人工智能多层级模型数据迭代系统技术方案

人工智能多层级模型数据迭代系统，所述迭代系统包括：设备组件，用于面向行业展开体系架构，包括存储模块

【技术实现步骤摘要】
人工智能多层级模型数据迭代系统


：
[0001]本专利技术涉及人工智能多层级模型数据迭代系统
。

技术介绍

：
[0002]近年来，人工智能技术已经覆盖大量应用场景，包括自动驾驶，城市安防，人脸识别等等；随着越来越多的应用和落地，人们逐渐发现数据的重要性相比模型和算法对于最终的效果更加重要，尤其是不断出现的多样的数据难例；只有将尽可能多的数据难例吸纳进来，才有可能使得人工智能应用系统的精度和准确率达到业务要求的程度
。
[0003]然而，数据的积累是个复杂的过程，难例的出现具有时间上和场景上的不确定性，无法通过单次的大量投入完成数据的积累，因此在规模化上具有相当的难度
。
只有不断地收集数据，用收集到的数据迭代模型，再利用迭代后的模型去定义新的难例，周而复始，才能完成一个场景级模型训练的闭环
。
[0004]实际应用时，由于单场景的数据难例迭代周期很长并且数据难例的出现频率不稳定，因此需要汇聚尽可能多的数据来源才能更高效的进行数据难例的收集，而在数据汇聚过程中各个场景节点和厂家的配合难度较高，迭代频率和数据收集频率难以进行统一，数据安全性较差；同时数据规模依旧有限，无法从更大范围进行数据的收集，需要消耗过多的时间和资源，流程较为复杂
。

