【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
。<
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。