CN110308910A - 算法模型部署以及风险监控的方法、装置和计算机设备 - Google Patents
算法模型部署以及风险监控的方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN110308910A CN110308910A CN201910462100.9A CN201910462100A CN110308910A CN 110308910 A CN110308910 A CN 110308910A CN 201910462100 A CN201910462100 A CN 201910462100A CN 110308910 A CN110308910 A CN 110308910A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- model
- algorithm model
- current
- target
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 638
- 238000000034 method Methods 0.000 title claims abstract description 111
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 238000012502 risk assessment Methods 0.000 claims abstract description 27
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims description 55
- 238000004590 computer program Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000012805 post-processing Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000013459 approach Methods 0.000 claims description 9
- 238000012856 packing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/70—Software maintenance or management
- G06F8/71—Version control; Configuration management
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Stored Programmes (AREA)
Abstract
本发明涉及一种算法模型部署以及风险监控的方法、装置和计算机设备。所述算法模型部署方法包括:接收终端上传的当前算法模型的算法模型文件;根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件;根据算法模型文件和相关组件,生成当前算法模型的算法包。所述风险监控的方法包括:向对象管理系统发送算法下载请求,算法下载请求包括目标风险分析算法模型的标识信息,对象管理系统中存储的风险分析算法模型采用本发明的算法模型部署方法进行部署;接收对象管理系统返回的目标风险分析算法模型的算法包;通过加载并执行该算法包的方式进行风险监控。采用本方法能够提高服务的可用性以及系统的鲁棒性。
Description
技术领域
本发明涉及互联网技术领域,特别是涉及一种算法模型部署以及风险监控的方法、装置、计算机设备和存储介质。
背景技术
随着人工智能在互联网领域的应用和发展,大量的针对不同场景的算法模型被建立起来,而如何灵活地部署算法模型,成为急需研究的问题。
目前采用的方案中,用于部署的算法模型文件与各种执行组件耦合在一起,这种方式,导致每个小组件的更新都会引发整个算法系统的更新,增加了系统的版本迭代频率,每次系统更新都会引起算法服务的停止和重启,这段时间里服务器的负载能力急剧下滑,影响到具体的业务。同时,由于组件的耦合,局部代码的修改必须通过对整个系统代码的修改来完成,可能会因为修改失误导致系统崩溃,提高了系统维护的风险,降低了系统的可维护性和鲁棒性。
发明内容
基于此,有必要针对上述技术问题,提供一种快速且安全的算法模型部署以及风险监控的方法、装置、计算机设备和存储介质。
一种算法模型部署方法,该方法包括:
接收终端上传的当前算法模型的算法模型文件;
根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件;
根据算法模型文件和相关组件,生成当前算法模型的算法包。
在其中一个实施例中,上述的算法模型文件为指定算法模型的输出标准文本,指定算法模型的输出标准文本为采用任意编程语言训练当前算法模型得到的输出结果。
在其中一个实施例中,上述的各算法执行相关组件库包括算法执行库组件、算法特征预处理组件和算法计算结果处理组件;
算法执行库组件包括各类型算法的解析方法和执行方法,算法特征预处理组件包括各类型算法特征的预处理方法库,算法计算结果处理组件包括各类型输出结果的后处理方法库。
在其中一个实施例中,上述的根据预设的各算法执行相关组件库以及算法模型文件,确定当前算法模型的相关组件,包括:
通过算法执行库组件对指定算法模型的输出标准文本进行解析,获得解析结果;
根据解析结果以及各算法执行相关组件库,确定当前算法模型的相关组件和当前算法模型的相关配置文件;
根据算法模型文件和相关组件,生成当前算法模型的算法包,包括:将相关组件、相关配置文件和指定算法模型的输出标准文本进行打包处理,得到当前算法模型的算法包。
在其中一个实施例中,上述的根据解析结果以及各算法执行相关组件库,确定当前算法模型的相关组件和当前算法模型的相关配置文件,包括:
确定目标算法模型执行组件,目标算法模型执行组件为能够解析指定算法模型的输出标准文本的解析方法和执行方法;
从解析结果中抽取当前算法模型的当前算法模型特征;
根据当前算法模型特征确定目标特征预处理组件,生成目标特征预处理组件的配置文件,目标特征预处理组件为特征预处理组件中与当前算法模型特征匹配的特征预处理方法;
根据当前算法模型特征确定目标后处理组件,生成目标后处理组件的配置文件,目标后处理组件为算法计算结果处理组件中与当前算法模型特征匹配的后处理方法;
将目标特征预处理组件、目标特征预处理组件和目标后处理组件,确定为相关组件;
将目标特征预处理组件的配置文件和目标后处理组件的配置文件,确定为相关配置文件。
在其中一个实施例中,上述的算法模型部署方法,还包括:
将当前算法模型的算法包上传至对象管理系统,对象管理系统用于存储各算法模型的算法包。
在其中一个实施例中,上述的指定算法模型为人工智能算法模型。
一种算法模型部署装置,该装置包括:
第一接收模块,用于接收终端上传的当前算法模型的算法模型文件;
查询模块,用于根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件;
生成模块,根据算法模型文件和相关组件,生成当前算法模型的算法包。
一种算法模型部署系统,该系统包括上述的算法模型部署装置,还包括对象管理系统和算法计算集群;
对象管理系统用于存储各算法模型的算法包;
算法计算集群用于从对象管理系统下载所需的算法包,对下载的算法包加载并执行。
一种风险监控方法,该方法包括:
向对象管理系统发送算法下载请求,算法下载请求包括目标风险分析算法模型的标识信息,对象管理系统中存储的风险分析算法模型采用如上任意一个实施例中的算法模型部署方法进行部署;
接收对象管理系统根据目标风险分析算法模型的标识信息返回的目标风险分析算法模型的算法包;
通过加载并执行目标风险分析算法模型的算法包的方式进行风险监控。
一种风险监控装置,该装置包括:
发送模块,用于向对象管理系统发送算法下载请求,算法下载请求包括目标风险分析算法模型的标识信息,对象管理系统中存储的风险分析算法模型采用如上任意一个实施例中的算法模型部署方法进行部署;
第二接收模块,用于接收对象管理系统根据目标风险分析算法模型的标识信息返回的目标风险分析算法模型的算法包;
监控模块,用于通过加载并执行目标风险分析算法模型的算法包的方式进行风险监控。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
接收终端上传的当前算法模型的算法模型文件;
根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件;
根据算法模型文件和相关组件,生成当前算法模型的算法包。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
向对象管理系统发送算法下载请求,算法下载请求包括目标风险分析算法模型的标识信息,对象管理系统中存储的风险分析算法模型采用如上任意一个实施例中的算法模型部署方法进行部署;
接收对象管理系统根据目标风险分析算法模型的标识信息返回的目标风险分析算法模型的算法包;
通过加载并执行目标风险分析算法模型的算法包的方式进行风险监控。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收终端上传的当前算法模型的算法模型文件;
根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件;
根据算法模型文件和相关组件,生成当前算法模型的算法包。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
向对象管理系统发送算法下载请求,算法下载请求包括目标风险分析算法模型的标识信息,对象管理系统中存储的风险分析算法模型采用如上任意一个实施例中的算法模型部署方法进行部署;
接收对象管理系统根据目标风险分析算法模型的标识信息返回的目标风险分析算法模型的算法包;
通过加载并执行目标风险分析算法模型的算法包的方式进行风险监控。
上述算法模型部署方法、装置、计算机设备和存储介质,是接收终端上传的当前算法模型的算法模型文件,根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件,根据算法模型文件和相关组件,生成当前算法模型的算法包。如此,在算法模型部署时,不需要改动代码,可以快速高效地部署算法模型及更新算法执行相关组件,降低了算法系统版本的迭代频率,从而降低了算法服务停止、重启的频率,提高了服务的可用性。同时,由于采用组件化方式,在程序更新时不需要改动整个系统的代码,提高了系统的鲁棒性,降低了编码失误导致的系统崩溃的概率。上述风险监控方法、装置、计算机设备和存储介质,采用如上任意一个实施例中的算法模型部署方法进行部署,可以减小因算法服务不可以导致的风险监控问题,例如监控失败问题。
附图说明
图1为一个实施例中算法模型部署方法的应用环境图;
图2为一个实施例中算法模型部署方法的流程示意图;
图3为一个实施例中算法模型部署方法的系统架构示意图;
图4为另一个实施例中算法模型部署方法的流程示意图;
图5为一个实施例中相关组件确定步骤的流程示意图;
图6为一个实施例中相关组件和相关配置文件确定步骤的流程示意图;
图7为一个实施例中风险监控方法的流程示意图;
图8为一个实施例中算法模型部署装置的结构框图;
图9为一个实施例中算法模型部署系统的结构框图;
图10为一个实施例中风险监控装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供的算法模型部署方法,可以应用于如图1所示的应用环境中。其中,服务器104通过网络与终端102和对象管理系统106进行通信。对象管理系统106通过网络与算法计算集群108进行通信。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现,对象管理系统106和算法计算集群108也可以分别用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种算法模型部署方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,接收终端上传的当前算法模型的算法模型文件;
这里,当前算法模型的种类可以不受限制,例如,可以是网络风险分析算法模型或者交易风险分析算法模型,也可以是图像分析算法模型(例如,图像分类模型)或者语音分析算法模型(例如,语音分类模型)。
具体地,服务器接收终端上传的当前算法模型的算法模型文件。
步骤204,根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件;
这里,相关组件为各算法执行相关组件库中的分别与算法模型文件匹配的各执行组件,且该相关组件为当前算法模型在加载执行过程中所用到的各种处理算法。各算法执行相关组件库可以包括各种类型的算法模型在加载执行过程中所用到的各种处理组件。该处理组件可以包括解析组件、执行组件、算法特征预处理组件和计算结果处理组件。
这里,各算法执行相关组件库中的各种处理算法可以是系统管理员通过其终端预先上传的。
具体地,服务器可以根据预设的各算法执行相关组件库中的一种或者多种解析组件对算法模型文件进行解析,根据解析结果以及各算法执行相关组件库,确定与当前算法模型匹配的相关组件;
步骤206,根据算法模型文件和相关组件,生成当前算法模型的算法包;
具体地,服务器可以根据算法模型文件和相关组件,生成当前算法模型的算法包。
上述算法模型部署方法中,是接收终端上传的当前算法模型的算法模型文件,根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件,根据算法模型文件和相关组件,生成当前算法模型的算法包。采用本实施例的方案,可以快速高效地部署算法模型及更新算法执行相关组件,降低了算法系统版本的迭代频率,从而降低了算法服务停止、重启的频率,提高了服务的可用性。同时,本实施例方案采用组件化方式,在程序更新时不需要改动整个系统的代码,提高了系统的鲁棒性,降低了编码失误导致的系统崩溃的概率。
在其中一个实施例中,各算法执行相关组件库可以包括算法执行库组件、算法特征预处理组件和算法计算结果处理组件;该算法执行库组件可以包括各类型算法的解析方法和执行方法,该算法特征预处理组件可以包括各类型算法特征的预处理方法库,算法计算结果处理组件包括各类型输出结果的后处理方法库。
这里,各类型算法可以包括但不限于包括随机森林、XGBOOST(eXtreme GradientBoosting,极端梯度提升)、GBDT(梯度提升树)、逻辑回归、神经网络、SVM(支持向量机)等常见类型算法。
其中,算法执行库组件能够解析当前算法模型的算法模型文件,算法特征预处理组件由历史特征数据分析得到,用于对算法特征进行预处理,算法计算结果处理组件用于对算法模型的输出结果进行后处理。
本实施例中,算法执行相关组件库包括各类型算法的解析方法和执行方法,各类型算法特征的预处理方法库和各类型输出结果的后处理方法库,如此,可以通过查表的方式确定相关组件,可以提升算法包的生成效率。
在其中一个实施例中,上述的算法模型文件为指定算法模型的输出标准文本,该指定算法模型的输出标准文本为采用任意编程语言训练当前算法模型得到的输出结果,以下以此为例进行说明。
如图3所示,为本实施例的算法模型部署方法的系统架构示意图。其中,各种语言算法工程师可以训练算法模型,输出一种指定算法模型(图3中为AI算法模型)的输出标准文本,同时,算法系统管理员可以通过终端上传算法执行库组件(或者称为算法模型执行组件)、算法特征预处理组件和算法计算结果处理组件到服务器,该服务器完成算法模型部署后,将生成的算法包上传至对象管理系统,算法计算集群从对象管理系统下载算法计算所需的算法包,加载并执行。
如图4所示,本实施例提供的算法模型部署方法,以该方法应用于图3中的服务器为例进行说明,包括以下步骤:
步骤402,接收终端上传的指定算法模型的输出标准文本,指定算法模型的输出标准文本为采用任意编程语言训练当前算法模型得到的输出结果;
这里,指定算法模型可以根据实际需要选定,可以是AI(ArtificialIntelligence,人工智能)算法模型,该AI算法模型可以但不限于是线性回归(LinearRegression)模型、逻辑回归(Logistic Regression)模型、决策树(Decision Trees)模型、贝叶斯(Naive Bayes)模型、K-Nearest Neighbors模型、学习矢量量化(Learning VectorQuantization)模型、支持向量机(Support Vector Machines)模型、随机决策森林(RandomDecision Forests or Bagging)模型和深度神经网络(Deep Neural Networks)模型。指定算法模型的输出标准文本,可以根据实际需要选定,例如,对于AI算法模型,该输出标准文本可以是PMML(预测模型标记语言,Predictive Model Markup Language)文本,但也可以是其他可以作为算法模型的输出标准的文本。
这里,训练当前算法模型采用的编程语言不受限制,只要训练当前算法模型得到的输出结果为指定算法模型的输出标准文本即可,例如,不同的算法工程师可以根据实际的训练习惯采用不同的编程语言训练算法模型。同时,如上所述当前算法模型的种类可以不受限制。
具体地,用户(例如,算法工程师)在终端上可以使用任意的编程语言训练当前算法模型,训练训练当前算法模型得到的输出结果是一种指定算法模型的输出标准文本,终端将该指定算法模型的输出标准文本上传给服务器。
步骤404,根据指定算法模型的输出标准文本以及预设的各算法执行相关组件库,确定当前算法模型的相关组件;
具体地,服务器可以根据预设的各算法执行相关组件库中的一种或者多种解析组件对指定算法模型的输出标准文本进行解析,根据解析结果以及各算法执行相关组件库,确定与当前算法模型匹配的相关组件。
步骤406,根据相关组件和指定算法模型的输出标准文本,生成当前算法模型的算法包。
具体地,服务器可以根据相关组件和指定算法模型的输出标准文本,生成当前算法模型的算法包。
本实施例方案中,将系统可部署的算法模型文件规范为一种指定算法模型的输出标准文本,该指定算法模型的输出标准文本可由多种编程语言训练得到,提高了对模型训练语言的兼容性。
在其中一个实施例中,如图5所示,上述的根据指定算法模型的输出标准文本以及预设的各算法执行相关组件库,确定当前算法模型的相关组件,可以包括如下步骤:
步骤502,通过算法执行库组件对指定算法模型的输出标准文本进行解析,获得解析结果;
具体地,可以通过算法执行库组件中的一个或者多个解析组件对指定算法模型的输出标准文本进行解析,获得解析结果。
步骤504,根据解析结果以及各算法执行相关组件库,确定当前算法模型的相关组件和当前算法模型的相关配置文件;
具体地,服务器可以根据解析结果确定各算法执行相关组件库中与当前算法模型匹配的相关组件,并根据相关组件生成当前算法模型的相关配置文件。
上述的根据相关组件和指定算法模型的输出标准文本,生成当前算法模型的算法包,可以包括:将相关组件、相关配置文件和指定算法模型的输出标准文本进行打包处理,得到当前算法模型的算法包。
在其中一个实施例中,如图6所示,上述的据解析结果以及各算法执行相关组件库,确定当前算法模型的相关组件和当前算法模型的相关配置文件,可以包括如下步骤:
步骤602,确定目标算法模型执行组件,目标算法模型执行组件为算法执行库组件中的能够解析指定算法模型的输出标准文本的解析方法和执行方法;
具体地,可以用算法执行库组件中的解析方法尝试解析指定算法模型的输出标准文本,确定能够解析指定算法模型的输出标准文本的解析方法和执行方法,即目标算法模型执行组件。
步骤604,从解析结果中抽取当前算法模型的当前算法模型特征;
这里,当前算法模型特征可以包括指标信息、算法信息和参数信息等。
步骤606,根据当前算法模型特征确定目标特征预处理组件,生成目标特征预处理组件的配置文件,目标特征预处理组件为特征预处理组件中与当前算法模型特征匹配的特征预处理方法;
具体地,可以根据预先设置的算法模型特征(例如入参名称和出参名称)与特征预处理方法的映射关系,查询特征预处理组件中与当前算法模型特征匹配的特征预处理方法,即目标特征预处理组件,根据目标特征预处理组件生成该目标特征预处理组件的配置文件。
步骤608,根据当前算法模型特征确定目标后处理组件,生成目标后处理组件的配置文件,目标后处理组件为算法计算结果处理组件中与当前算法模型特征匹配的后处理方法;
具体地,可以根据预先设置的算法模型特征(例如入参名称和出参名称)与后处理方法的映射关系,查询算法计算结果处理组件中与当前算法模型特征匹配的后处理方法,即目标后处理组件,根据该目标后处理组件生成该目标后处理组件的配置文件。
步骤610,将目标特征预处理组件、目标特征预处理组件和目标后处理组件,确定为相关组件;
步骤612,将目标特征预处理组件的配置文件和目标后处理组件的配置文件,确定为相关配置文件。
本实施例中的相关组件和相关配置文件的确定方式,简单高效。
在其中一个实施例中的算法模型部署方法还包括步骤:将当前算法模型的算法包上传至对象管理系统,对象管理系统用于存储各算法模型的算法包。
对象管理系统还可以用于接收算法计算集群下载算法包的请求。该算法计算集群用于向对象管理系统请求下载对应的算法包,解析算法包中的算法内容并加载执行该算法内容。
本实施例中,使用对象管理系统存储各算法模型的算法包,将算法模型的部署和管理分开在不同的服务器上执行,不但实现了对于不同操作的解耦合,还可以提升执行效率。
根据上述实施例中的算法模型部署方法,如图7所示,在其中一个实施例中,还提供一种风险监控方法,以该方法应用于图1和图3中的算法计算集群为例进行说明,该风险监控方法包括如下步骤:
步骤702,向对象管理系统发送算法下载请求,算法下载请求包括目标风险分析算法模型的标识信息,对象管理系统中存储的风险分析算法模型采用如上任意一个实施例中的算法模型部署方法进行部署;
这里,风险分析算法模型是由算法模型部署装置(例如,采用如上任意一个实施例中的算法模型部署方法的服务器)上传到对象管理系统中。
这里,目标风险分析算法模型可以是网络风险分析算法模型,也可以是交易风险分析算法模型,例如,黄牛分析算法模型或者欺诈交易分析算法模型。
步骤704,接收对象管理系统根据目标风险分析算法模型的标识信息返回的目标风险分析算法模型的算法包;
步骤706,通过加载并执行目标风险分析算法模型的算法包的方式进行风险监控。
本实施例中的风险监控方法,采用如上任意一个实施例中的算法模型部署方法进行部署,可以减小因算法服务不可以导致的风险监控问题,例如监控失败(黄牛监控失败、欺诈交易监控失败)问题。
应该理解的是,虽然图2、4-7的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2、4-7中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图8所示,提供了一种算法模型部署装置,包括:第一接收模块802、查询模块804和生成模块806,其中:
第一接收模块802,用于接收终端上传的当前算法模型的算法模型文件;
查询模块804,用于根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件;
生成模块806,根据算法模型文件和相关组件,生成当前算法模型的算法包。
在其中一个实施例中,上述的算法模型文件可以为指定算法模型的输出标准文本,指定算法模型的输出标准文本为采用任意编程语言训练当前算法模型得到的输出结果。
在其中一个实施例中,上述的各算法执行相关组件库可以包括算法执行库组件、算法特征预处理组件和算法计算结果处理组件;
算法执行库组件包括各类型算法的解析方法和执行方法,算法特征预处理组件包括各类型算法特征的预处理方法库,算法计算结果处理组件包括各类型输出结果的后处理方法库。
在其中一个实施例中,查询模块804可以通过算法执行库组件对指定算法模型的输出标准文本进行解析,获得解析结果,根据解析结果以及各算法执行相关组件库,确定当前算法模型的相关组件和当前算法模型的相关配置文件;生成模块806可以将相关组件、相关配置文件和指定算法模型的输出标准文本进行打包处理,得到当前算法模型的算法包。
在其中一个实施例中,查询模块804可以确定目标算法模型执行组件,目标算法模型执行组件为能够解析指定算法模型的输出标准文本的解析方法和执行方法,从解析结果中抽取当前算法模型的当前算法模型特征,根据当前算法模型特征确定目标特征预处理组件,生成目标特征预处理组件的配置文件,目标特征预处理组件为特征预处理组件中与当前算法模型特征匹配的特征预处理方法,根据当前算法模型特征确定目标后处理组件,生成目标后处理组件的配置文件,目标后处理组件为算法计算结果处理组件中与当前算法模型特征匹配的后处理方法,将目标特征预处理组件、目标特征预处理组件和目标后处理组件,确定为相关组件,将目标特征预处理组件的配置文件和目标后处理组件的配置文件,确定为相关配置文件。
在其中一个实施例中,上述的算法模型部署装置,还可以包括上传模块,该上传模块用于将当前算法模型的算法包上传至对象管理系统,对象管理系统用于存储各算法模型的算法包。
在其中一个实施例中,上述的指定算法模型为人工智能算法模型。
关于算法模型部署装置的具体限定可以参见上文中对于算法模型部署方法的限定,在此不再赘述。上述算法模型部署装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,如图9所示,提供了一种算法模型部署系统,该系统包括上述任意一个实施例中的算法模型部署装置902,还包括对象管理系统904和算法计算集群906;
对象管理系统904用于存储各算法模型的算法包;
算法计算集群906用于从对象管理系统下载所需的算法包,对下载的算法包加载并执行。
在一个实施例中,如图10所示,提供了一种风险监控装置,该装置包括发送模块1002、第二接收模块1004和监控模块1006,其中:
发送模块1002,用于向对象管理系统发送算法下载请求,算法下载请求包括目标风险分析算法模型的标识信息,对象管理系统中存储的风险分析算法模型采用如上任意一个实施例中的算法模型部署方法进行部署;
第二接收模块1004,用于接收对象管理系统根据目标风险分析算法模型的标识信息返回的目标风险分析算法模型的算法包;
监控模块1006,用于通过加载并执行目标风险分析算法模型的算法包的方式进行风险监控。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各算法执行相关组件库。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种算法模型部署方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
接收终端上传的当前算法模型的算法模型文件;
根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件;
根据算法模型文件和相关组件,生成当前算法模型的算法包。
在其中一个实施例中,上述的算法模型文件为指定算法模型的输出标准文本,指定算法模型的输出标准文本为采用任意编程语言训练当前算法模型得到的输出结果。
在其中一个实施例中,上述的各算法执行相关组件库包括算法执行库组件、算法特征预处理组件和算法计算结果处理组件;算法执行库组件包括各类型算法的解析方法和执行方法,算法特征预处理组件包括各类型算法特征的预处理方法库,算法计算结果处理组件包括各类型输出结果的后处理方法库。
在其中一个实施例中,处理器执行计算机程序实现上述的根据预设的各算法执行相关组件库以及算法模型文件,确定当前算法模型的相关组件的步骤时,具体实现以下步骤:通过算法执行库组件对指定算法模型的输出标准文本进行解析,获得解析结果;根据解析结果以及各算法执行相关组件库,确定当前算法模型的相关组件和当前算法模型的相关配置文件;
处理器执行计算机程序实现上述的根据算法模型文件和相关组件,生成当前算法模型的算法包的步骤时,具体实现以下步骤:将相关组件、相关配置文件和指定算法模型的输出标准文本进行打包处理,得到当前算法模型的算法包。
在其中一个实施例中,处理器执行计算机程序实现上述的根据解析结果以及各算法执行相关组件库,确定当前算法模型的相关组件和当前算法模型的相关配置文件的步骤时,具体实现以下步骤:确定目标算法模型执行组件,目标算法模型执行组件为能够解析指定算法模型的输出标准文本的解析方法和执行方法;从解析结果中抽取当前算法模型的当前算法模型特征;根据当前算法模型特征确定目标特征预处理组件,生成目标特征预处理组件的配置文件,目标特征预处理组件为特征预处理组件中与当前算法模型特征匹配的特征预处理方法;根据当前算法模型特征确定目标后处理组件,生成目标后处理组件的配置文件,目标后处理组件为算法计算结果处理组件中与当前算法模型特征匹配的后处理方法;将目标特征预处理组件、目标特征预处理组件和目标后处理组件,确定为相关组件;将目标特征预处理组件的配置文件和目标后处理组件的配置文件,确定为相关配置文件。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:将当前算法模型的算法包上传至对象管理系统,对象管理系统用于存储各算法模型的算法包。
在其中一个实施例中,上述的指定算法模型为人工智能算法模型。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
向对象管理系统发送算法下载请求,算法下载请求包括目标风险分析算法模型的标识信息,对象管理系统中存储的风险分析算法模型采用如上任意一个实施例中的算法模型部署方法进行部署;
接收对象管理系统根据目标风险分析算法模型的标识信息返回的目标风险分析算法模型的算法包;
通过加载并执行目标风险分析算法模型的算法包的方式进行风险监控。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
接收终端上传的当前算法模型的算法模型文件;
根据算法模型文件以及预设的各算法执行相关组件库,确定当前算法模型的相关组件;
根据算法模型文件和相关组件,生成当前算法模型的算法包。
在其中一个实施例中,上述的算法模型文件为指定算法模型的输出标准文本,指定算法模型的输出标准文本为采用任意编程语言训练当前算法模型得到的输出结果。
在其中一个实施例中,上述的各算法执行相关组件库包括算法执行库组件、算法特征预处理组件和算法计算结果处理组件;算法执行库组件包括各类型算法的解析方法和执行方法,算法特征预处理组件包括各类型算法特征的预处理方法库,算法计算结果处理组件包括各类型输出结果的后处理方法库。
在其中一个实施例中,计算机程序被处理器执行实现上述的根据预设的各算法执行相关组件库以及算法模型文件,确定当前算法模型的相关组件的步骤时,具体实现以下步骤:通过算法执行库组件对指定算法模型的输出标准文本进行解析,获得解析结果;根据解析结果以及各算法执行相关组件库,确定当前算法模型的相关组件和当前算法模型的相关配置文件;
计算机程序被处理器执行上述的根据算法模型文件和相关组件,生成当前算法模型的算法包的步骤时,具体实现以下步骤:将相关组件、相关配置文件和指定算法模型的输出标准文本进行打包处理,得到当前算法模型的算法包。
在其中一个实施例中,计算机程序被处理器执行实现上述的根据解析结果以及各算法执行相关组件库,确定当前算法模型的相关组件和当前算法模型的相关配置文件的步骤时,具体实现以下步骤:确定目标算法模型执行组件,目标算法模型执行组件为能够解析指定算法模型的输出标准文本的解析方法和执行方法;从解析结果中抽取当前算法模型的当前算法模型特征;根据当前算法模型特征确定目标特征预处理组件,生成目标特征预处理组件的配置文件,目标特征预处理组件为特征预处理组件中与当前算法模型特征匹配的特征预处理方法;根据当前算法模型特征确定目标后处理组件,生成目标后处理组件的配置文件,目标后处理组件为算法计算结果处理组件中与当前算法模型特征匹配的后处理方法;将目标特征预处理组件、目标特征预处理组件和目标后处理组件,确定为相关组件;将目标特征预处理组件的配置文件和目标后处理组件的配置文件,确定为相关配置文件。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:将当前算法模型的算法包上传至对象管理系统,对象管理系统用于存储各算法模型的算法包。
在其中一个实施例中,上述的指定算法模型为人工智能算法模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
向对象管理系统发送算法下载请求,算法下载请求包括目标风险分析算法模型的标识信息,对象管理系统中存储的风险分析算法模型采用如上任意一个实施例中的算法模型部署方法进行部署;
接收对象管理系统根据目标风险分析算法模型的标识信息返回的目标风险分析算法模型的算法包;
通过加载并执行目标风险分析算法模型的算法包的方式进行风险监控。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (13)
1.一种算法模型部署方法,所述方法包括:
接收终端上传的当前算法模型的算法模型文件;
根据所述算法模型文件以及预设的各算法执行相关组件库,确定所述当前算法模型的相关组件;
根据所述算法模型文件和所述相关组件,生成所述当前算法模型的算法包。
2.根据权利要求1所述的算法模型部署方法,其特征在于,所述算法模型文件为指定算法模型的输出标准文本,所述指定算法模型的输出标准文本为采用任意编程语言训练所述当前算法模型得到的输出结果。
3.根据权利要求2所述的算法模型部署方法,其特征在于,所述各算法执行相关组件库包括算法执行库组件、算法特征预处理组件和算法计算结果处理组件;
所述算法执行库组件包括各类型算法的解析方法和执行方法,所述算法特征预处理组件包括各类型算法特征的预处理方法库,所述算法计算结果处理组件包括各类型输出结果的后处理方法库。
4.根据权利要求3所述的算法模型部署方法,其特征在于,所述根据预设的各算法执行相关组件库以及所述算法模型文件,确定所述当前算法模型的相关组件,包括:
通过所述算法执行库组件对所述指定算法模型的输出标准文本进行解析,获得解析结果;
根据所述解析结果以及所述各算法执行相关组件库,确定所述当前算法模型的相关组件和所述当前算法模型的相关配置文件;
所述根据所述算法模型文件和所述相关组件,生成所述当前算法模型的算法包,包括:将所述相关组件、所述相关配置文件和所述指定算法模型的输出标准文本进行打包处理,得到所述当前算法模型的算法包。
5.根据权利要求4所述的算法模型部署方法,其特征在于,所述根据所述解析结果以及所述各算法执行相关组件库,确定所述当前算法模型的相关组件和所述当前算法模型的相关配置文件,包括:
确定目标算法模型执行组件,所述目标算法模型执行组件为所述算法执行库组件中的能够解析所述指定算法模型的输出标准文本的解析方法和执行方法;
从所述解析结果中抽取所述当前算法模型的当前算法模型特征;
根据所述当前算法模型特征确定目标特征预处理组件,生成所述目标特征预处理组件的配置文件,所述目标特征预处理组件为所述特征预处理组件中与所述当前算法模型特征匹配的特征预处理方法;
根据所述当前算法模型特征确定目标后处理组件,生成所述目标后处理组件的配置文件,所述目标后处理组件为所述算法计算结果处理组件中与所述当前算法模型特征匹配的后处理方法;
将所述目标特征预处理组件、所述目标特征预处理组件和所述目标后处理组件,确定为所述相关组件;
将所述目标特征预处理组件的配置文件和目标后处理组件的配置文件,确定为所述相关配置文件。
6.根据权利要求1至5任意一项所述的算法模型部署方法,其特征在于,还包括:
将所述当前算法模型的算法包上传至对象管理系统,所述对象管理系统用于存储各算法模型的算法包。
7.根据权利要求2至5任意一项所述的方法,其特征在于,所述指定算法模型为人工智能算法模型。
8.一种算法模型部署装置,其特征在于,所述装置包括:
第一接收模块,用于接收终端上传的当前算法模型的算法模型文件;
查询模块,用于根据所述算法模型文件以及预设的各算法执行相关组件库,确定所述当前算法模型的相关组件;
生成模块,根据所述算法模型文件和所述相关组件,生成所述当前算法模型的算法包。
9.一种算法模型部署系统,其特征在于,所述系统包括如权利要求8所述的算法模型部署装置,还包括对象管理系统和算法计算集群;
所述对象管理系统用于存储各算法模型的算法包;
所述算法计算集群用于从所述对象管理系统下载所需的算法包,对下载的算法包加载并执行。
10.一种风险监控方法,其特征在于,所述方法包括:
向所述对象管理系统发送算法下载请求,所述算法下载请求包括目标风险分析算法模型的标识信息,所述对象管理系统中存储的风险分析算法模型采用如权利要求1至7任意一项所述的算法模型部署方法进行部署;
接收所述对象管理系统根据所述目标风险分析算法模型的标识信息返回的所述目标风险分析算法模型的算法包;
通过加载并执行所述目标风险分析算法模型的算法包的方式进行风险监控。
11.一种风险监控装置,其特征在于,所述装置包括:
发送模块,用于向所述对象管理系统发送算法下载请求,所述算法下载请求包括目标风险分析算法模型的标识信息,所述对象管理系统中存储的风险分析算法模型采用如权利要求1至7任意一项所述的算法模型部署方法进行部署;
第二接收模块,用于接收所述对象管理系统根据所述目标风险分析算法模型的标识信息返回的所述目标风险分析算法模型的算法包;
监控模块,用于通过加载并执行所述目标风险分析算法模型的算法包的方式进行风险监控。
12.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的算法模型部署方法的步骤或者权利要求10所述的风险监控方法的步骤。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的算法模型部署方法的步骤或者权利要求10所述的风险监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910462100.9A CN110308910B (zh) | 2019-05-30 | 2019-05-30 | 算法模型部署以及风险监控的方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910462100.9A CN110308910B (zh) | 2019-05-30 | 2019-05-30 | 算法模型部署以及风险监控的方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110308910A true CN110308910A (zh) | 2019-10-08 |
CN110308910B CN110308910B (zh) | 2023-10-31 |
Family
ID=68075600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910462100.9A Active CN110308910B (zh) | 2019-05-30 | 2019-05-30 | 算法模型部署以及风险监控的方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110308910B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027689A (zh) * | 2019-11-20 | 2020-04-17 | 中国航空工业集团公司西安航空计算技术研究所 | 配置方法、装置及计算系统 |
CN111399829A (zh) * | 2020-03-13 | 2020-07-10 | 上海介方信息技术有限公司 | 一种基于模型驱动的波形建模方法及终端 |
CN111612158A (zh) * | 2020-05-22 | 2020-09-01 | 云知声智能科技股份有限公司 | 模型部署方法、装置、设备和存储介质 |
CN112230911A (zh) * | 2020-09-27 | 2021-01-15 | 北京通付盾人工智能技术有限公司 | 模型部署方法、装置、计算机设备和存储介质 |
CN112329467A (zh) * | 2020-11-03 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 地址识别方法、装置、电子设备以及存储介质 |