技术实现思路

：
[0005]本专利技术实施例提供了人工智能多层级模型数据迭代系统，结构和方法设计合理，能够将数据和模型的迭代闭环分为场景级
‑
集团级
‑
行业级三层
。
在每层内，数据
‑
模型会在内部循环迭代，同时数据会加密后向上层传递，上层汇聚下层多个数据源的模型迭代后会回流下层，通过基于标签映射的模型选型和层内的模型进行对比，从而得到面向应用场景的最佳模型，适合面向大颗粒度行业应用，例如煤炭，城市安防，自动驾驶等，可提供智能高效的模型众筹能力并保证数据安全性，使得行业级不同参与者得以进行模型众筹，极高效率地完成人工智能在场景的优化迭代，解决了现有技术中存在的问题
。
[0006]本专利技术为解决上述技术问题所采用的技术方案是：
[0007]人工智能多层级模型数据迭代系统，所述迭代系统包括：
[0008]设备组件，所述设备组件用于面向行业展开体系架构，包括存储模块
、
数据传输模块和训练资源模块；所述存储模块包括集团云存储模块和行业云存储模块，所述集团云存储模块用于存储各场景集合的组织主体，所述行业云存储模块用于存储各集团的加密数据；所述数据传输模块用于边侧场景的数据向集团云进行数据传输的网络连线和集团云向行业云进行数据传输的网络连线；所述训练资源模块包括集团云训练资源和行业云训练资源；
[0009]核心组件，所述核心组件用于为模型数据迭代系统框架，包括场景层模型数据迭代架构
、
集团层模型数据迭代架构和行业层模型数据迭代架构
。
[0010]所述场景层模型数据迭代架构部署至场景，在使用过程中收集难例，更新模型，进行和历史模型的比较，保存在本场景精度更优的模型，即可在场景内完成模型数据的迭代
。
[0011]所述场景层模型数据迭代架构的数据经过
A l
加密模块得到加密后的数据难例输送至行业云
。
[0012]所述集团层模型数据迭代架构收集各场景在使用过程中的难例，结合各场景历史积累数据，更新集团级模型，并进行和集团层的历史模型以及行业层下发的行业模型的比较，选择最优模型保留，进行模型下发，进而完成集团层到场景层完成模型数据的迭代
。
[0013]所述集团层模型数据迭代架构集团内各个场景数据经过
AI
加密模块得到加密后的数据难例输送至行业云
。
[0014]所述行业层模型数据迭代架构的行业云收集到各集团各伙伴的加密难例数据，并存储了历史收集的加密数据，更新行业模型，进行模型选型，即可在行业层内完成模型数据的迭代
。
[0015]所述核心组件基于标签映射来进行模型选型，其具体计算流程如下：
[0016]对每个候选模型
M
i
在当前业务数据集上进行推理得到每个目标
k
在
M
i
标签体系下的分数
[0017]计算业务数据集上
Q
个类别在
M
i
的标签体系上匹配分数，其中对于第
q
个类别的匹配分数为
[0018][0019]计算
M
i
在
D
d
上的匹配分数
[0020][0021]比较每个候选模型的匹配分数，挑选匹配分数最大的作为最优模型
M
best
。
[0022]所述核心组件经由数据加密处理训练，前3层参数固定，以作为特征编码器对数据的加密措施
。
[0023]本专利技术采用上述结构，通过设备组件面向行业展开体系架构，为数据难例的收集提供基础；通过存储模块为各场景集合的组织主体提供存储设备和加密数据；通过数据传输模块用于在边侧场景
、
集团云和行业云之间建立网络连线来进行数据传输；通过在训练资源模块内设置支持集团层级和场景层级的模型训练和迭代等步骤的算力服务器和支持企业层级的模型训练和迭代等步骤的算力服务器；通过基于标签映射的选型方式来选出最优模型，具有高效简便
、
安全实用的优点
。
附图说明
：
[0024]图1为本专利技术的结构示意图
。
[0025]图2为本专利技术的核心组件的结构示意图
。
[0026]图3为本专利技术的场景层模型数据迭代架构示意图
。
[0027]图4为本专利技术的集团层模型数据迭代架构示意图
[0028]图5为本专利技术的行业层模型数据迭代架构示意图
。
[0029]图6为本专利技术的加密数据流动示意图
。
具体实施方式
：
[0030]为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本专利技术进行详细阐述
。
[0031]如图1‑6中所示，人工智能多层级模型数据迭代系统，所述迭代系统包括：
[0032]设备组件，所述设备组件用于面向行业展开体系架构，包括存储模块
、
数据传输模块和训练资源模块；所述存储模块包括集团云存储模块和行业云存储模块，所述集团云存储模块用于存储各场景集合的组织主体，所述行业云存储模块用于存储各集团的加密数据；所述数据传输模块用于边侧场景的数据向集团云进行数据传输的网络连线和集团云向行业云进行数据传输的网络连线；所述训练资源模块包括集团云训练资源和行业云训练资源；
[0033]核心组件，所述核心组件用于为模型数据迭代系统框架，包括场景层模型数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
人工智能多层级模型数据迭代系统，其特征在于，所述迭代系统包括：设备组件，所述设备组件用于面向行业展开体系架构，包括存储模块
、
数据传输模块和训练资源模块；所述存储模块包括集团云存储模块和行业云存储模块，所述集团云存储模块用于存储各场景集合的组织主体，所述行业云存储模块用于存储各集团的加密数据；所述数据传输模块用于边侧场景的数据向集团云进行数据传输的网络连线和集团云向行业云进行数据传输的网络连线；所述训练资源模块包括集团云训练资源和行业云训练资源；核心组件，所述核心组件用于为模型数据迭代系统框架，包括场景层模型数据迭代架构
、
集团层模型数据迭代架构和行业层模型数据迭代架构
。2.
根据权利要求1所述的人工智能多层级模型数据迭代系统，其特征在于：所述场景层模型数据迭代架构部署至场景，在使用过程中收集难例，更新模型，进行和历史模型的比较，保存在本场景精度更优的模型，即可在场景内完成模型数据的迭代
。3.
根据权利要求2所述的人工智能多层级模型数据迭代系统，其特征在于：所述场景层模型数据迭代架构的数据经过
AI
加密模块得到加密后的数据难例输送至行业云
。4.
根据权利要求1所述的人工智能多层级模型数据迭代系统，其特征在于：所述集团层模型数据迭代架构收集各场景在使用过程中的难例，结合各场景历史积累数据，更新集团级模型，并进行和集团层的历史模型以及行业层下发的行业模型的比较，选择最优模型保留，进行模型下发，进而完成集团层到场景层完成模型数据的迭代

【专利技术属性】
技术研发人员：刘健，徐加利，王野，侯双双，徐庆富，陈祥，刘波，曹怀轩，张浩，卢娟，吕岩，
申请(专利权)人：云鼎科技股份有限公司，
类型：发明
国别省市：