CN102073909A - 一种高效半自动人工智能软件的实现方法 - Google Patents
一种高效半自动人工智能软件的实现方法 Download PDFInfo
- Publication number
- CN102073909A CN102073909A CN201010611608XA CN201010611608A CN102073909A CN 102073909 A CN102073909 A CN 102073909A CN 201010611608X A CN201010611608X A CN 201010611608XA CN 201010611608 A CN201010611608 A CN 201010611608A CN 102073909 A CN102073909 A CN 102073909A
- Authority
- CN
- China
- Prior art keywords
- subalgorithm
- artificial intelligence
- result
- implementation method
- current operation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种高效半自动人工智能软件的实现方法,预先将待处理事务划分为若干独立工序,并针对每个工序执行下述步骤:调用当前工序对应的预设AI算法,并分析该预设AI算法适用当前工序条件是否达标,若是,按照该预设AI算法处理当前工序,并获得当前工序的最终处理结果;若否,转入人工处理当前工序,并获得当前工序的最终处理结果。本发明将一完整的待处理事务划分为若干独立工序,针对每一工序适用AI算法;在其中的某些工序无法应用AI算法时,可以及时转入人工处理,可避免因某个环节出现问题而导致整个待处理事务无法使用AI算法的情况发生。
Description
技术领域
本发明涉及人工智能技术领域,具体来说是一种全新的高效半自动人工智能软件的实现方法,它应用于一些通常情况下不能被AI算法恰当处理的问题之中,可效地提高事务处理效率。
背景技术
人工智能(Artificial Intelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学,属于计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
现有信息软件的自动化程度比较低。究其原因,一方面是AI理论的发展遇到瓶颈,无法处理高复杂度的智能应用,例如自动翻译、人的情感模拟等等;另一方面成熟的AI方法(例如统计推断)应对现实问题的准确率也比较低。正因为这样,应用软件的智能化还未被普遍重视,仅限于少数专业领域如专家系统、模式识别等等。
参见图1,表示现有人工智能软件AI处理的实现框架,它是将待处理事务作为整体问题来考虑。在能适用AI算法时进行人工智能处理,否则转入人工处理。然而,当输入问题的处理流程较为复杂的时候,其很容易退化到最坏情形,最终无法进行AI处理,因而在大多数输入都将转入人工处理。考虑到现实中的问题大部分都属于非常复杂的类型,这种处理方法面临极大的挑战,结果是往往无法成功实现人工智能。
发明内容
有鉴于此,本发明的目的是提供一种高效半自动人工智能软件的实现方法,它可以被应用到一些在此之前不能被AI算法恰当处理的问题中,从而可以有效地提高事务处理效率。
为解决以上技术问题,本发明所提供的技术方案是,一种高效半自动人工智能软件的实现方法,预先将待处理事务划分为若干独立工序,并针对每个工序执行下述步骤:
调用当前工序对应的预设AI算法,并分析该预设AI算法适用当前工序条件是否达标,
若是,按照该预设AI算法处理当前工序,并获得当前工序的最终处理结果;
若否,转入人工处理当前工序,并获得当前工序的最终处理结果。
较优地,该预设AI算法包括若干AI子算法。
较优地,包括:
针对每一AI子算法,分析该AI子算法适用当前工序条件是否达标,若是,按该AI子算法处理当前工序,并获得与该AI子算法对应的处理结果;
验证每一AI子算法对应的处理结果是否符合要求,若全部或部分子算法对应的处理结果符合要求,从中选择最优处理结果作为当前工序的最终处理结果。
较优地,包括:
选择一AI子算法,并分析该AI子算法适用当前工序条件是否达标,
若是,按该AI子算法处理当前工序,将该AI子算法对应的处理结果作为当前工序的最终处理结果;
若否,针对下一AI子算法执行上述步骤。
较优地,包括:
预先根据当前工序条件选择一最合适AI子算法;
