CN111985755A - 使用机器学习技术使风险最小化 - Google Patents
使用机器学习技术使风险最小化 Download PDFInfo
- Publication number
- CN111985755A CN111985755A CN202010374431.XA CN202010374431A CN111985755A CN 111985755 A CN111985755 A CN 111985755A CN 202010374431 A CN202010374431 A CN 202010374431A CN 111985755 A CN111985755 A CN 111985755A
- Authority
- CN
- China
- Prior art keywords
- data
- activity
- computer
- manager
- domains
- 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.)
- Pending
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 66
- 230000009471 action Effects 0.000 claims abstract description 32
- 238000013473 artificial intelligence Methods 0.000 claims description 44
- 230000000875 corresponding effect Effects 0.000 claims description 34
- 238000003860 storage Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 18
- 230000002787 reinforcement Effects 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims 2
- 230000006870 function Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 18
- 230000004308 accommodation Effects 0.000 description 9
- 239000008186 active pharmaceutical agent Substances 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008520 organization Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- IAXXETNIOYFMLW-UHFFFAOYSA-N (4,7,7-trimethyl-3-bicyclo[2.2.1]heptanyl) 2-methylprop-2-enoate Chemical compound C1CC2(C)C(OC(=O)C(=C)C)CC1C2(C)C IAXXETNIOYFMLW-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013515 script Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- SPBWHPXCWJLQRU-FITJORAGSA-N 4-amino-8-[(2r,3r,4s,5r)-3,4-dihydroxy-5-(hydroxymethyl)oxolan-2-yl]-5-oxopyrido[2,3-d]pyrimidine-6-carboxamide Chemical compound C12=NC=NC(N)=C2C(=O)C(C(=O)N)=CN1[C@@H]1O[C@H](CO)[C@@H](O)[C@H]1O SPBWHPXCWJLQRU-FITJORAGSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002730 additional effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000009172 bursting Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Abstract
本公开的实施例涉及使用机器学习技术使风险最小化。实施例涉及一种利用机器学习技术使合规风险最小化的智能计算机平台。从跨两个或更多个域的一个或多个数据源中提取特征,并且标识活动数据。在活动数据内标识特征,其被用来创建一个或多个模型。测量域活动影响并且计算风险概率。基于所计算的风险概率生成策略,并且编排一个或多个合规活动。遵从该编排来执行一个或多个经编码的动作。
Description
技术领域
本发明实施例涉及一种人工智能平台以及一种优化方法以跨旅行组件使风险最小化。更具体地,实施例涉及理解和测量不同旅行组件之间的交叉影响,以及用于决策制定的强化学习。
发明内容
实施例包括用于交叉合规风险评定和优化的系统、计算机程序产品和方法。
在一个方面,一种计算机系统被提供有处理单元和存储器,以用于与人工智能(AI)计算机平台一起使用,以使合规风险最小化。处理单元操作地耦合到存储器,并且与AI平台和嵌入式工具通信,该嵌入式工具包括数据管理器、机器学习(ML)管理器和推荐引擎。数据管理器用以从跨两个或更多个域的一个或多个数据源中提取特征,并且标识所提取的特征内的活动数据。ML管理器用以标识活动数据内的特征,用所标识的特征创建一个或多个模型,并且测量域活动影响。ML管理器还基于所测量的影响来计算风险概率。推荐引擎从所计算的风险概率生成策略,并且还基于所生成的策略来编排(orchestrate)一个或多个合规活动。处理单元选择性地执行遵从该编排的一个或多个经编码的动作。
在另一方面,提供了一种计算机程序设备以使合规风险最小化。程序代码由处理单元可执行,以跨两个或更多个域监测和评估数据并且使风险最小化。程序代码从跨两个或更多个域的一个或多个数据源中提取特征,并且标识所提取的特征内的活动数据。程序代码标识活动数据内的特征,用所标识的特征创建一个或多个模型,并且测量域活动影响。基于所测量的影响来计算风险概率。程序代码还从所计算的风险概率生成策略,并且基于所生成的策略来编排一个或多个合规活动。遵从该编排执行一个或多个经编码的动作。
在又一方面,提供了一种用于合规风险分析和优化的方法。从跨两个或更多个域的一个或多个数据源中提取特征,并且标识所提取的特征中的活动数据。标识活动数据内的特征,该特征被用来创建一个或多个模型。测量域活动影响,并且基于所测量的影响来计算风险概率。基于所计算的风险概率生成策略,并且基于所生成的策略来编排一个或多个合规活动。遵从该编排执行一个或多个经编码的动作。
通过结合附图对(多个)当前优选实施例的以下详细描述,这些以及其他特征和优点将变得显而易见。
附图说明
本文参考的附图形成说明书的一部分。除非另外明确指出,否则附图中所示的特征仅意在说明一些实施例,而不是所有实施例。
图1描绘了图示人工智能平台计算系统的系统图。
图2描绘了图示示例分类矩阵的框图。
图3描绘了图示如图1中所示和所述的人工智能平台工具及其关联的应用程序接口的框图。
图4描绘了图示用于使活动数据相关并且评定跨活动的概率的编排的功能性的流程图。
图5描绘了图示ML算法的动态特性的流程图。
图6描绘了图示基于云的支持系统的计算机系统/服务器的示例的框图,以实现以上关于图1-图5描述的系统和过程。
图7描绘了图示云计算机环境的框图。
图8描绘了图示由云计算环境提供的一组功能抽象模型层的框图。
具体实施方式
将容易理解,如本文的附图中总体描述和图示的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,对如附图中所呈现的本实施例的装置、系统、方法和计算机程序产品的实施例的以下详细描述并非旨在限制所要求保护的实施例的范围,而仅是表示所选择的实施例。
贯穿本说明书的对“选择实施例”、“一个实施例”或“实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在至少一个实施例中。因此,在贯穿本说明书的各处出现的短语“选择实施例”、“在一个实施例中”或“在实施例中”不一定是指相同实施例。
通过参考附图将最好地理解所图示的实施例,其中相似的部分始终由相似的附图标记来指明。以下描述仅旨在作为示例,并且只图示了与本文所要求保护的实施例相一致的设备、系统和过程的某些所选择的实施例。
应当理解,存在不同的旅行模式,包括商务旅行和个人旅行。商务旅行是出于工作或商务目的而进行的,并且个人旅行是针对休闲活动。尽管商务旅行和个人旅行都可以包括重叠的旅行组件,但其具有不同的目的以及不同的显式或固有成本。与工作相关的旅行和对应旅行组件的预订相关联的决策制定通常针对预期的会议,并且在一个实施例中适于取消这样的会议。