CN112394950A (zh) * | 2021-01-19 | 2021-02-23 | 共达地创新技术(深圳)有限公司 | Ai模型部署方法、设备和存储介质 |
CN112905328A (zh) * | 2021-03-04 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 任务处理方法、装置及计算机可读存储介质 |
CN114911507A (zh) * | 2022-07-15 | 2022-08-16 | 浙江大华技术股份有限公司 | 一种算法包的更新方法及设备 |
CN114924772A (zh) * | 2022-07-15 | 2022-08-19 | 浙江大华技术股份有限公司 | 一种算法包的更新方法及设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018111270A1 (en) * | 2016-12-15 | 2018-06-21 | Schlumberger Technology Corporation | Systems and methods for generating, deploying, discovering, and managing machine learning model packages |
CN108510082A (zh) * | 2018-03-27 | 2018-09-07 | 苏宁易购集团股份有限公司 | 对机器学习模型进行处理的方法及装置 |
WO2018161799A1 (zh) * | 2017-03-08 | 2018-09-13 | 中兴通讯股份有限公司 | 一种云应用部署方法和系统 |
EP3376373A1 (en) * | 2017-03-15 | 2018-09-19 | Siemens Aktiengesellschaft | A method for deployment and execution of a machine learning model on a field device |
CN109120428A (zh) * | 2017-06-26 | 2019-01-01 | 苏宁云商集团股份有限公司 | 一种用于风控分析的方法及系统 |
CN109255234A (zh) * | 2018-08-15 | 2019-01-22 | 腾讯科技(深圳)有限公司 | 机器学习模型的处理方法、装置、介质及电子设备 |
CN109343857A (zh) * | 2018-08-22 | 2019-02-15 | 中国平安人寿保险股份有限公司 | 线上部署机器学习模型的方法、设备和存储介质 |
CN109669701A (zh) * | 2018-12-17 | 2019-04-23 | 深圳魔数智擎科技有限公司 | 对机器学习模型进行编译处理的方法、编译器及服务器 |
CN109753300A (zh) * | 2017-11-03 | 2019-05-14 | 阿里巴巴集团控股有限公司 | 一种算法升级方法、计算任务发送方法及相关产品 |
-
2019
- 2019-05-30 CN CN201910462100.9A patent/CN110308910B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018111270A1 (en) * | 2016-12-15 | 2018-06-21 | Schlumberger Technology Corporation | Systems and methods for generating, deploying, discovering, and managing machine learning model packages |
WO2018161799A1 (zh) * | 2017-03-08 | 2018-09-13 | 中兴通讯股份有限公司 | 一种云应用部署方法和系统 |
EP3376373A1 (en) * | 2017-03-15 | 2018-09-19 | Siemens Aktiengesellschaft | A method for deployment and execution of a machine learning model on a field device |
CN109120428A (zh) * | 2017-06-26 | 2019-01-01 | 苏宁云商集团股份有限公司 | 一种用于风控分析的方法及系统 |
CN109753300A (zh) * | 2017-11-03 | 2019-05-14 | 阿里巴巴集团控股有限公司 | 一种算法升级方法、计算任务发送方法及相关产品 |
CN108510082A (zh) * | 2018-03-27 | 2018-09-07 | 苏宁易购集团股份有限公司 | 对机器学习模型进行处理的方法及装置 |
CN109255234A (zh) * | 2018-08-15 | 2019-01-22 | 腾讯科技(深圳)有限公司 | 机器学习模型的处理方法、装置、介质及电子设备 |
CN109343857A (zh) * | 2018-08-22 | 2019-02-15 | 中国平安人寿保险股份有限公司 | 线上部署机器学习模型的方法、设备和存储介质 |
CN109669701A (zh) * | 2018-12-17 | 2019-04-23 | 深圳魔数智擎科技有限公司 | 对机器学习模型进行编译处理的方法、编译器及服务器 |
Non-Patent Citations (1)
Title |
---|
YINYE ZHANG,ET AL: "Design and Implementation of Predictive Model Markup Language Interpretation Engine", 《2015 INTERNATIONAL CONFERENCE ON NETWORK AND INFORMATION SYSTEMS FOR COMPUTERS》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027689A (zh) * | 2019-11-20 | 2020-04-17 | 中国航空工业集团公司西安航空计算技术研究所 | 配置方法、装置及计算系统 |
CN111027689B (zh) * | 2019-11-20 | 2024-03-22 | 中国航空工业集团公司西安航空计算技术研究所 | 配置方法、装置及计算系统 |
CN111399829A (zh) * | 2020-03-13 | 2020-07-10 | 上海介方信息技术有限公司 | 一种基于模型驱动的波形建模方法及终端 |
CN111612158A (zh) * | 2020-05-22 | 2020-09-01 | 云知声智能科技股份有限公司 | 模型部署方法、装置、设备和存储介质 |
CN111612158B (zh) * | 2020-05-22 | 2024-03-01 | 云知声智能科技股份有限公司 | 模型部署方法、装置、设备和存储介质 |
CN112230911A (zh) * | 2020-09-27 | 2021-01-15 | 北京通付盾人工智能技术有限公司 | 模型部署方法、装置、计算机设备和存储介质 |
CN112230911B (zh) * | 2020-09-27 | 2023-12-29 | 北京通付盾人工智能技术有限公司 | 模型部署方法、装置、计算机设备和存储介质 |
CN112329467B (zh) * | 2020-11-03 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 地址识别方法、装置、电子设备以及存储介质 |
CN112329467A (zh) * | 2020-11-03 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 地址识别方法、装置、电子设备以及存储介质 |
CN112394950A (zh) * | 2021-01-19 | 2021-02-23 | 共达地创新技术(深圳)有限公司 | Ai模型部署方法、设备和存储介质 |
CN112905328A (zh) * | 2021-03-04 | 2021-06-04 | 杭州海康威视数字技术股份有限公司 | 任务处理方法、装置及计算机可读存储介质 |
CN112905328B (zh) * | 2021-03-04 | 2023-09-19 | 杭州海康威视数字技术股份有限公司 | 任务处理方法、装置及计算机可读存储介质 |
CN114911507B (zh) * | 2022-07-15 | 2022-09-23 | 浙江大华技术股份有限公司 | 一种算法包的更新方法及设备 |
CN114924772A (zh) * | 2022-07-15 | 2022-08-19 | 浙江大华技术股份有限公司 | 一种算法包的更新方法及设备 |
CN114911507A (zh) * | 2022-07-15 | 2022-08-16 | 浙江大华技术股份有限公司 | 一种算法包的更新方法及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110308910B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110308910A (zh) | 算法模型部署以及风险监控的方法、装置和计算机设备 | |
CN110162414B (zh) | 基于微服务架构实现人工智能服务的方法及装置 | |
GB2617045A (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
CN108763398B (zh) | 数据库配置参数处理方法、装置、计算机设备和存储介质 | |
CN111666763A (zh) | 用于多任务场景的网络结构构建方法和装置 | |
CN110109750A (zh) | 虚拟资源获取方法、装置、计算机设备和存储介质 | |
CN108959939B (zh) | 一种系统权限开启方法、装置、系统和存储介质 | |
CN109597618B (zh) | 程序开发方法、装置、计算机设备及存储介质 | |
CN112231224A (zh) | 基于人工智能的业务系统测试方法、装置、设备和介质 | |
CN110597518B (zh) | 项目构建方法、装置、计算机设备和存储介质 | |
CN109903034B (zh) | 规则匹配方法、装置、计算机可读存储介质和计算机设备 | |
CN110489421A (zh) | 数据存储方法、装置、计算机可读存储介质和计算机设备 | |
CN112380130A (zh) | 基于调用依赖关系的应用测试方法和装置 | |
CN109766261A (zh) | 覆盖测试方法、装置、计算机设备和存储介质 | |
CN117591659A (zh) | 基于ChatGLM运维场景的信息处理方法、装置、设备及介质 | |
CN110855477A (zh) | 链路日志监控方法、装置、计算机设备和存储介质 | |
CN112784029B (zh) | 基于自然语言处理的业务处理方法、装置和计算机设备 | |
CN114461252B (zh) | 基于大数据漏洞分析的软件服务升级方法及互联网ai系统 | |
CN109767290A (zh) | 产品推送方法、装置、计算机设备和存储介质 | |
CN113468432A (zh) | 基于移动互联网的用户行为大数据分析方法及系统 | |
Shan et al. | Collaborative Intelligence: Accelerating Deep Neural Network Inference via Device‐Edge Synergy | |
CN115170840A (zh) | 数据处理系统、方法和电子设备 | |
CN114115967A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
CN115730507A (zh) | 模型引擎的构建、核函数处理方法、设备及存储介质 | |
JP7463560B2 (ja) | 自動機械学習:統合され、カスタマイズ可能、及び拡張可能なシステム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 200050 West, 2nd to 3rd Floor, 1st Floor, 999 Changning Road, Changning District, Shanghai Patentee after: Shanghai Star Map Financial Services Group Co.,Ltd. Address before: 200050 West, 2nd to 3rd Floor, 1st Floor, 999 Changning Road, Changning District, Shanghai Patentee before: Suning Financial Services (Shanghai) Co.,Ltd. |