分析该最合适AI子算法适用当前工序条件是否达标,若是,按该最合适AI子算法处理当前工序,并将该最合适AI子算法对应的处理结果作为当前工序的最终处理结果。
较优地,预先将待处理事务分拆为若干前后相继的独立工序。
较优地,用于CAD电子图纸自动识别,预先将CAD电子图纸自动识别的待处理事务划分为以下独立工序:
对图纸按照语义分块,并识别每个图块的具体意义;
识别全局意义的图块;
识别其它图块中的构件几何信息。
可选地,选用确定性规则分析法、正则匹配、统计推断和人工处理方法识别每个图块的具体意义。
可选地,选用自动表格识别、统计推断和人工处理方法识别全局意义的图块。
可选地,选用图形匹配、统计推断和人工处理方法识别其它图块中的构件几何信息。
与现有技术相比,本发明高效半自动人工智能软件的实现方法的特点是:将一完整的待处理事务划分为若干独立工序,针对每一工序适用AI算法;在其中的某些工序无法应用AI算法时,可以及时转入人工处理;因而不会因某个环节出现问题而导致整个待处理事务无法使用AI算法的情况。这就较好地实现了人工智能的目的,有效地提高了事务处理效率。
附图说明
图1为现有AI处理策略的框架;
图2为本发明AI处理策略的框架;
图3为本发明针对图2所示框架的高效半自动人工智能软件的实现方法的流程图;
图4为图3中某工序采用多AI子算法时的第一种框架;
图5为图3中某工序采用多AI子算法时的第二种框架;
图6为图3中某工序采用多AI子算法时的第三种框架。
具体实施方式
与现有技术追求全人工智能的要求不同,本发明以一种新的思路来解决这个问题。关键在于,意识到一个完整的问题或者工作流程完全依赖AI来完成并不可行,但可以在擅长的领域内应用AI,从而最大化地提高工作效率。
因此,本发明高效半自动人工智能软件的实现方法的基本构思是以AI自动化处理为主,在其失效的时候引入人工操作辅助修正。简而言之,即“AI为主,人工为辅”。
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步的详细说明。
参见图2,表示本发明人工智能软件AI处理的实现框架,它的特点是:仔细分析输入,把复杂的处理流程拆分为前后相继的工序,针对每一个工序选择性适用AI算法进处理。
以下对本发明高效半自动人工智能软件的实现方法具体进行描述。
参见图3,为本发明高效半自动人工智能软件的实现方法的流程图,包括:
S101、预先将待处理事务划分为若干独立工序
较优地,将待处理事务划分为若干前后相继的独立工序,其中的一个工序能否进行人工智能处理,不影响其它工序的人工智能处理,因而可以避免某一环节出现问题而导致全局失败的问题。
S102、选择工序,并调用当前工序对应的预设AI算法
AI算法可实现设定好,并存入系统之中。根据工序的不同,其对应的AI算法也可能有所区别,使用时一一对应调用。
S103、分析该预设AI算法适用当前工序条件是否达标
若是,进入步骤S104;
若否,进行步骤S105。
根据该预设AI算法能否成功适用于当前工序条件,选择人工智能处理或人工处理,其中达标的条件可根据需要设定。通常,达标条件为满意即可,无需追求最优。
S104、按照该预设AI算法处理当前工序,并获得当前工序的最终处理结果。
实际上,针对一般事务而言,总有其中的某些工序能够适应人工智能处理。因而,这种处理方法最少能实现半人工智能,保证有助于提高处理效率。
S105、人工处理当前工序,并获得当前工序的最终处理结果。
由于每个工序均设置了人工处理策略,因而不会因出现某个工序不能人工智能处理而导致全局停滞的问题,避免了现有技术片面追求全人工智能而不能或难以实现的困境。
S106、全部工序是否处理完毕,
若是,结束事务处理,
若否,返回步骤S102。
上述实施例为单一算法,其处理流程非常简单,但却存在着显著的缺点。在实际运用中,问题的输入千差万别,单一的算法不能保证适用于所有情况。有鉴于此,可以引入多种AI子算法综合地处理问题,兹举例说明。
参见图4,为某工序处理方法采用多AI子算法时的一种框架,具体为:
针对每一AI子算法,分析该AI子算法适用当前工序条件是否达标,若是,按该AI子算法处理当前工序,并获得与该AI子算法对应的处理结果;
验证每一AI子算法对应的处理结果是否符合要求,若全部或部分子算法对应的处理结果符合要求,从中选择最优处理结果作为当前工序的最终处理结果。
本实施例中,增加了一个后期确认过程,以便验证AI子算法的处理效果,从中选择最优结果。如果最优结果仍不能达标,则进一步转到人工处理。
该实施例还有优化的余地,因为在有些场合下并不要求追求以最优为达标,而只需要满意达标即可。
参见图5,为某工序处理方法采用多AI子算法时的另一种框架,具体为:
选择一AI子算法,并分析该AI子算法适用当前工序条件是否达标,