人工智能(AI)与针对与人类相关的计算机和计算机行为的计算机科学领域有关。AI是指当机器基于信息能够制定决策时的智能,这可以使给定主题的成功机会最大化。更具体地,AI能够从数据集学习以解决问题并提供相关推荐。例如,在人工智能计算机系统领域中,自然语言系统(诸如IBM 人工智能计算机系统或其他自然语言询问应答系统)基于系统获取的知识来处理自然语言。为了处理自然语言,可以利用从数据库或知识库中得出的数据来训练系统,但是由于各种原因,所得到的结果可能是不正确的或不准确的。
机器学习(ML)是人工智能(AI)的子集,其利用算法从数据中学习并基于该数据创建预见。更具体地,ML是通过神经网络的创建的AI的应用,该神经网络可以通过执行未被显式编程的任务来展示学习行为。深度学习是ML的一个类型,其中系统可以通过以下来完成复杂的任务:使用基于前一层的输出的多个选择层,创建越来越智能和越来越抽象的结论。
AI和关联推理的核心在于相似性的概念。理解自然语言和对象的过程需要从可能具有挑战性的关系角度进行推理。包括静态结构和动态结构的结构针对给定的确定性输入来规定所确定的输出或动作。更具体地,所确定的输出或动作是基于结构内的显式或固有关系。对于选择的情形和条件,这种布置可能是令人满意的。但是,应当理解,动态结构固有地会发生变化,并且输出或动作可能会相应地发生变化。
在信息技术(IT)领域中,电子接口通常被用于通信和组织,包括电子邮件和电子日历。电子邮件涉及通过通信网络传输消息。电子日历在本文中也被称为计算机日历,其是使得人们能够以电子的格式记录事件和约会的程序。电子日历具有非电子日历的增强功能性。例如,电子日历使得能够自动输入常规事件以及发信号通知即将发生的事件。电子日历的一种形式被称为调度器,并且其使得连接到网络的用户群组能够编排其调度。调度器允许群组的成员查看成员的日历,并通过电子邮件将通信调度发送给群组成员。
旅行或旅行动作应被理解为包括多个组件。例如,组件之一是针对旅行的模式,例如,汽车、火车、飞机等。另一组件是针对住宿,包括住宿的形式、住宿的位置、住宿的长度等。应当理解,每个旅行组件,无论是单独地还是共同地被考虑,都是动态定价的,其中关联的成本会基于供应和需求而发生波动。例如,在峰值需求时间期间,机票价格和住宿价格较高,而需求下降时,机票价格和住宿价格较低。
应当理解,旅行可能会由于各种原因而取消,诸如不可预见的疾病或伤害。关于工作和工作相关的旅行,取消可能会针对商务相关的方面而发生,诸如会议取消或重新调度。旅行和关联的旅行预订的一些方面可能支持针对取消的退款,而其他方面可能不支持退款。因此,与旅行成本相关联的成本因素之一是取消和任何对应的取消费。
在安排商务旅行之前,有必要预计或调度需要旅行的会议。存在与调度会议相关联的挑战。挑战包括但不限于:选择所有参与者有空参加会议的日期和时间,标识参加会议的合适参与者,以及建立会议位置。这些挑战中的一些挑战可能是不稳定的并且可能会发生变化。同时,标识挑战的元素的数据可以被显式地或隐式地限定。
除了基于参与者、其角色和其物理位置来调度会议之外,管理旅行是另一组件。本文将关于航空旅行来描述旅行和关联的交通,但是,在一个实施例中,旅行可以被扩展到包括附加的或备选的交通模式。标识会议位置可能会受到可用航班或限制性航班路线、航空调度等的限制。同时,与航空旅行相关联的成本可能会是调度中一个因素,包括在会议变化或会议取消的情况下与重新调度或取消相关联的成本。
如本文中所示和所述,一种系统、方法和计算机程序产品被提供,并且其针对用于关于旅行和旅行安排的决策制定的强化学习。强化学习合并了缓解和管理与旅行取消和关联的取消成本相关联的风险。应当理解,事件的不确定性可能使旅行事件或旅行需要成为必须。如下面所示出和详细描述的,强化学习包括:对在特定时间和位置发生会议的概率的评定,以及确定针对预先预订例如航班、酒店等等旅行元素的最佳时间。因此,下面详细示出和描述的系统和过程展示了使用ML来考虑这样的不确定性,确定预先旅行预订的最佳时机,并且促进对应的预订要求的执行。
参考图1,描绘了人工智能平台计算系统(100)的示意图。如图所示,提供服务器(110),其跨网络连接(105)与多个计算设备(180)、(182)、(184)、(186)、(188)和(190)通信。服务器(110)被配置有跨总线(114)与存储器(116)通信的处理单元(112)。服务器(110)被示出具有人工智能(AI)平台(150),以用于通过网络(105)从计算设备(180)、(182)、(184)、(186)、(188)和(190)中的一个或多个计算设备进行认知计算,包括自然语言处理和机器学习。更具体地,计算设备(180)、(182)、(184)、(186)、(188)和(190)经由一个或多个有线和/或无线数据通信链路彼此通信并且与其他设备或组件通信,其中每个通信链路可以包括电线、路由器、交换机、发射器、接收器等中的一个或多个。在该联网布置中,服务器(110)和网络连接(105)支持通信检测、识别和解析。服务器(110)的其他实施例可以与除本文所描绘的组件、系统、子系统和/或设备之外的组件、系统、子系统和/或设备一起使用。
在本文中,AI平台(150)被示出为被配置有用以支持监督学习的工具。这些工具的功能是估计与预订旅行相关联的风险,并设计一种优化方法以使用机器学习技术使风险最小化。这些工具包括但不限于数据管理器(152)、机器学习(ML)管理器(154)和推荐引擎(156)。AI平台(150)可以从网络(105)接收输入并且利用数据源(160)来选择性地访问活动数据,数据源在本文中也被称为语料库或知识库。如图所示,数据源(160)被配置有合规库(162),其具有由ML管理器(154)创建和管理的多个多类别分类模型。下面详细示出并描述如何创建模型的细节。应当理解,不同的域,诸如不同的商务组织或商务组织内的部门,可以各自被分类为一个域。在本文所示的示例中,域包括但不限于域A(162A)、域B(162B)和域C(162C)。尽管在本文中仅示出和表示了三个域,但不应认为该数量是限制性的。在一个实施例中,可以存在不同数量的域。类似地,域可以被添加到库(162)。数据管理器(152)关于每个域存储或分类对应的活动数据。如图所示,域A(162A)包括活动数据A(164A),域B(162B)包括活动数据B(164B),并且域C(162C)包括活动数据C(164C)。
应当理解,监督学习利用来自数据源的数据。如本文中所示,数据源被称为知识引擎(160),并且被配置有以模型形式的域和被逻辑分组的活动数据。数据管理器(152)的功能是从与网络(105)通信的各种计算设备(180)、(182)、(184)、(186)、(188)和(190)收集或提取数据。一旦被收集,ML管理器(154)将从一个或多个计算设备收集的数据组织或布置到一个或多个对应模型中。可以基于域内活动或域间活动来创建模型。本文中示出了两个模型,但是不应将数量及其与域的关系视为限制性的。模型A(166A)被示为操作地耦合到活动数据(164A)并且是域内活动模型。模型B(166B)被示为操作地耦合到活动数据B(164B)和活动数据C(164C)并且是域间活动模型,其在本文中也被称为多类别分类模型。模型反映并组织对应于相应域的活动数据,包括电子邮件通信和电子日历数据。在一个实施例中,每个域可以与多个电子邮件地址链接或相关联,其中一个或多个主题形成通信线程。当在电子邮件线程中检测到通信时,活动数据由数据管理器(152)更新,并且被配置和操作地耦合到活动数据的每个模型由ML管理器(154)动态更新。
应当理解,数据可以以周期性的间隔被收集,其中数据管理器(152)收集数据或数据中的变化,并且ML管理器(154)以适当的分类或操作性耦合模型反映所收集或改变的数据。在一个实施例中,数据管理器(152)可以以动态的方式起作用,包括但不限于,检测对所收集的数据的改变以及收集所改变的数据。类似地,ML管理器(154)利用一种或多种ML算法来更新对应的模型以反映和合并数据改变。在一个实施例中,数据管理器(152)可以在不活动时以睡眠或休眠模式起作用,例如,不收集数据,并且当对相关或有关数据的改变被发现时可以改变为活动模式。因此,数据管理器(152)用作从一个或多个计算设备收集和组织数据的工具,其中ML管理器(154)将所组织的数据反映到一个或多个模型中。
本文中被示出操作地耦合到数据管理器(152)的ML管理器(154)用作基于模型中反映的所收集的数据来动态评定事件发生概率的工具。ML管理器(154)采用概率算法来学习状态或状态历史的值,并使结果的效用最大化。状态可以涉及各种不同的状态,包括但不限于用户状态、商务状态等。概率算法产生针对在所标识的时间和位置召开会议的可能性的输出。ML管理器(154)标识模型中反映的时间和位置的因素,并使用这些因素来生成概率输出。在一个实施例中,ML管理器(154)可以实现例如日期范围的时间范围、出席者的位置和/或预期出席者的角色。ML管理器(154)利用(多个)模型并评定召开的(多个)会议位置和(多个)日期的概率。概率输出是对(多个)位置和(多个)日期的会议召开或被取消的预测。在一个实施例中,ML管理器(154)从数据管理器(152)接收通信,以响应于新数据的收集来更新或重新评定概率。类似地,在一个实施例中,数据管理器(152)正在监测电子邮件线程并从电子邮件线程收集数据,并且当新电子邮件被添加到该线程时,ML管理器(154)重新评定会议位置和日期的概率。在另一实施例中,数据管理器(152)监测日历并从日历收集数据,并且当与电子邮件线程相关的日历数据被修改时,ML管理器(154)重新评定会议位置和日期的概率。因此,ML管理器(154)与数据管理器(152)对接,以将概率评定与所收集的相关数据的状态保持同步。
使用由数据管理器(152)收集的数据和由ML管理器(154)产生的概率输出,操作地耦合的推荐引擎(156)实施对用于决策制定的强化学习的分析,其目标是将与会议时间和地点的概率相关联的预期旅行成本最小化。强化学习基于历史价格趋势、召开会议的概率以及会议被取消的概率,推荐购买或等待不同时间和位置的形式的动作。在一个实施例中,当强化学习在购买推荐的情况下产生多个会议时间和位置时,具有最低预期成本的选项被推荐。推荐引擎(156)利用以下公式来将针对会议的给定位置和时间的预期支出成本最小化:
Q(a,s(ti,li))=R(a,s(ti,li))+maxa′Q(a',s'(ti,li))
其中a表示购买或等待动作的因素,并且sti,li是在第i个时间t和位置l处的会议状态。会议状态s包括交通成本、路线和出发前的到达时间,所有这些都是商务旅行成本中的因素。变量Q(a,sti,li)表示要被最大化的适应函数,并且变量R(a,sti,li)表示立即奖励函数。变量b表示购买动作,并且变量w表示等待动作。如所示,购买的立即奖励函数被表示如下:
其中price(s(ti,li))是旅行成本,例如机票价格,(1-p(ti,li))X C(s(ti,li))是会议被取消的概率,C(s(ti,li)是会议被取消的成本,并且p(tk,lk))X E(s(tk,lk)是用于预留变更的预期成本。(1-p(ti,li))X C(s(ti,li))共同表示用于取消的预期成本。等待调度旅行和旅行安排的立即奖励函数被表示如下:
R(w,s(ti,li))=0
因为在等待中不涉及购买,所以没有旅行成本的价格,并且也没有与取消或变更相关联的成本。
推荐引擎(156)基于考虑多个因素来制订目标函数,并产生以推荐购买的形式的输出,例如,预订针对会议时间和位置的旅行或者等待。推荐输出包括推荐引擎(156)选择性地实施与推荐相关的动作。因此,如本文中所示,推荐引擎(156)基于考虑多个因素来制订目标函数,从目标函数生成输出,并且应用所生成的输出来选择性地实施旅行安排。
参考图2,提供了框图(200)以图示示例分类矩阵(210),其在下文中被称为模型。如所示,模型(210)是具有行和列的二维表示。行表示作为监听主题的通信线程的成员,并且列表示特性数据,诸如电子邮件元数据和旅行活动。在一个实施例中,可以在模型中表示不同或附加的特性数据。如该示例中所示,在行中表示四个成员,包括成员0(220)、成员1(230)、成员2(240)和成员3(250)。特性数据CD被示出并表示为CD0(260)、CD1(270)和CD2(280)。尽管仅示出了三列特性数据,但该数量不应被视为是限制性的。特性数据的示例包括但不限于成员的工作角色、成员的办公室位置、电子邮件数据内容、电子邮件元数据等。在一个实施例中,一些特性数据可以从人力资源(HR)数据库获取或拉取。在图5中示出并描述了概率评定和对应数据的细节。由ML模型实施的概率评定基于矩阵中反映和组织的电子邮件线程、用户简档(位置、角色等)推断出会议位置和日期的概率(210)。因此,ML模型使用矩阵(210)中反映的数据作为输入,并针对日期和位置的一种或多种组合生成会议日期和位置的概率。
由推荐引擎(156)实施的分析创建对旅行和旅行相关成本的影响的测量,并且被动态地实施。如所示,ML管理器(154)操作地耦合到数据管理器(152)。ML管理器(154)响应于电子邮件和日历数据或与该邮件和日历数据相对应的变化来实施监督学习。ML管理器(154)利用电子邮件和日历中的变化来动态地更新概率评定,并在一个或多个对应模型中反映(多个)更新。推荐引擎(156)响应于检测到的电子邮件和日历活动以及辅助数据源来编排动作序列。辅助数据源的示例包括但不限于航班价格历史记录、航班路线、航班调度以及取消和变更政策。在一个实施例中,辅助数据包括与不同旅行组件相关联的历史价格趋势。辅助数据源通过网络(105)可被推荐引擎(156)访问。应当理解,辅助数据是动态的,并且可以影响所产生的结果(172)。推荐引擎(156)基于从一个或多个辅助数据源获取的数据以及来自ML管理器(154)的输出来生成策略,其中所生成的策略是动作推荐的形式,并引导旅行安排的选择性预订同时将风险最小化。
分别由数据管理器(152)和ML管理器(154)实施的数据挖掘和监督学习可以被离线实施或作为一个或多个后台过程而被实施。在本文中操作地耦合到数据管理器(154)的ML管理器(154)用作动态生成针对由数据管理器(152)收集的数据的概率评定的工具。ML管理器(154)采用监督学习算法来评定结果的概率,诸如(多个)会议位置和(多个)日期的概率以及取消的概率。推荐引擎(156)利用概率来评定并将结果的效用最大化。
ML管理器(154)相对于概率评定的优化启用并支持机器学习(ML)的使用。在一个实施例中,对应的机器学习模型(MLM)封装对应的ML算法。MLM用来动态地学习会议调度特性的值,因为特性数据会发生变化。ML管理器(154)发现并分析模式以及对应的风险和奖励。随着模式的演进,ML管理器(154)可以动态地修改先前的概率评定。ML管理器(154)跨网络中的多个设备支持多样化会议调度活动的弹性和复杂特性。因此,活动数据的模式随着时间被学习,并被用于动态地编排或修改概率评定。
以诸如动作序列或修改的动作序列之类的一个或多个所得出的动作的形式的响应输出(172)被传送或以其他方式传输至处理单元(112)以用于执行。在一个实施例中,响应输出(172)被传送到对应的网络设备,其在本文中被示为视觉显示器(170),其操作地耦合到服务器(110),或者在一个实施例中,其通过网络连接(104)而操作地耦合到一个或多个计算设备(180)-(190)。
如所示,在各种实施例中,网络(105)可以包括本地网络连接和远程连接,以使AI平台(150)可以操作在任何大小的环境中,包括本地的和全局的,例如互联网。另外,AI平台(150)用作前端系统,其可以使从网络可访问源和/或结构化数据源中提取或表示的各种知识可用。以这种方式,一些过程填充了AI平台(150),其中人工智能平台(150)还包括用于接收请求并相应地进行响应的输入接口。
知识库(160)分别被配置有逻辑分组的域(162A)-(162C)和对应的模型(164A)-(164C),以供AI平台(150)使用。在一个实施例中,知识库(160)可以配置有其他或附加的输入源,并且如此,本文中所示和所述的输入源不应被认为是限制性的。类似地,在一个实施例中,知识库(160)包括与活动和任务相关的结构化的、半结构化的和/或非结构化的内容。与网络(105)通信的各种计算设备(180)-(190)可以包括用于逻辑分组的域和模型的接入点。一些计算设备可以包括用于数据库的设备,其存储作为AI平台(150)所使用的信息主体的数据的库,以生成响应输出(172)并将该响应输出传送到对应的网络设备,诸如视觉显示器(170),其通过网络连接(104)操作地耦合到服务器(110)或一个或多个计算设备(180)-(190)。
在各种实施例中,网络(105)可以包括本地网络连接和远程连接,以使人工智能平台(150)可以操作在任何大小的环境中,包括本地的和全局的,例如互联网。另外,人工智能平台(150)用作前端系统,其可以使从网络可访问源和/或结构化数据源中提取或表示的各种知识可用。以这种方式,一些过程填充了AI平台(150),其中AI平台(150)还包括用于接收请求并相应地进行响应的一个或多个输入接口或门户。
经由网络连接或到网络(105)的互联网连接,AI平台(150)被配置为检测和管理与旅行和旅行调度有关的网络活动和任务数据。AI平台(150)可以通过利用知识库(160)来有效地编排或优化针对相关活动数据所编排的动作序列,在一个实施例中,知识库(160)可以通过网络(105)操作地耦合到服务器(110)。
AI平台(150)和关联的工具(152)-(156)利用知识库(160)来支持动作序列的编排以及监督学习以优化动作序列。推荐引擎(156)利用由ML管理器(154)实施的概率评定,并针对旅行和旅行调度活动以及对应的旅行相关任务来编排动作或动作序列。相应地,工具(152)-(156)通过评定与相关动作相关联的这种概率、编排推荐并动态地优化推荐编排来减轻与旅行安排取消或重新调度相关联的风险。
电子邮件数据和日历条目会发生变化,并且ML管理器(154)和推荐引擎(156)被配置为动态地响应检测到的变化。应当理解,随着电子邮件数据和/或日历条目数据改变,对应的概率评定可能会发生变化。ML管理器(154)被配置为动态地适应这样的变化,包括但不限于学习状态或状态历史的值,以及将状态映射到概率评定动作。
