成知识配对，然后将对应数据集信息进行归位后，获取数据集信息序列表
。3.
根据权利要求
1 所述的数据序列表自动标签化和
prompt
的生成方式，其特征在于 ， 所述方法包括
:
标签生成和提示词生成
; 相应的，所述标签生成包括根据数据信息知识采样识别数据序列标签信息，并依据其知识信息多次矫正标签集，定位标签组，获取生成的标签序列；所述提示词生成，则是根据标签模块的序列信息，运用提示知识导引模型生成所需信息序列，输入样本知识量化模型中，进行提示组的信息提取，获取所述目标数据集的提示词生成序列
。4.
根据权利要求 1 所述的功能和模型生成处理装置及系统 ，其特征在于 ，所述生成处理装置包括
: 在客户端发起处理生成请求，服务端触发和执行模型
/
功能调用并输出生成结果；所述系统包括
: 将所述数据集信息序列表放入分值运算模块，同时运用知识引导模块，并生成模块调用序列信息，完成调用生成处理请求的触发机制，获取生成结果
。5.
根据权利要求 1 所述的数据处理模块，其特征在于 ，所述模块采用了部分权利要求 2 所述的数据样本序列的理解与批处理方法中的模块模型，包括
:
将所述各个数据样本类别输入到检测模型中并进行深度...

【专利技术属性】
技术研发人员：陈心恬，
申请(专利权)人：上海也识科技有限公司，
类型：发明
国别省市：