若是,按该AI子算法处理当前工序,将该AI子算法对应的处理结果作为当前工序的最终处理结果;
若否,针对下一AI子算法执行上述步骤。
本实施例中,可预先对AI子算法按照一定的标准(例如处理效率、对输入类型问题的适用度)排序,以便提高效率。还可将人工处理过程可看成另一种形式的AI子算法,它准确度最高,但效率通常最低。对每一工序输入的问题,依次调用AI子算法处理,一旦结果达标即输出之,否则转到下一个AI子算法。
此外,很多时候还可以预先用一个程序快速判断各个AI子算法(包括人工处理)对当前输入的计算准确性和执行效率,自动选择最优的执行。
参见图6,为某工序处理方法采用多AI子算法时的又一种框架,具体为:
预先根据当前工序条件选择一最合适AI子算法;
分析该最合适AI子算法适用当前工序条件是否达标,若是,按该最合适AI子算法处理当前工序,并将该最合适AI子算法对应的处理结果作为当前工序的最终处理结果。
需说明的是:
其一,图5和图6所示多AI子算法框架中,均把人工处理看成另一种形式的AI子算法,从而保证了在最坏情况下也能输出正确的结果;
其二,没有一种处理框架恒定最优,必须根据工序的输入特征来选择。而各个框架之间并非完全独立,可以相互借鉴,综合运用,在此不多赘述。
本发明针对现有技术追求全人工智能解决问题的缺陷,提出的应对策略是:仔细分析输入,把复杂的处理流程拆分为前后相继的工序,针对每一个工序选择性适用AI算法。相对于整体,因每道子工序功能单一,处理方法也较为简单,若对它们分别应用上述实施例中最适合的框架,则AI算法的成功率有望大幅度提高。
由此可见,本发明的一个显著特色是“AI为主,人工为辅”,虽然不能做到全自动化,但可以极大地提高AI算法对这些问题的处理正确率。相比这些问题之前由全人工处理而言,应用本发明新方法后的工作效率会显著提高。
以下为本发明的一具体应用实例——建筑领域自动CAD电子图纸识别
首先,是将自动CAD电子图纸识别划分为下述独立的工序:
(1)对图纸按照语义分块,识别每个图块的具体意义,可选用的识别方法包括确定性规则分析法(这里可利用的信息包括图层信息、颜色信息、标题等等),正则匹配,统计推断,人工处理。
(2)识别全局意义的图块,例如楼层表,门窗表,可选用的方法包括自动表格识别,统计推断和人工处理;
(3)识别其它图块中的构件几何信息,可选用的方法包括图形匹配,统计推断和人工处理。
其次,对每一步工序而言,选用上述图4~6中框架进行具体识别工作,可选的方法如上文所述。
本发明虽然不能做到全自动识别(因为每一步都有人工处理这个选项)CAD电子图纸,但是可以极大地提高电子图纸的识别准确率和效率,这也是本发明最主要应用所在。
以上对本发明进行了详细介绍,其中的实施例只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种高效半自动人工智能软件的实现方法,其特征在于,预先将待处理事务划分为若干独立工序,并针对每个工序执行下述步骤:
调用当前工序对应的预设AI算法,并分析该预设AI算法适用当前工序条件是否达标,
若是,按照该预设AI算法处理当前工序,并获得当前工序的最终处理结果;
若否,转入人工处理当前工序,并获得当前工序的最终处理结果。
2.如权利要求1所述的高效半自动人工智能软件的实现方法,其特征在于,该预设AI算法包括若干AI子算法。
3.如权利要求2所述的高效半自动人工智能软件的实现方法,其特征在于,包括:
针对每一AI子算法,分析该AI子算法适用当前工序条件是否达标,若是,按该AI子算法处理当前工序,并获得与该AI子算法对应的处理结果;
验证每一AI子算法对应的处理结果是否符合要求,若全部或部分子算法对应的处理结果符合要求,从中选择最优处理结果作为当前工序的最终处理结果。
4.如权利要求2所述的高效半自动人工智能软件的实现方法,其特征在于,包括:
选择一AI子算法,并分析该AI子算法适用当前工序条件是否达标,
若是,按该AI子算法处理当前工序,将该AI子算法对应的处理结果作为当前工序的最终处理结果;
若否,针对下一AI子算法执行上述步骤。
5.如权利要求2所述的高效半自动人工智能软件的实现方法,其特征在于,包括:
预先根据当前工序条件选择一最合适AI子算法;
分析该最合适AI子算法适用当前工序条件是否达标,若是,按该最合适AI子算法处理当前工序,并将该最合适AI子算法对应的处理结果作为当前工序的最终处理结果。
6.如权利要求1所述的高效半自动人工智能软件的实现方法,其特征在于,预先将待处理事务分拆为若干前后相继的独立工序。
7.如权利要求1~6任一项所述的高效半自动人工智能软件的实现方法,其特征在于,用于CAD电子图纸自动识别,预先将CAD电子图纸自动识别的待处理事务划分为以下独立工序:
对图纸按照语义分块,并识别每个图块的具体意义;
识别全局意义的图块;
识别其它图块中的构件几何信息。
8.如权利要求7所述的高效半自动人工智能软件的实现方法,其特征在于,选用确定性规则分析法、正则匹配、统计推断和人工处理方法识别每个图块的具体意义。
9.如权利要求7所述的高效半自动人工智能软件的实现方法,其特征在于,选用自动表格识别、统计推断和人工处理方法识别全局意义的图块。
10.如权利要求7所述的高效半自动人工智能软件的实现方法,其特征在于,选用图形匹配、统计推断和人工处理方法识别其它图块中的构件几何信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010611608 CN102073909B (zh) | 2010-12-28 | 2010-12-28 | 一种高效半自动人工智能软件的实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201010611608 CN102073909B (zh) | 2010-12-28 | 2010-12-28 | 一种高效半自动人工智能软件的实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102073909A true CN102073909A (zh) | 2011-05-25 |
CN102073909B CN102073909B (zh) | 2013-07-17 |
Family
ID=44032441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201010611608 Active CN102073909B (zh) | 2010-12-28 | 2010-12-28 | 一种高效半自动人工智能软件的实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102073909B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488757A (zh) * | 2019-08-13 | 2019-11-22 | 成都飞机工业(集团)有限责任公司 | 一种金属零件加工工序编制方法 |
CN110785776A (zh) * | 2017-06-22 | 2020-02-11 | 卡西欧计算机株式会社 | 信息处理装置、人工智能识别方法和程序 |
CN111913743A (zh) * | 2019-05-09 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 数据处理方法及装置 |
CN112434778A (zh) * | 2020-11-24 | 2021-03-02 | 贵州民族大学 | 一种基于蚂蚁算法的人工智能优化方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040223633A1 (en) * | 2003-03-11 | 2004-11-11 | Arun Krishnan | Computer-aided detection systems and methods for ensuring manual review of computer marks in medical images |
CN101246602A (zh) * | 2008-02-04 | 2008-08-20 | 东华大学 | 基于几何骨架的人体姿态重建方法 |
CN101571923A (zh) * | 2009-04-30 | 2009-11-04 | 上海大学 | 基于智能蚁群算法的遥感图像水系网半自动的提取方法 |
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
-
2010
- 2010-12-28 CN CN 201010611608 patent/CN102073909B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040223633A1 (en) * | 2003-03-11 | 2004-11-11 | Arun Krishnan | Computer-aided detection systems and methods for ensuring manual review of computer marks in medical images |