通过服务器(110)(例如IBM 服务器)和对应的AI平台(150),可以处理跨网络(105)接收到的活动数据,例如电子邮件和日历条目。如本文中所示,AI平台(150)与嵌入式管理器(152)-(154)以及引擎(156)一起执行活动数据和任务的分析,动态地实施或更新概率评定,以及生成一个或多个推荐供选择。工具和对应分析的功能是嵌入动态监督学习,以将旅行调度中涉及的风险最小化。因此,AI平台(150)评估并使不同域之间的交叉影响相关,并设计优化以将与重新调度或取消相关联的风险最小化。
在一些说明性实施例中,服务器(110)可以是从纽约州阿蒙克市的国际商业机器公司可获取的IBM 系统,该系统被扩增有下文所描述的说明性实施例的机制。下文中被统称为AI工具的管理器(152)-(154)和引擎(156)被示为体现在服务器(110)的AI平台(150)中或被集成在其中。AI工具可以被实现在单独的计算系统(例如,190)中,或者在一个实施例中,其可以被实现在通过网络(105)连接到服务器(110)的一个或多个系统中。无论体现在何处,AI工具都可以用来动态地优化活动,以最小化或以其他方式减轻风险。
可以利用人工智能平台(150)的设备和对应系统的类型的范围从诸如手持式计算机/移动电话(180)之类的小型手持式设备到诸如大型计算机(182)之类的大型系统。手持式计算机(180)的示例包括个人数字助理(PDA)、个人娱乐设备(诸如MP4播放器)、便携式电视和光盘播放器。信息处理系统的其他示例包括笔或平板计算机(184)、膝上型计算机或笔记本计算机(186)、个人计算机系统(188)和服务器(190)。如所示,可以使用计算机网络(105)将各种设备和系统联网在一起。可以被用来互连各种设备和系统的计算机网络(105)的类型包括局域网(LAN)、无线局域网(WLAN)、互联网、公共交换电话网(PSTN)、其他无线网络、以及可以被用来互连设备和系统的任何其他网络拓扑。许多设备和系统包括非易失性数据存储库,诸如硬盘驱动和/或非易失性存储器。一些设备和系统可以使用单独的非易失性数据存储(例如,服务器(190)利用非易失性数据存储库(190A),并且大型计算机(182)利用非易失性数据存储库(182A)。非易失性数据存储库(182A)可以是在各种设备和系统外部或者可以在设备和系统之一内部的组件。
被采用来支持人工智能平台(150)的(多个)设备和(多个)系统可以采取许多形式,其中一些在图1中被示出。例如,信息处理系统可以采取台式机、服务器、便携式计算机、膝上型计算机、笔记本计算机或其他形状的计算机或数据处理系统的形式。此外,(多个)设备和(多个)系统可以采取其他形式,诸如个人数字助理(PDA)、游戏设备、ATM机、便携式电话设备、通信设备或包括处理器和存储器的其他设备。
在本领域中将应用程序接口(API)理解为两个或更多个应用之间的软件中介。关于图1中所示和所述的AI平台(150),可以利用一个或多个API来支持工具(152)-(156)中的一个或多个及其关联功能性。参考图3,提供了框图(300),其图示了工具(352)-(356)及其关联的API。如所示,多个工具被嵌入在AI平台(305)内,其中工具包括与API0(312)相关联的在此处被示为(352)的数据管理器(152),与API1(322)相关联的在此处被示为(354)的ML管理器(154),以及与API2(332)相关联的在此处被示为(356)的推荐引擎(156)。每个API可以以一种或多种语言和接口规范来实现。API0(312)提供功能支持以收集和整理跨两个或更多个域的活动数据;API1(322)为ML和监督学习提供功能支持,以进行与所收集和整理的活动数据相对应的概率评定;并且API2(332)提供功能支持以动态地优化和编排旅行调度推荐,以最小化风险并最大化奖励。如所示,API(312)、(322)和(332)中的每一个都操作地耦合到API编排器(360),其也被称为编排层,其在本领域中被理解为用作将单独的API透明地线程连接在一起的抽象层。在一个实施例中,单独的API的功能性可以被结合或组合。因此,本文中所示的API的配置不应被认为是限制性的。因此,如本文中所示,工具的功能性可以由其们相应的API来体现或支持。
参考图4,提供了流程图(400),其图示了用于使活动数据相关并且评定跨活动的概率的编排的功能性。对域进行限定,并从限定的域中收集数据(402)。在一个实施例中,域由成员组成,并且包括用于域成员的多个电子邮件地址和对应的电子日历。尽管本文描述的过程被应用于单个域,但是应当理解,可以配置或限定多个域以用于监督学习和决策制定。如图1中所示和所述,ML算法被利用来实施监督学习,并且更具体地,实施用于调度的概率评定(404)。参考图2并且在步骤(404)处,ML算法为每个域生成多类别分类模型,其在下文中被称为模型。模型组织针对对应域所收集的数据,其中模型中的条目反映了由所应用的ML算法评定的概率值。在一个实施例中,在对应域中的数据被修改的时候,例如在新的电子邮件被接收、日历条目被改变、域中的成员资格被修改等等的时候,模型被动态地修订。因此,ML算法从域线程中提取数据并实施对应的概率评定。
推荐引擎有两个输入源,包括如图2中所示和所述的以分类模型(406)的形式来自概率评定的输出以及从多个辅助数据源接收或获取的辅助数据(408)。在一个实施例中,从多个域中收集辅助数据,其在一个实施例中可以独立地操作。关于旅行和旅行调度,辅助数据可以包括航空公司航班价格历史数据(410)、航班路线数据(412)、航班调度数据(414)以及航空公司取消和变更策略数据(416)。推荐引擎从来自概率评定的输出和辅助数据两者中拉取数据(418),并构建软件预订模型(420)。在一个实施例中,在步骤(420)处,推荐引擎基于在步骤(406)和(408)处接收到的参数,为旅行安排和旅行预订创建推荐,诸如购买或等待。选择性地实现旅行安排和预订(422)。在一个实施例中,旅行安排可以具有多个组件,并且选择性的实现使得能够选择少于所有旅行安排组件。类似地,在一个实施例中,选择性的实现被反映在一个或多个旅行组件的购买(例如预订)或等待(例如不预订)中。在另一实施例中,可以采用程序代码或脚本以用于选择性的实现。类似地,在一个实施例中,可以在视觉显示器上呈现旅行安排和组件,其中标记传达关联的推荐。因此,来自推荐的输出被提供来促进对应的旅行安排的实现。
参考图5,提供了流程图(500),其图示了ML算法的动态特性。如所示,来自主要数据源的模型的框架被组织,例如电子邮件线程和电子日历(502)。ML算法计算在一个或多个建议的位置和时间维持会议调度的概率,并将该概率填充到模型中(504)。在步骤(504)处填充的模型和辅助源数据均被使用作为推荐引擎的输入。使用来自推荐引擎的输出,已经被选择性地推荐的旅行住宿的安排被传送(506)。一个或多个推荐住宿的选择被呈现或以其他方式被传达给成员(508),并且确定是否已经选择或预订了任何旅行住宿(510)。以购买动作的形式传达对步骤510处的确定的肯定响应,并且创建并呈现对应的旅行行程的副本,包括预留细节和标识符(512)。另外,在与确认出席调度会议的线程相关联的日历中创建或修改条目(514)。然而,对步骤(510)处的确定的否定响应之后,是ML算法关于主要数据源而进入监听模式,并且在一个实施例中关于辅助数据源而进入监听模式(516)。在一个实施例中,推荐引擎启动脚本以监听与域相关的辅助数据源上的改变。当在主要或辅助数据源(518)或两者中检测到改变时,过程返回到步骤(504)以动态地反映变化并重新评定到模型中的概率。如果未检测到改变,则ML算法继续监听(516)。因此,ML算法监听对主要和辅助数据源的改变。
在步骤(512)处的购买动作可以是也可以不是该过程的结论。应当理解,旅行规划是流动的并且可能会发生变化、取消、修改等。本文中所示的过程反映了这种流动特性。在一个实施例中,直到会议召开之时,ML算法的监听模式作为后台过程都在继续,并且在一个实施例中,推荐引擎的监听脚本作为后台过程都在继续。应当理解,在步骤(516)处的监听包括监测对应的电子邮件线程以检测行程改变,其在一个实施例中可以包括会议的取消,这将取消或重新调度行程中所反映的旅行预留。因此,监听主要和辅助数据源有利于线程监测和概率重新评定。
上文在图1中的系统描述中描述了示例强化学习算法。应当理解,这是示例学习算法,并且因此不应被视为限制性的。在一个实施例中,可以采用备选强化学习算法来优化编排列表或特性数据。来自强化学习算法的输出学习不同状态的值,并生成要执行的动作列表,以使得预期或调度的会议能够完成,同时将风险最小化。选择性地执行来自生成列表的一个或多个动作,以针对所调度的会议达到期望水平的合规。因此,本文所示和所述的强化学习从主要和辅助数据源两者动态地学习不同状态的值,其然后可以被应用来将风险最小化同时强制执行合规。
本文中所示和所述的实施例可以是与智能计算机平台一起使用的计算机系统的形式,以用于提供跨一个或多个域的活动的编排以将风险最小化。工具(152)-(156)的各方面及其关联的功能性可以被体现在单个位置的计算机系统/服务器中,或者在一个实施例中可以在共享计算资源的基于云的系统中被配置。参考图6,框图(600)被提供,其图示了计算机系统/服务器(602)的示例,以下被称为与基于云的支持系统通信的主机(602),以实现以上关于图1-图4描述的系统、工具和过程。主机(602)与许多其他通用或专用计算系统环境或配置一起操作。可以适合与主机(602)一起使用的公知的计算系统、环境和/或配置的示例包括但不限于个人计算机系统、服务器计算机系统、瘦客户端、胖客户端、手持式或笔记本计算机设备、多处理器系统、基于微处理器的系统、机顶盒、可编程消费电子产品、网络PC、小型计算机系统、大型计算机系统和文件系统(例如,分布式存储环境和分布式云计算环境),其包括以上系统、设备及其等效物中的任何一个。
主机(602)可以在由诸如程序模块的计算机系统执行的计算机系统可执行指令的一般上下文中被描述。通常,程序模块可以包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、逻辑、数据结构等。主机(602)可以在分布式云计算环境中被实践,其中任务由通过通信网络链接的远程处理设备来执行。在分布式云计算环境中,程序模块可以位于包括存储器存储设备的本地和远程计算机系统存储介质中。
如图6中所示,以通用计算设备的形式示出主机(602)。主机(602)的组件可以包括但不限于一个或多个处理器或处理单元(604)例如硬件处理器、系统存储器(606)和将包括系统存储器(606)的各种系统组件耦合到处理器(604)的总线(608)。总线(608)表示若干类型的总线结构中的任何一种或多种,包括使用各种总线架构中的任何一种的存储器总线或存储器控制器、外围总线、加速图形端口以及处理器或本地总线。作为示例而非限制,这样的架构包括行业标准架构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线和外围组件互连(PCI)总线。主机(602)通常包括各种计算机系统可读介质。这样的介质可以是主机(602)可访问的任何可用介质,并且其包括易失性和非易失性介质、可移除和不可移除介质。
存储器(606)可以包括易失性存储器形式的计算机系统可读介质,诸如随机存取存储器(RAM)(630)和/或高速缓存存储器(632)。仅作为示例,可以提供存储系统(634)以用于读取和写入不可移除的非易失性磁性介质(未示出并且通常被称为“硬盘驱动”)。尽管未示出,但是可以提供用于读取和写入可移除的非易失性磁盘(例如“软盘”)的磁盘驱动,以及用于读取或写入可移除的非易失性磁盘的光盘驱动,诸如CD-ROM、DVD-ROM或其他光学介质。在这样的实例中,每个都可以通过一个或多个数据介质接口连接到总线(608)。
通过示例而非限制的方式,可以在存储器(606)中存储具有一组(至少一个)程序模块(642)的程序/实用程序(640),以及操作系统、一个或多个应用程序、其他程序模块和程序数据。操作系统、一个或多个应用程序、其他程序模块以及程序数据中的每个或其某种组合可以包括联网环境的实现。程序模块(642)通常执行实施例的功能和/或方法,以动态编排跨一个或多个域的活动以将风险最小化。例如,一组程序模块(642)可以包括如图1中描述的工具(152)-(156)。
主机(602)还可以与一个或多个外部设备(614)通信,诸如键盘、指向设备等;显示器(624);使用户能够与主机交互的一个或多个设备(602);和/或使得主机(602)能够与一个或多个其他计算设备通信的任何设备(例如,网卡、调制解调器等)。这样的通信可以经由(多个)输入/输出(I/O)接口(622)发生。主机(602)还可以经由网络适配器(620)来与一个或多个网络通信,诸如局域网(LAN)、通用广域网(WAN)和/或公共网络(例如,互联网)。如所描绘的,网络适配器(620)经由总线(608)与主机(602)的其他组件通信。在一个实施例中,分布式文件系统(未示出)的多个节点经由I/O接口(622)或经由网络适配器(620)与主机(602)通信。应当理解,虽然未示出,但是其他硬件和/或软件组件可以与主机(602)结合使用。示例包括但不限于:微代码、设备驱动程序、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动和数据档案存储系统等。
在本文档中,术语“计算机程序介质”、“计算机可用介质”和“计算机可读介质”通常被用来一般性地指代诸如主存储器(606)之类的介质,包括RAM(630)、高速缓存(632)和存储系统(634),诸如可移除存储驱动和被安装在硬盘驱动中的硬盘。
计算机程序(也被称为计算机控制逻辑)被存储在存储器中(606)。也可以经由诸如网络适配器(620)之类的通信接口来接收计算机程序。这样的计算机程序在运行时使计算机系统能够执行本文所讨论的本实施例的特征。特别地,计算机程序在运行时使处理单元(604)能够执行计算机系统的特征。因此,这样的计算机程序表示计算机系统的控制器。
计算机可读存储介质可以是有形设备,其可以保留和存储由指令执行设备使用的指令。计算机可读存储介质可以是例如但不限于电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或前述设备的任何合适的组合。计算机可读存储介质的更具体示例的非穷举列表包括以下内容:便携式计算机软盘、硬盘、动态或静态随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、磁存储设备、便携式光盘只读存储器(CD-ROM)、数字多功能磁盘(DVD)、记忆棒、软盘、诸如在上面记录了指令的打孔卡或凹槽中的凸起结构之类的机械编码设备以及上述内容的任何合适的组合。如本文所使用的,计算机可读存储介质不应被解释为是瞬时信号本身,诸如无线电波或其他自由传播的电磁波,通过波导传播的电磁波或其他传输介质(例如,通过光纤电缆的光脉冲)或通过电线传输的电信号。
本文所述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理设备,或者可以经由网络下载到外部计算机或外部存储设备,网络例如互联网、局域网、广域网和/或无线网。网络可以包括铜传输电缆、光传输纤维、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配器卡或网络接口从网络接收计算机可读程序指令,并转发计算机可读程序指令以存储在相应的计算/处理设备内的计算机可读存储介质中。
用于执行本实施例的操作的计算机可读程序指令可以是汇编程序指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据或以一种或多种编程语言的任何组合编写的任一源代码或目标代码,编程语言包括诸如Java、Smalltalk、C++等之类的面向对象的编程语言和诸如“C”编程语言或类似编程语言之类的常规过程编程语言。可以完全在用户计算机上、部分在用户计算机上、作为独立软件包执行、部分在用户计算机上并且部分在远程计算机上、或者完全在远程计算机或服务器或服务器集群上执行计算机可读程序指令。在后一种场景下,远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户的计算机,或者可以与外部计算机进行连接(例如,使用互联网服务提供商通过互联网)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来执行计算机可读程序指令来将电子电路个性化,以便执行实施例的各方面。
在一个实施例中,主机(602)是云计算环境的节点。如本领域中已知的,云计算是服务递送的模型,用于实现对可配置计算资源(例如,网络、网络带宽、服务器、处理、存储器、存储装置、应用、虚拟机和服务)的共享池的方便的按需网络访问,该共享池可以通过最少的管理工作量或最少的与服务供应商的交互而被快速供应和释放。该云模型可以包括至少五个特性、至少三个服务模型和至少四个部署模型。这样的特性的示例如下:
按需自助式服务:云的消费者在无需与服务提供者进行人为交互的情况下能够单方面自动地按需部署诸如服务器时间和网络存储等的计算能力。
广泛的网络接入:计算能力可以通过标准机制在网络上获取,这种标准机制有利于通过不同种类的瘦客户机平台或厚客户机平台(例如移动电话、膝上型电脑、个人数字助理PDA)对云的使用。
资源池:提供者的计算资源被归入资源池并通过多租户(multi-tenant)模式服务于多重消费者,其中按需将不同的实体资源和虚拟资源动态地分配和再分配。一般情况下,消费者不能控制或甚至并不知晓所提供的资源的确切位置,但可以在较高抽象程度上指定位置(例如国家、州或数据中心),因此具有位置无关性。
迅速弹性:能够迅速、有弹性地(有时是自动地)部署计算能力,以实现快速扩展,并且能迅速释放来快速缩小。在消费者看来,用于部署的可用计算能力往往显得是无限的,并能在任意时候都能获取任意数量的计算能力。
可测量的服务:云系统通过利用适于服务类型(例如存储、处理、带宽和活跃用户帐号)的某种抽象程度的计量能力,自动地控制和优化资源效用。可以监测、控制和报告资源使用情况,为服务提供者和消费者双方提供透明度
服务模型如下:
软件即服务(SaaS):向消费者提供的能力是使用提供者在云基础架构上运行的应用。可以通过诸如网络浏览器的瘦客户机接口(例如基于网络的电子邮件)从各种客户机设备访问应用。除了有限的特定于用户的应用配置设置外,消费者既不管理也不控制包括网络、服务器、操作系统、存储、乃至单个应用能力等的底层云基础架构。
平台即服务(PaaS):向消费者提供的能力是在云基础架构上部署消费者创建或获取的应用,这些应用利用提供者支持的程序设计语言和工具创建。消费者既不管理也不控制包括网络、服务器、操作系统或存储的底层云基础架构,但对其部署的应用具有控制权,对应用托管环境配置可能也具有控制权。
基础架构即服务(IaaS):向消费者提供的能力是消费者能够在其中部署并运行包括操作系统和应用的任意软件的处理、存储、网络和其他基础计算资源。消费者既不管理也不控制底层的云基础架构,但是对操作系统、存储和其部署的应用具有控制权,对选择的网络组件(例如主机防火墙)可能具有有限的控制权。
部署模型如下:
私有云:云基础架构单独为某个组织运行。云基础架构可以由该组织或第三方管理并且可以存在于该组织内部或外部。
共同体云:云基础架构被若干组织共享并支持有共同利害关系(例如任务使命、安全要求、政策和合规考虑)的特定共同体。共同体云可以由共同体内的多个组织或第三方管理并且可以存在于该共同体内部或外部。
公共云:云基础架构向公众或大型产业群提供并由出售云服务的组织拥有。
混合云:云基础架构由两个或更多部署模型的云(私有云、共同体云或公共云)组成,这些云依然是独特的实体,但是通过使数据和应用能够移植的标准化技术或私有技术(例如用于云之间的负载平衡的云突发流量分担技术)绑定在一起。
云计算环境是面向服务的,特点集中在无状态性、低耦合性、模块性和语意的互操作性。云计算的核心是包含互连节点网络的基础架构。
现在参考图7示出说明性云计算网络(700)。如所示,云计算网络(700)包括具有一个或多个云计算节点(710)的云计算环境(750),云消费者所使用的本地计算设备可以与一个或多个云计算节点(710)进行通信。这些本地计算设备的示例包括但不限于个人数字助理(PDA)或蜂窝电话(754A)、台式计算机(754B)、膝上型计算机(754C)和/或汽车计算机系统(754N)。节点(710)内的个体节点还可以彼此通信。其可以被物理地或虚拟地分组(未示出)在一个或多个网络或其组合中,网络诸如上文所述的私有云、社区云、公共云或混合云。这允许云计算环境(700)提供基础设施、平台和/或软件即服务,云消费者不需要为其而将资源维持在本地计算设备上。应当理解,图7中所示的计算设备(754A-N)的类型仅旨在是说明性的,并且云计算环境(750)可以通过任何类型的网络和/或网络可寻址连接(例如,使用web浏览器)来与任何类型的计算机化设备通信。
现在参考图8,由图7的云计算网络所提供的一组功能抽象层(800)被示出。应当预先理解,图8中所示的组件、层和功能仅旨在是说明性的,并且实施例不限于此。如所描绘的,提供以下的层和对应的功能:硬件与软件层(810)、虚拟化层(820)、管理层(830)和工作负载层(840)。
硬件与软件层(810)包括硬件和软件组件。硬件组件的示例包括大型机,在一个示例中是系统;基于RISC(精简指令集计算机)架构的服务器,在一个示例中是IBM系统;IBM系统;IBM系统;存储装置;网络和联网组件。软件组件的示例包括网络应用服务器软件,在一个示例中是IBM应用服务器软件;以及数据库软件,在一个示例中是IBM数据库软件。(IBM、zSeries、pSeries、xSeries、BladeCenter、WebSphere和DB2是国际商业机器公司在全球许多司法管辖区注册的商标)。
虚拟化层(820)提供抽象层,从该抽象层中可以提供以下虚拟实体的示例:虚拟服务器;虚拟存储装置;包括虚拟专用网络的虚拟网络;虚拟应用和操作系统;以及虚拟客户端。
在一个示例中,管理层(830)可以提供以下功能:资源供应、计量与定价、用户门户、服务层管理以及SLA规划和履行。资源供应提供计算资源和其他资源的动态采购,这些资源被利用来在云计算环境中执行任务。计量与定价在资源在云计算环境内被利用时提供成本跟踪,并且对这些资源的消费进行计费或开票。在一个示例中,这些资源可以包括应用软件许可。安全性为云消费者和任务提供身份验证,并为数据和其他资源提供保护。用户门户为消费者和系统管理员提供对云计算环境的访问。服务层管理提供云计算资源分配和管理,使得所需的服务层被满足。服务层协议(SLA)规划和履行为根据SLA预期未来需求的云计算资源提供预先调度和购买。
工作负载层(840)提供可以利用云计算环境的功能性的示例。可以从该层提供的工作负载和功能的示例包括但不限于:映射和导航;软件开发和生命周期管理;虚拟教室教学递送;数据分析处理;事务处理;和活动编排。
应当理解,本文公开了一种系统、方法、装置和计算机程序产品,以用于评估自然语言输入,检测对应通信中的询问以及用答案和/或支持内容解析检测到的询问。
尽管已经示出和描述了本实施例的特定实施例,但是对于本领域技术人员而言显而易见的是,基于本文的教导,可以进行改变和修改而不脱离实施例及其更广泛的方面。因此,所附权利要求将在其范围内包含所有在实施例的真实精神和范围内的这种改变和修改。此外,应当理解,实施例仅由所附权利要求书限定。本领域技术人员将理解,如果特定数目的被引入的权利要求元素是被预期的,则将在权利要求中明确地记载这种意图,并且在没有这种记载的情况下,则不存在这种限制。为了帮助理解,作为非限制性示例,以下所附权利要求包含使用引入性短语“至少一个”和“一个或多个”以引入权利要求元素。但是,这样的短语的使用不应被解释为暗示不定冠词“一”或“一个”对权利要求元素的引入将包含该被引入的权利要求元素的任何特定权利要求限制为仅包含一个这样的元素的实施例,即使当相同的权利要求包括引入性短语“一个或多个”或“至少一个”以及诸如“一”或“一个”之类的不定冠词;在定冠词的权利要求中的使用也是如此。
本实施例可以是系统、方法和/或计算机程序产品。另外,本实施例的选定方面可以采取以下形式:完全硬件实施例、完全软件实施例(包括固件、常驻软件、微代码等)或组合软件和/或硬件方面的实施例,其在本文中通常全都被称为“电路”、“模块”或“系统”。此外,本实施例的各方面可以采取计算机程序产品的形式,该计算机程序产品体现在计算机可读存储介质中,在其上具有用于使处理器执行本实施例的各方面的计算机可读程序指令。如此体现的所公开的系统、方法和/或计算机程序产品可操作来改进人工智能平台的功能性和操作,以解决旅行活动和会议调度的编排。
在本文中参考根据实施例的方法、装置(系统)和计算机程序产品的流程图图示和/或框图描述了本实施例的各方面。将理解,流程图图示和/或框图的每个框以及流程图图示和/或框图中的框的组合可以通过计算机可读程序指令来实现。
可以将这些计算机可读程序指令提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器以产生机器,使得经由计算机或其他处理器执行可编程数据处理设备执行的所述指令创建用于实现流程图和/或框图的一个或多个框中指定的功能/动作的装置。这些计算机可读程序指令还可以被存储在计算机可读存储介质中,该计算机可读存储介质可以指导计算机、可编程数据处理装置和/或其他设备以特定方式起作用,使得其中存储有指令的计算机可读存储介质包括制品,该制品包括实现流程图和/或框图的一个或多个框中指定的功能/动作的各方面的指令。
计算机可读程序指令还可以被加载到计算机、其他可编程数据处理装置或其他设备上,以使得在计算机、其他可编程装置或其他设备上执行一系列操作步骤以产生计算机实现的处理,使得在计算机、其他可编程装置或其他设备上执行的指令实现流程图和/或框图的一个或多个框中指定的功能/动作。
附图中的流程图和框图图示了根据本实施例的各个实施例的系统、方法和计算机程序产品的可能实现的架构、功能性和操作。就这一点而言,流程图或框图中的每个框可以表示指令的模块、片段或部分,其包括用于实现指定的(多个)逻辑功能的一个或多个可执行指令。在一些备选实现中,框中指出的功能可以不按图中指出的次序发生。例如,取决于所涉及的功能性,实际上可以基本上同时执行连续示出的两个框,或者有时可以以相反的次序执行这些框。还应注意,框图和/或流程图图示的每个框以及框图和/或流程图图示中的框的组合可以由实现专用硬件和计算机指令的组合或执行指定功能或动作的基于硬件的专用系统来实现。
应当理解,尽管本文出于说明的目的已经描述了特定实施例,但是可以在不脱离实施例的精神和范围的情况下进行各种修改。因此,实施例的保护范围仅由所附权利要求及其等同物限制。
Claims (14)
1.一种系统,包括:
处理单元,所述处理单元操作地耦合到存储器;
人工智能平台,所述人工智能平台与所述处理单元通信,所述平台用以跨两个或更多个域监测和评估数据并且使风险最小化,所述人工智能平台包括:
数据管理器,用以:从跨两个或更多个域的一个或多个主要数据源中提取特征,并且标识所提取的所述特征内的活动数据;
机器学习(ML)管理器,用以:动态地标识所述活动数据内的特征,用所标识的所述特征创建一个或多个模型,并且测量域活动影响,包括基于所测量的所述影响来计算风险概率;
推荐引擎,用以:从所计算的所述风险概率生成策略,并且基于所生成的所述策略来编排一个或多个合规活动;并且
所述处理单元用以遵从所述编排选择性地执行一个或多个经编码的动作。
2.根据权利要求1所述的系统,还包括所述推荐引擎用以:基于所计算的所述风险概率,采用强化学习来计算奖励。
3.根据权利要求2所述的系统,还包括所述推荐引擎用以:生成策略,以利用所述计算来跨两个或更多个域使风险最小化并且使奖励最大化。
4.根据权利要求1所述的系统,还包括所述数据管理器用以:检测线程活动,并且用线程活动数据动态地更新对应的活动数据。
5.根据权利要求4所述的系统,还包括所述ML管理器用以:将动态地更新的所述活动数据动态地合并到相关的所述模型中的一个或多个模型中,包括用更新的所述活动数据来重新评定域活动影响的测量以及基于所测量的所述影响来重新计算风险概率。
6.根据权利要求2所述的系统,还包括所述推荐引擎用以:利用一个或多个辅助数据源来获取辅助数据,以及将所获取的所述辅助数据合并到所述强化学习计算中。
7.一种用于跨两个或更多个域监测和评估数据并且使风险最小化的方法,所述方法包括:
从跨两个或更多个域的一个或多个主要数据源中提取特征,并且标识所提取的所述特征内的活动数据;
动态地标识所述活动数据内的特征,用所标识的所述特征创建一个或多个模型,并且测量域活动影响,包括基于所测量的所述影响来计算风险概率;
从所计算的所述风险概率生成策略,并且基于所生成的所述策略来编排一个或多个合规活动;以及
遵从所述编排,选择性地执行一个或多个经编码的动作。
8.根据权利要求7所述的方法,还包括:基于所计算的所述风险概率,采用强化学习来计算奖励。
9.根据权利要求8所述的方法,还包括:生成策略,以利用所述计算来跨两个或更多个域使风险最小化并且使奖励最大化。
10.根据权利要求7所述的方法,还包括:检测线程活动,并且用线程活动数据动态地更新对应的活动数据。
11.根据权利要求10所述的方法,还包括:将动态地更新的所述活动数据动态地合并到相关的所述模型中的一个或多个模型中,包括用更新的所述活动数据来重新评定域活动影响的测量以及基于所测量的所述影响来重新计算风险概率。
12.根据权利要求8所述的方法,还包括:利用一个或多个辅助数据源来获取辅助数据,以及将所获取的所述辅助数据合并到所述强化学习计算中。
13.一种用以跨两个或更多个域监测和评估数据并且使风险最小化的计算机程序产品,所述计算机程序产品包括计算机可读存储介质,所述计算机可读存储介质具有通过其被体现的程序代码,所述程序代码由处理器可执行以执行权利要求7至12中任一项所述的方法中的动作。
14.一种计算机系统,包括用以执行根据权利要求7至12中任一项所述的方法的步骤的模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/418,367 US11321634B2 (en) | 2019-05-21 | 2019-05-21 | Minimizing risk using machine learning techniques |
US16/418,367 | 2019-05-21 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985755A true CN111985755A (zh) | 2020-11-24 |
Family
ID=73441804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010374431.XA Pending CN111985755A (zh) | 2019-05-21 | 2020-05-06 | 使用机器学习技术使风险最小化 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11321634B2 (zh) |
CN (1) | CN111985755A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395272A (zh) * | 2021-01-20 | 2021-02-23 | 鹏城实验室 | 通信算法数据库构建方法、分布式机器装置和存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4007977A4 (en) * | 2019-08-01 | 2023-05-03 | Telefonaktiebolaget Lm Ericsson (Publ) | PROCEDURES FOR RISK MANAGEMENT FOR AUTONOMOUS DEVICES AND ASSOCIATED NODES |
US11601516B2 (en) * | 2021-07-30 | 2023-03-07 | Zoom Video Communications, Inc. | Dynamic alteration of notification preferences within a communication platform |
US20230036178A1 (en) * | 2021-07-30 | 2023-02-02 | Zoom Video Communications, Inc. | Detecting user engagement and generating join recommendations |
WO2023097353A1 (en) * | 2021-12-03 | 2023-06-08 | Batnav Pty Ltd | A method for curating information |
CN114969651B (zh) * | 2022-07-28 | 2022-10-25 | 成都乐超人科技有限公司 | 基于大数据ai技术的智能风控体系构建方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142679A (zh) * | 2013-05-09 | 2014-11-12 | 洛克威尔自动控制技术股份有限公司 | 使用大数据进行的用于工业系统的风险评估 |
US9667611B1 (en) * | 2014-03-31 | 2017-05-30 | EMC IP Holding Company LLC | Situationally aware authentication |
CN107992982A (zh) * | 2017-12-28 | 2018-05-04 | 上海氪信信息技术有限公司 | 一种基于深度学习的非结构化数据的违约概率预测方法 |
CN108197251A (zh) * | 2017-12-29 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 一种大数据运行维护分析方法、装置及服务器 |
CN109496320A (zh) * | 2016-01-27 | 2019-03-19 | 伯尼塞艾公司 | 具有架构师模块的人工智能引擎 |
US20190138719A1 (en) * | 2018-12-27 | 2019-05-09 | Salmin Sultana | Methods and apparatus for detecting a side channel attack using a cache state |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5948040A (en) | 1994-06-24 | 1999-09-07 | Delorme Publishing Co. | Travel reservation information and planning system |
US8301550B2 (en) | 2000-05-08 | 2012-10-30 | Smart Options, Llc | Method and system for reserving future purchases of goods or services |
US7962354B2 (en) | 2003-06-06 | 2011-06-14 | Orbitz Llc | Booking engine for booking airline tickets on multiple host environments |
US20080103804A1 (en) * | 2006-10-31 | 2008-05-01 | Bank Of America | Country assessment |
US9092801B2 (en) | 2011-09-23 | 2015-07-28 | 24/7 Customer, Inc. | Customer journey prediction and resolution |
EP2840543A1 (en) | 2013-08-20 | 2015-02-25 | Amadeus S.A.S. | Contextualized travel offers |
DK179049B1 (en) | 2016-06-11 | 2017-09-18 | Apple Inc | Data driven natural language event detection and classification |
US20180032918A1 (en) | 2016-07-26 | 2018-02-01 | Ncr Corporation | Automated booking systems and methods |
US10812495B2 (en) * | 2017-10-06 | 2020-10-20 | Uvic Industry Partnerships Inc. | Secure personalized trust-based messages classification system and method |
US10733668B2 (en) * | 2018-01-30 | 2020-08-04 | PointPredictive Inc. | Multi-layer machine learning classifier |
US10977654B2 (en) * | 2018-06-29 | 2021-04-13 | Paypal, Inc. | Machine learning engine for fraud detection during cross-location online transaction processing |
US10986138B2 (en) * | 2018-11-19 | 2021-04-20 | SOURCE Ltd. | System and method for adaptively determining an optimal authentication scheme |
-
2019
- 2019-05-21 US US16/418,367 patent/US11321634B2/en active Active
-
2020
- 2020-05-06 CN CN202010374431.XA patent/CN111985755A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142679A (zh) * | 2013-05-09 | 2014-11-12 | 洛克威尔自动控制技术股份有限公司 | 使用大数据进行的用于工业系统的风险评估 |
US9667611B1 (en) * | 2014-03-31 | 2017-05-30 | EMC IP Holding Company LLC | Situationally aware authentication |
CN109496320A (zh) * | 2016-01-27 | 2019-03-19 | 伯尼塞艾公司 | 具有架构师模块的人工智能引擎 |
CN107992982A (zh) * | 2017-12-28 | 2018-05-04 | 上海氪信信息技术有限公司 | 一种基于深度学习的非结构化数据的违约概率预测方法 |
CN108197251A (zh) * | 2017-12-29 | 2018-06-22 | 百度在线网络技术(北京)有限公司 | 一种大数据运行维护分析方法、装置及服务器 |
US20190138719A1 (en) * | 2018-12-27 | 2019-05-09 | Salmin Sultana | Methods and apparatus for detecting a side channel attack using a cache state |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395272A (zh) * | 2021-01-20 | 2021-02-23 | 鹏城实验室 | 通信算法数据库构建方法、分布式机器装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11321634B2 (en) | 2022-05-03 |
US20200372397A1 (en) | 2020-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11321634B2 (en) | Minimizing risk using machine learning techniques | |
US10904169B2 (en) | Passing chatbot sessions to the best suited agent | |
US20190392369A1 (en) | Cognitive scheduling for cooperative tasks | |
US20200042947A1 (en) | Intelligent sending of an automatic event invite based on identified candidate content | |
US11295251B2 (en) | Intelligent opportunity recommendation | |
US11386338B2 (en) | Integrating multiple domain problem solving in a dialog system for a user | |
US11386159B2 (en) | Using a dialog system for integrating multiple domain learning and problem solving | |
US10540638B2 (en) | Transferring context with delegation authority | |
US11171825B2 (en) | Context-based resource allocation with extended user concepts | |
US20200175456A1 (en) | Cognitive framework for dynamic employee/resource allocation in a manufacturing environment | |
US20180032926A1 (en) | Redistribution based on real time presence data | |
US11595269B1 (en) | Identifying upgrades to an edge network by artificial intelligence | |
US20230077262A1 (en) | Systems and methods for dynamic chat streams | |
US20200412682A1 (en) | Feedback enabled network curation of relevant content thread | |
US11880390B2 (en) | Cognitive impromptu interaction assistant | |
US20200410387A1 (en) | Minimizing Risk Using Machine Learning Techniques | |
US10929485B1 (en) | Bot search and dispatch engine | |
US20210142259A1 (en) | Evaluating sensor data to allocate workspaces to worker entities based on context and determined worker goals | |
US20200097866A1 (en) | Project resource risk management | |
US20180285793A1 (en) | Patron presence based workforce capacity notification | |
US20180032963A1 (en) | Context Oriented Assessment for Travel Companionship | |
US20210110394A1 (en) | Intelligent automation of self service product identification and delivery | |
US20190392531A1 (en) | Social connection recommendation based on similar life events | |
US11144853B1 (en) | Resource demand management systems and methods | |
US10552000B2 (en) | Network interaction optimization |
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 |