CN101246602A (zh) * | 2008-02-04 | 2008-08-20 | 东华大学 | 基于几何骨架的人体姿态重建方法 |
CN101571923A (zh) * | 2009-04-30 | 2009-11-04 | 上海大学 | 基于智能蚁群算法的遥感图像水系网半自动的提取方法 |
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110785776A (zh) * | 2017-06-22 | 2020-02-11 | 卡西欧计算机株式会社 | 信息处理装置、人工智能识别方法和程序 |
CN110785776B (zh) * | 2017-06-22 | 2023-11-28 | 卡西欧计算机株式会社 | 信息处理装置、人工智能识别方法和程序 |
CN111913743A (zh) * | 2019-05-09 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 数据处理方法及装置 |
CN110488757A (zh) * | 2019-08-13 | 2019-11-22 | 成都飞机工业(集团)有限责任公司 | 一种金属零件加工工序编制方法 |
CN112434778A (zh) * | 2020-11-24 | 2021-03-02 | 贵州民族大学 | 一种基于蚂蚁算法的人工智能优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102073909B (zh) | 2013-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102073909B (zh) | 一种高效半自动人工智能软件的实现方法 | |
CN107563512A (zh) | 一种数据处理方法、装置以及存储介质 | |
CN107203473A (zh) | 自动扩展接口测试用例的自动化测试系统与方法 | |
CN105094717A (zh) | 基于语音输入的打印方法、打印装置和打印机 | |
CN107291867A (zh) | 基于人工智能的对话处理方法、装置、设备及计算机可读存储介质 | |
CN104881759A (zh) | 一种基于工作流的业务回退集成系统及其实现方法 | |
CN107818082B (zh) | 结合短语结构树的语义角色识别方法 | |
CN110430444A (zh) | 一种视频流处理方法及系统 | |
JPWO2004025463A1 (ja) | 要件定義方法、ソフトウェアの開発方法、及び、要件単語の変更方法並びに新規規定方法 | |
CN106598615A (zh) | 一种食谱程序代码生成方法及食谱编译云平台系统 | |
CN107145532A (zh) | 一种流数据的实时分析处理方法及系统 | |
CN110991188A (zh) | 应用于配网调度智能成票系统的成票方法 | |
CN110727969A (zh) | 工作流自动调整方法、装置、设备及存储介质 | |
CN110110114A (zh) | 多源对地观测图像处理的可视化方法、装置及存储介质 | |
CN109117475A (zh) | 一种文本改写的方法以及相关设备 | |
CN102135939B (zh) | 一种测试用例执行调度装置及方法 | |
CN106598843A (zh) | 一种基于程序分析的软件日志行为自动识别方法 | |
CN110908758A (zh) | 一种防误闭锁逻辑表达式图形化配置方法及系统 | |
CN109033720A (zh) | 一种基于统一建模环境的多学科联合仿真和优化方法 | |
CN104486117B (zh) | 一种多板卡核心交换机的配置命令交互方法和系统 | |
CN104424173B (zh) | 排版界面布局方法及装置 | |
US9021418B2 (en) | Systems and/or methods for creation of metamodels | |
CN107919128A (zh) | 一种多用户协作的语音辅助方法 | |
Antonelli et al. | A modelling approach to generating user acceptance tests | |
CN109360561A (zh) | 语音控制方法及系统、存储介质、语音模块、主控系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |