CN112052027A - 一种处理ai任务的方法及装置 - Google Patents
一种处理ai任务的方法及装置 Download PDFInfo
- Publication number
- CN112052027A CN112052027A CN201910491658.XA CN201910491658A CN112052027A CN 112052027 A CN112052027 A CN 112052027A CN 201910491658 A CN201910491658 A CN 201910491658A CN 112052027 A CN112052027 A CN 112052027A
- Authority
- CN
- China
- Prior art keywords
- target
- component
- algorithm
- task
- data
- 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
Images
Classifications
-
- 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)
- Computer Security & Cryptography (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Stored Programmes (AREA)
Abstract
本发明实施例提供一种处理AI任务的方法及装置,该方法包括:确定用户选择的与目标AI任务的类型匹配的目标AI算法组件;获得用户为所述目标AI算法组件所配置的配置信息;基于所述配置信息,通过所述目标AI算法组件进行所述目标AI任务的处理。这样,通过用户选择的与待处理的目标AI任务的类型相匹配的目标AI算法组件来处理AI任务,用户仅需要了解待处理的目标AI任务的类型,而并不需要了解大量的AI算法,能够实现便捷地处理AI任务。
Description
技术领域
本发明实施例涉及人工智能(AI,Artificial Intelligence)技术领域,尤其涉及一种处理AI任务的方法及装置。
背景技术
人工智能是研究和开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的技术。随着人工智能技术的不断发展,AI技术在各行各业得到了广泛应用。
目前的AI算法配置工具中会预先内置当前主流的AI算法,用户可以选择AI算法配置工具中的AI算法来处理相关的AI任务,这里,AI任务是指通过AI算法来对数据进行处理,得到如数据、模型、结果等处理结果。但是,由于AI算法配置工具中所提供的主流的AI算法的数量是非常多的,这就使得用户所需要了解的AI算法的数目也是非常多的,这样,就导致对AI算法不太熟悉的普通用户是无法便捷地实现对所需的AI任务进行处理。
发明内容
有鉴于此,本发明实施例提供一种处理AI任务的方法及装置,通过用户选择的与待处理的AI任务的类型相匹配的目标AI算法组件来处理AI任务,能够实现便捷地处理AI任务。
为解决上述技术问题,本发明实施例提供如下技术方案:
第一方面,本发明实施例提供一种处理AI任务的方法,所述方法包括:确定用户选择的与目标AI任务的类型匹配的目标AI算法组件;获得用户为所述目标AI算法组件所配置的配置信息;基于所述配置信息,通过所述目标AI算法组件进行所述目标AI任务的处理。
第二方面,本发明实施例提供一种处理AI任务的装置,所述装置包括:组件确定单元,用于确定用户选择的与目标AI任务的类型匹配的目标AI算法组件;获得单元,用于获得用户为所述目标AI算法组件所配置的配置信息;任务处理单元,用于基于所述配置信息,通过所述目标AI算法组件进行所述目标AI任务的处理。
第三方面,本发明实施例提供一种计算机可读存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行上述处理AI任务的方法的步骤。
第四方面,本发明实施例提供一种电子设备,所述电子设备包括:至少一个处理器;以及与所述处理器连接的至少一个存储器、总线;其中,所述处理器、存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行上述处理AI任务的方法的步骤。
本发明实施例提供的处理AI任务的方法及装置,若用户需要通过AI算法处理目标AI任务,那么,用户可以选出与目标AI任务的类型匹配的目标AI算法组件,并为该目标AI算法组件配置所需的配置信息,接下来,就可以基于配置信息,通过目标AI算法组件进行目标AI任务的处理。这样,在需要处理AI任务时,用户仅需要了解待处理的目标AI任务的类型,然后选择出与该目标AI任务的类型匹配的AI算法引擎来处理AI任务即可,而并不需要了解大量的AI算法,就能够实现便捷地处理AI任务。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例中的AI算法配置工具的架构示意图一;
图2为本发明实施例中的处理AI任务的方法的流程示意图;
图3为本发明实施例中的AI算法配置工具的架构示意图二;
图4为本发明实施例中的处理AI任务的装置的结构示意图;
图5为本发明实施例中的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
在实际应用中,AI算法配置工具为能够提供AI算法来处理AI任务的工具。
在本发明实施例中,上述AI算法配置工具可以包括集成了多种AI算法组件的平台工具,其中,AI算法组件可以包括AI算法引擎,而AI算法引擎为AI算法组件中内置的算法模块,可以包含多种AI算法,可用于提供处理AI任务所依赖的AI算法及服务。
在实际应用中,AI任务是指利用AI算法来对数据进行处理、分析和挖掘,提取数据中所包含的有价值的信息和经验知识,得到数据、模型、结果等处理结果。示例性地,AI任务可以为对已有数据进行训练得到如预测模型、控制模型等模型,也可以为对已有数据进行数据分析得到如特征数据、特征子集、聚类结果等分析数据,还可以为已有数据对预先训练完成的模型重新进行训练得到所需的新模型。当然,根据用户使用AI算法所对应的业务场景的不同,用户所需要实现的AI任务还可以为其它,如通过建立模型寻求现有问题的解决方案及实现预测。这里,本发明实施例不做具体限定。
为了实现便捷地通过AI算法配置工具来处理AI任务,降低AI算法配置工具的使用门槛,可以对AI算法配置工具中的AI算法组件的进行科学、合理的划分设计。
本申请发明人在处理AI任务的过程中发现:按照AI任务所实际解决问题的层次,可以将AI任务划分为分析任务、预测任务、控制任务以及规划任务这四种通用AI任务。那么,在本发明实施例中,为了实现便捷地通过AI算法配置工具来处理AI任务,降低AI算法配置工具的使用门槛,可以基于上述AI任务的类型来设计AI算法配置工具中内置的AI算法组件,即分别对应于分析任务、预测任务、控制任务以及规划任务,将AI算法配置工具内置的AI算法组件分别划分设计为分析组件、预测组件、控制组件和规划组件这4种类型的通用AI算法组件,这样,就可以实现通用AI算法配置工具,降低AI算法配置工具的使用门槛。
那么,作为示例,本发明实施例提供一种AI算法配置工具,图1为本发明实施例中的AI算法配置工具的架构示意图一,参见图1所示,该AI算法配置工具10可以包括:分析组件101、预测组件102、控制组件103和规划组件104。
下面分别对上述4种类型的通用的AI算法组件进行介绍。
(1)、分析组件,用于处理类型为分析任务的AI任务,例如,对数据进行数据分析得到诸如特征数据、特征子集、聚类结果等分析数据,能够帮助用户快速理解数据。
在实际应用中,分析组件可以实现探索性数据分析(Exploratory DataAnalysis,EDA),从而,分析组件中所聚合的AI算法可以主要集中在统计学领域。示例性地,分析组件中的AI算法引擎可以包含基本的单变量分析、多变量分析、聚类分析、离群点分析等统计学领域的分析算法。
(2)、预测组件,用于处理类型为预测任务的AI任务,例如,对数据进行训练来建立预测模型、使用预先训练出的预测模型进行数据预测得到预测结果等,能够帮助用户快速建立预测模型或得到预测结果。
在实际应用中,预测组件所聚合的AI算法可以主要集中在机器学习领域中。示例性地,预测组件可以包含监督学习算法、自动化机器学习算法等。
(3)、控制组件,用于处理类型为控制任务的AI任务,例如,对数据进行训练建立控制模型、通过实时调整控制模型来对被控设备或被控系统进行优化控制、加载预测组件预先训练完成的预测模型来实现带模型的优化控制等,使得用户能够快速建立起实时的优化控制的应用。这里,控制组件也可以称为优化控制组件。
在实际应用中,控制组件所聚合的AI算法可以主要集中在自动化控制领域。例如,可以借助目前新兴的强化学习技术,尽可能实现比较智能、通用的优化控制算法。
(4)、规划组件,用于实现类型为规划任务的AI任务,例如,加载诸如预测组件预先训练完成的预测模型、控制组件预先训练完成的控制模型等预设模型来定义规划问题、实现规划问题的求解得到最优的规划结果,使得用户能够得到最优的工艺参数等最优的规划结果快速实现规划类AI任务。
在实际应用中,规划组件所聚合的AI算法可主要集中在优化算法领域。
需要说明的是,在实际应用中,根据用户使用AI算法配置工具所需要处理的AI任务复杂程度的不同,上述4种类型的AI算法组件可以单独使用来处理相应类型的AI任务,也可以通过共享和使用AI算法组件处理AI任务所产出的结果来相互协同工作。举例来说,分析组件所产出的分析数据可以作为其它三种AI算法组件的输入数据;预测组件所产出的预测模型可以被控制组件调用来实现带模型的优化控制;规划组件通过引用预测组件所产出的预测模型可以实现机器学习与优化算法的深度融合等,这样,实现了以数据、模型为载体的AI算法组件协同工作,能够使得AI算法配置工具可以最大程度地覆盖较多的AI任务类型,也使得每个AI算法组件的能力可被大幅度增强。
由上述内容可知,按照AI任务的类型来将AI算法配置工具中的AI算法组件划分设计为分析组件、预测组件、控制组件和规划组件,可以实现在将尽可能多的AI算法整合到一个AI算法配置工具上的同时,还能够将用户需要了解的AI算法配置工具内置的AI算法组件的数目控制在4个。这样,用户在使用该AI算法配置工具来处理AI任务的过程中,一方面,由于是根据AI任务的类型来实现对AI算法的合理划分,进而实现对AI算法组件的划分设计,可以实现提供通用化的AI算法组件,那么,AI算法配置工具的用户只需要了解当前业务场景下所需处理的AI任务的类型属于哪种类型,并只需了解4种类型的AI算法组件所能分别处理的AI任务的类型是什么即可,而无需了解每种类型AI算法组件所聚合的各个AI算法是什么,从而,可以大大减少用户所需要了解的AI算法的数目,还可以大幅度降低AI算法配置工具的使用门槛,便于对AI算法不太熟悉的非专业人员来使用,能够提高AI算法配置工具的利用率,降低AI算法配置工具的应用成本;另一方面,更全面合理的AI算法组件设计以及以数据、模型为载体的多种类型的AI算法组件协同工作,不但能够使得不同领域的AI算法可以相互结合,而且可以使得AI算法配置工具整体处理AI任务的能力大幅度提升,有效增加覆盖的场景。
当然,AI算法配置工具除了上述所列出的实现方式外,根据设计的AI算法组件的类型和数量的不同,AI算法配置工具还可以为其它实现方式,这里,本发明实施例不做具体限定。
此外,为了实现一个覆盖场景更为广泛的、通用的AI算法配置工具,可以将能够解决不同类型AI任务的多个AI算法整合到一个AI算法配置工具上,然后,根据各个AI算法所能解决的AI任务的类型,将各个AI算法整合至对应类型的AI算法组件中,也就是说,每种类型AI算法组件中会整合有能够实现同一种AI任务类型的多种AI算法。
基于前述实施例,本发明实施例提供一种处理AI任务的方法,该处理AI任务的方法的执行主体为处理AI任务的装置,可应用于上述AI算法配置工具。在实际应用中,该处理AI任务的方法可以应用于各种类型场景下的需要处理AI任务的场合,例如,使用AI算法训练出的预测模型进行精准的销量预测、使用AI算法对数据进行处理和分析、使用AI算法训练的控制模型来提升良品率、使用AI算法训练的控制模型来减低单位产品的能耗、使用AI算法来解出最优的规划结果等。
那么,图2为本发明实施例中的处理AI任务的方法的流程示意图,参见图2所示,该处理AI任务的方法可以包括:
S201:确定用户选择的与目标AI任务的类型匹配的目标AI算法组件;
具体来说,当用户需要处理目标AI任务时,用户就可以根据该目标AI任务所属的类型,来从AI算法配置工具中预先集成的AI算法组件中,选择出与该目标AI任务的类型所匹配的目标AI算法组件。
在实际应用中,目标AI任务的类型可以包括下列任务类型的一种或多种的组合:分析任务、预测任务、控制任务、规划任务。当然,还可以包括其它的任务类型,这里,本发明实施例不做具体限定。
那么,为了更便捷地通过AI算法配置工具来处理AI任务,目标AI算法组件对应地可以包括下列通用AI算法组件的一种或多种的组合:分析组件、预测组件、控制组件、规划组件。当然,还可以包括其它类型的AI算法组件,这里,本发明实施例对此也不做具体限定。
举例来说,目标AI任务可以为分析光伏产品的良品率、解决物流人员/运输车辆的最佳分配问题、优化控制生产工艺、预测设备的使用寿命、预测产品的销量、规划最优的库存量等。进一步举例来说,当目标AI任务为分析光伏产品的良品率时,目标AI任务的类型为分析任务,则用户选择的目标AI算法组件可以包括分析组件。
在实际应用中,根据用户选择与目标AI任务的类型匹配的目标AI算法组件的实现方式的不同,上述S201可以采用但不限于以下两种方法来实现。
第一种方法,由用户直接输入目标AI任务的类型,然后根据用户输入的目标AI任务的类型来间接确定出匹配的目标AI算法组件。那么,在具体实施过程中,上述S201可以包括:展示用于设置任务类型的控件;响应于用户针对用于设置任务类型的控件的操作,确定用户设置的目标AI任务的类型;根据预先存储的任务类型与算法组件之间的关联关系,确定目标AI任务的类型所关联的AI算法组件;将关联的AI算法组件确定为目标AI算法组件。
作为示例,为了便于用户选择目标AI算法组件,可以通过AI算法配置工具向用户展示用于设置任务类型的控件,例如选择控件、输入控件等,然后,用户就可以根据目标AI任务的类型对该用于设置任务类型的控件进行操作,来设置待处理的目标AI任务的类型。这样,在实际应用中,用户无需了解每个AI算法组件中聚合的AI算法本身,更无需了解每种AI算法组件,只需要知晓待处理的目标AI任务的类型,AI算法配置工具就可以快速便捷地根据用户所设置的目标AI任务的类型自动为用户确定出用于处理该目标AI任务的目标AI算法组件。
具体来说,在设计AI算法配置工具时,可以在AI算法配置工具中预先存储有任务类型与算法组件之间的关联关系。举例来说,该关联关系可以以表格的形式存储在AI算法配置工具中,那么,如表1所示,当用户设置的目标AI任务的类型为分析任务时,则可以确定出关联的AI算法组件为分析组件。
任务类型 | 算法组件 |
分析任务 | 分析组件 |
预测任务 | 预测组件 |
控制任务 | 控制组件 |
规划任务 | 规划组件 |
表1
当然,任务类型与算法组件之间的关联关系还可以为其它形式,本领域技术人员可自行设定,本发明实施例不做具体限定。
第二种方法,无需用户设置目标AI任务的类型,而是由用户直接选择出与目标AI任务的类型匹配的目标AI算法组件。那么,在具体实施过程中,上述S201可以包括:展示多个AI算法组件各自对应的控件;响应于用户针对多个AI算法组件各自对应的控件的选择操作,确定用户选择的控件;将用户选择的控件所对应的AI算法组件确定为目标AI算法组件。
举例来说,为了便于用户选择目标AI算法组件,可以通过AI算法配置工具向用户展示多个AI算法组件各自对应的控件,然后,用户就可以通过对多个AI算法组件各自对应的控件进行选择操作,如用户可以从多个控件中选中目标控件并将目标控件拖入AI算法配置画布中,这样,通过用户选择的控件就可以选择出目标AI算法组件。从而,在实际应用中,用户无需了解每个AI算法组件中聚合的AI算法本身,只需要知晓每种AI任务类型所对应的AI算法组件,就可以通过多个AI算法组件各自对应的控件对快速便捷地选择出用于实现目标AI任务的目标AI算法组件。
当然,除了上述列出的两种实现方法外,用户还可以通过其它方法来根据AI任务的类型来从AI算法配置工具内置的AI算法组件中确定出目标AI算法组件。这里,本发明实施例不做具体限定。
S202:获得用户为目标AI算法组件所配置的配置信息;
这里,配置信息是指运行目标AI算法组件来处理目标AI任务所需要的信息。示例性地,配置信息可以包括待处理的用于输入目标AI算法组件的输入数据本身,也可以包括数据源,其中,数据源能够指示如何获取输入数据。当然,还可以包括其它,例如运行AI算法组件所需的配置数据,如用于定义AI算法组件中的AI算法的输入部分的算法参数、用于定义该AI算法的输出部分的算法参数、多个AI算法组件之间的依赖关系等,这里,本发明实施例不做具体限定。
S203:基于配置信息,通过目标AI算法组件进行目标AI任务的处理。
具体来说,在用户选择出目标AI算法组件,并为该目标AI算法组件配置了相应的配置信息后,AI算法配置工具就可以根据该配置信息运行目标AI算法组件来处理该目标AI任务。
在具体实施过程中,为了实现处理AI任务,上述S203可以包括以下步骤2031~2032:
步骤2031:基于配置信息,获取待处理的输入数据;
步骤2032:通过目标AI算法组件处理输入数据,以实现进行目标AI任务的处理。
作为示例,根据目标AI算法组件所处理的输入数据的来源的不同,该输入数据可以为来自预设数据源的原始数据,如被控系统上传的历史数据、云平台中的存储的数据等,也可以为AI算法配置工具中其它AI算法组件进行AI任务的处理所得到的数据、模型、结果等信息,如可以将分析组件对数据进行数据分析所得到的分析数据可以作为预测组件的输入数据来建立预测模型,当然,还可以为其它,如用户输入的实时数据、被控系统实时传入的应用数据、数据存储中心预存的数据等,这里,本发明实施例不做具体限定。
在实际应用中,根据目标AI任务的业务场景的不同,输入数据的类型也是不同的。举例来说,当业务场景为工业制造领域时,输入数据可以为设备数据、产品数据、生产工艺数据等;当业务场景为生态环境领域时,输入数据可以为环境数据,如气温、风力、气压、降水等;当业务场景为城市生活领域时,输入数据可以为位置数据、交通数据、配送数据等。当然,还可以为其它,这里,本发明实施例不做具体限定。
作为示例,以通过数据源来指示如何获取AI算法组件待处理的输入数据为例,那么,在具体实施过程中,上述步骤2031可以包括:从配置信息中,确定用户配置的数据源;从数据源读取输入数据。
在实际应用中,根据业务场景的不同,目标AI任务可以为仅通过单独的AI算法组件就能够独立实现的AI任务,也可以为需通过多个AI算法组件协作才能够实现的AI任务。从而,根据目标AI任务的不同,用户对应选择的目标AI算法组件的类型和数量也是不同的,进而,通过目标AI算法组件处理AI任务的过程也是不同的。那么,在具体实施过程中,上述步骤2032可以采用但不限于以下几种方法来实现。
实现方式一,当目标AI任务的类型为分析任务,则用户选择的目标AI算法组件可以包括分析组件,那么,上述步骤2032就可以包括:通过目标AI算法组件包括的分析组件,对输入数据进行数据分析,获得分析数据。
具体来说,为了实现对目标AI任务的处理,在获得待处理的输入数据后,就可以将输入数据输入至目标AI算法组件包括的分析组件,以通过该分析组件中的AI算法来对该数据数据进行数据分析这一处理过程,这样,就可以得到分析数据。
实现方式二,当目标AI任务的类型为预测任务,则用户选择的目标AI算法组件可以包括预测组件,那么,上述步骤2032可以包括:通过目标AI算法组件包括的预测组件,对输入数据进行训练,获得预测模型。
具体来说,为了实现对目标AI任务的处理,在获得待处理的输入数据后,就可以将输入数据输入至目标AI算法组件包括的预测组件,以通过该预测组件中的AI算法对输入数据进行训练这一处理过程,可以建立出预测模型,这样,就可以得到预测模型。
在本发明其它实施例中,以目标AI任务为先进行建立模型后进行数据预测为例,那么,在通过目标AI算法组件包括的预测组件获得预测模型之后,上述方法还可以包括:获得用户输入的新数据;基于预测模型对新数据进行数据预测,获得预测结果。
具体来说,为了实现对目标AI任务的处理,在获得待处理的新数据后,就可以将新数据输入至目标AI算法组件包括的预测组件,以通过该预测组件训练完成的预测模型来对新数据进行数据预测这一处理过程,这样,可以得到预测结果。
实现方式三,当目标AI任务的类型为控制任务,则用户选择的目标AI算法组件可以包括控制组件,那么,上述步骤2032可以包括:通过目标AI算法组件包括的控制组件,对输入数据进行训练,获得控制模型。
具体来说,为了实现对目标AI任务的处理,在获得待处理的输入数据后,就可以将输入数据输入至目标AI算法组件包括的控制组件,以通过该控制组件中的AI算法对输入数据进行训练这一处理过程,这样,可以得到控制模型。其中,控制模型可用于对被控设置/被控系统进行优化控制。
在本发明其它实施例中,为了提高控制模型的优化控制效果,在获得控制模型后,上述方法还可以包括:通过控制模型对被控设备/被控系统进行优化控制,获得对应的实时应用数据;基于实时应用数据,对控制模型进行调整,获得调整后的控制模型。
作为示例,当通过目标AI算法组件包括的控制组件获得的控制模型来对被控设备/被控系统进行优化控制时,为了提高控制模型的优化控制效果,可以通过控制模型对被控设备/被控系统进行优化控制,再获取到被控设备/被控系统实时运行所产生的实时应用数据,然后通过被控设备/被控系统所产生的实时应用数据对控制模型进行调整更新,得到调整后的控制模型,这样,基于该调整后的控制模型对被控设备/被控系统进行优化控制,就可以实现更好的优化控制效果。
这里,实时应用数据是指使用目标AI算法组件包括的控制组件所产生的控制模型对被控设备/被控系统进行优化控制所生成的数据。在实际应用中,实时应用数据可以由用户输入至AI算法配置工具,也可以由被控系统/被控设备输入至AI算法配置工具。
实现方式四,当目标AI任务的类型为规划任务,则用户选择的目标AI算法组件可以包括规划组件,那么,上述步骤2032可以包括:通过目标AI算法组件包括的规划组件加载预设模型,其中,预设模型为目标AI算法组件包括的预测组件预先训练完成的预测模型、目标AI算法组件包括的控制组件预先训练完成的控制模型、用户预先输入的数学模型中的一种;采用优化算法将预设模型抽象成规划模型;通过规划模型对输入数据进行自动寻优,获得最优的规划结果。
在实际应用中,根据实际应用场景的不同,上述预设模型可以为目标AI算法组件包括的预测组件预先训练完成的预测模型,也可以为目标AI算法组件包括的控制组件预先训练完成的控制模型,当然,还可以为其它,如用户输入的数学模型等,这里,本发明其它实施例不做具体限定。
实现方式五,当目标AI任务需要通过分析组件和预测组件协同工作才能实现时,则用户选择的AI算法组件除了可以包括分析组件外,还可以包括预测组件,那么,基于实现方式一,在具体实施过程中,在通过目标AI算法组件包括的分析组件获得分析数据之后,上述方法还可以包括:通过目标AI算法组件包括的预测组件,对分析数据进行训练得到预测模型;或者,基于预测组件预先训练完成的预测模型,对分析数据进行数据预测得到预测结果。
作为示例,若目标AI任务为:先对输入数据进行数据分析得到分析数据,再对分析数据进行训练得到预测模型,那么,为了得到预测模型,从AI算法配置工具中所确定出的目标AI算法组件可以包括分析组件和预测组件。具体来说,首先,可以先将待处理的输入数据输入至分析组件,以通过分析组件对输入数据进行数据分析得到分析数据,如特征数据、特征子集等,然后,再将分析数据输入至预测组件,以通过预测组件对分析数据进行训练,这样,就可以得到所需的预测模型。
作为示例,若目标AI任务为:先对输入数据进行数据分析得到分析数据,再对分析数据进行数据预测得到预测结果,那么,为了得到预测结果,从AI算法配置工具中所确定出的目标AI算法组件仍然可以包括分析组件和预测组件。具体来说,在通过分析组件对输入数据进行数据分析得到分析数据之后,就可以加载预测组件预先训练完成的预测模型来对分析数据进行数据预测,这样,就可以得到所需的预测结果。
实现方式六,当目标AI任务需要通过分析组件和控制组件协同工作才能实现时,则用户选择的目标AI算法组件除了可以包括分析组件外,还可以包括控制组件,那么,基于实现方式一,在具体实施过程中,在通过目标AI算法组件包括的分析组件获得分析数据之后,上述方法还可以包括:通过目标AI算法组件包括的控制组件,对分析数据进行训练得到控制模型;或者,基于分析数据,对控制组件预先训练完成的控制模型进行调整,获得调整后的控制模型。
作为示例,若目标AI任务为:先对输入数据进行数据分析得到分析数据,再对分析数据进行训练得到控制模型,那么,为了得到控制模型,用户从AI算法配置工具中所选择的目标AI算法组件可以包括分析组件和控制组件。具体来说,首先,可以先将待处理的输入数据输入至分析组件,以通过分析组件对输入数据进行数据分析得到分析数据,如特征数据、特征子集等,然后,再将分析数据输入至控制组件,以通过控制组件对分析数据进行训练,这样,就可以得到所需的控制模型。
作为示例,若目标AI任务为:先对输入数据进行数据分析得到分析数据,再根据分析数据来调整控制模型,那么,为了得到效果更好的控制模型,用户从AI算法配置工具中所选择的目标AI算法组件可以包括分析组件和控制组件。具体来说,在通过分析组件对输入数据进行数据分析得到分析数据之后,就可以加载控制组件预先训练完成的控制模型,然后根据分析数据对该控制模型进行调整,这样,就可以得到所需的调整后的控制模型。
实现方式七,为了更快速地得到控制模型,目标AI任务可以通过控制组件和预测组件协同工作来实现,此时,用户选择的目标AI算法组件除了可以包括控制组件外,还可以包括预测组件,那么,基于实现方式二和实现方式三,在具体实施过程中,在通过目标AI算法组件包括的预测组件获得预测模型后,上述通过目标AI算法组件包括的控制组件,对输入数据进行训练,获得控制模型的步骤可以包括:通过控制组件加载目标AI算法组件包括的预测组件预先训练完成的预测模型;通过控制组件使用输入数据对预测组件预先训练完成的预测模型进行重新训练,获得控制模型。
当然,除了上述所列出的实现方法外,还可以有其它实现方法,如用户所选择的目标AI算法组件包括三种AI算法组件,由该三种AI算法组件协同工作来处理AI任务,这里,本发明实施例不做具体限定。
在本发明其它实施例中,为了提升用户体验,在上述S203之后,上述方法还可以包括:输出目标AI算法组件处理目标AI任务所得到的以下信息中的一种或多种:数据、结果、模型。
在实际应用中,为了便于用户查看目标AI算法组件处理目标AI任务所得到上述信息,提升用户体验,输出的方式可以为通过可视化方式将上述信息展示给用户,例如通过可视化方式展示目标AI算法组件包括的分析组件处理AI任务所得到的分析数据/目标AI算法组件包括的预测组件处理AI任务所得到的预测结果/目标AI算法组件包括的规划组件处理AI任务所得到的最优的规划结果等;为了便于各个AI算法组件之间协作处理,使得在最大程度上实现能够处理更多类型的AI任务,输出上述信息的方式可以为将上述信息存储至各个AI算法组件所共享的存储空间中;为了便于快速完成对AI任务进行的处理过程,当用户选择的目标AI算法组件的数量为多个时,输出上述信息的方式也可以为上游AI算法组件将其得到的信息直接发送给下游AI算法组件,例如,目标AI算法组件包括的预测组件将得到的预测模型直接发送给目标AI算法组件包括的规划组件进行优化问题的定义和求解、目标AI算法组件包括的分析组件将得到的分析数据直接发送给目标AI算法组件包括的预测组件进行训练等。当然,根据实际应用场景的不同,输出上述信息的方式还可以为其它,可由本领域技术人员来自行设定,这里,本发明实施例不做具体限定。
至此,便完成了基于用户选择的目标AI算法组件处理AI任务的过程。
由上述内容可知,本发明实施例提供的处理AI任务的方法,在用户需要处理目标AI任务的过程中,在确定出用户选择的与目标AI任务的类型匹配的目标AI算法组件,并获得用户为目标AI算法组件所配置的配置信息之后,就可以基于配置信息,通过目标AI算法组件进行目标AI任务的处理。这样,在处理AI任务的过程中,用户仅需要了解待处理的目标AI任务的类型,然后选择出与该目标AI任务的类型匹配的目标AI算法组件来处理AI任务即可,而并不需要了解大量的AI算法,能够实现便捷地处理AI任务,提高处理AI任务的效率,提高用户体验。此外,将该处理AI任务的方法应用于AI算法配置工具时,除了能够实现便捷地处理AI任务之外,还能够减低AI算法配置工具的使用门槛、提高AI算法配置工具的使用效率。
基于前述实施例,为了便于各种AI算法组件之间相互协作来处理AI任务,本发明实施例还提供一种AI算法配置工具,图3为本发明实施例中的AI算法配置工具的架构示意图二,参见图3所示,上述AI算法配置工具10还可以包括:数据存储中心301。
这里,数据存储中心为AI算法配置工具中各种类型的AI算法组件所共享的存储空间,可存储目标AI算法组件处理目标AI任务所得到的以下信息中的一种或多种:数据、结果、模型。
作为示例,该数据存储中心可以用于存储上述4种类型的通用AI算法组件在处理AI任务时所产生的数据、模型、结果等信息,例如数据存储中心可以用于存储控制组件所产生的控制模型、预测组件所产生的预测模型、分析组件所产生的分析数据等;数据存储中心也可以用于向AI算法组件输出其所存储的数据、模型、结果等信息,例如预测组件可以从数据存储中心中读取分析组件所产生的分析数据来进行训练;当然,数据存储中心还可以存储其它数据,如被控设备在生产过程中所产生的历史数据等可输入AI算法组件的输入数据,这里,本发明实施例不做具体限定。
那么,结合上述AI算法配置工具,本发明实施例还提供一种处理AI任务的方法,应用于以下场景:通过数据存储中心来实现AI算法组件能力的共享,并使用4种通用AI算法组件结合数据链路的设计,实现以数据、模型为载体的AI算法组件协同工作来处理AI任务。那么,仍然参见图3所示,上述处理AI任务的方法可以包括:
链路1:分析组件加载输入数据用于探索性数据分析并生成分析数据;
链路2:分析组件将生成的分析数据存放到数据存储中心;
链路3:预测组件加载分析数据用于训练预测模型;
链路4:预测组件将训练完成的预测模型存放到数据存储中心;
链路5:规划组件加载预测模型用于定义优化问题,求解并推荐最优的规划结果;
链路6:控制组件加载分析数据用于训练控制模型;
链路7:控制组件依据传入的实时数据流更新控制模型;
链路8:控制组件将生成的控制模型存放到数据存储中心;
链路9:规划组件加载控制模型用于定义优化问题,求解并推荐最优的规划结果。
举例来说,以通过规划组件处理AI任务为例,假设用户选择的目标AI算法组件包括:分析组件、预测组件、规划组件,那么,基于数据链路1、2、3、4、5的桥梁作用,规划组件立即具备了利用从大数据建立起来的预测模型来定义优化问题的能力,这样,在规划组件处理AI任务的整个过程中,还充分发挥了分析组件、预测组件的能力。或者,假设用户选择的目标AI算法组件包括:分析组件、控制组件、规划组件,那么,也可以基于数据链路1、2、6、8、9的桥梁作用,规划组件具备了利用从大数据建立起来的控制模型来定义优化问题的能力,这样,在规划组件处理AI任务的整个过程中,还充分发挥了分析组件、控制组件的能力。
由上述内容可知,本发明实施例提供的处理AI任务的方法,在用户使用AI算法配置工具中的各个通用AI算法组件处理AI任务的过程中,AI算法配置工具可以通过数据存储中心来实现各通用AI算法组件能力的共享,这样,就可以实现多个AI算法组件协作来处理AI任务,实现了不同领域的AI算法相结合,从而,使得AI算法配置工具整体的AI能力大幅度提升,有效增加AI算法配置工具所能覆盖的应用场景。
基于同一发明构思,作为对上述方法的实现,本发明实施例提供了一种处理AI任务的装置。
在实际应用中,该处理AI任务的装置可应用于上述一个或多个实施例中的AI算法配置工具。其中,该AI算法配置工具可以包括:分析组件、预测组件、控制组件和规划组件。
图4为本发明实施例中的处理AI任务的装置的结构示意图,参见图4所示,该装置40可以包括:组件确定单元401,用于确定用户选择的与目标AI任务的类型匹配的目标AI算法组件;获得单元402,用于获得用户为目标AI算法组件所配置的配置信息;任务处理单元403,用于基于配置信息,通过目标AI算法组件进行目标AI任务的处理。
在本发明实施例中,组件确定单元,用于展示用于设置任务类型的控件;响应于用户针对用于设置任务类型的控件的操作,确定用户设置的目标AI任务的类型;根据预先存储的任务类型与算法组件之间的关联关系,确定目标AI任务的类型所关联的AI算法组件;将关联的AI算法组件确定为目标AI算法组件。
在本发明实施例中,组件确定单元,用于展示多个AI算法组件各自对应的控件;响应于用户针对多个AI算法组件各自对应的控件的选择操作,确定用户选择的控件;将用户选择的控件所对应的AI算法组件确定为目标AI算法组件。
在本发明实施例中,目标AI算法组件可以包括:分析组件、预测组件、控制组件、规划组件中的至少一种。
在本发明实施例中,任务处理单元,用于基于配置信息,获取待处理的输入数据;通过目标AI算法组件处理输入数据,以实现进行目标AI任务的处理。
在本发明实施例中,任务处理单元,用于从配置信息中,确定用户配置的数据源;从数据源读取输入数据。
在本发明实施例中,任务处理单元,用于通过目标AI算法组件包括的分析组件,对输入数据进行数据分析,获得分析数据。
在本发明其它实施例中,上述装置还包括:第一展示单元,用于通过可视化方式展示分析数据。
在本发明实施例中,任务处理单元,还用于通过目标AI算法组件包括的预测组件,对分析数据进行训练得到预测模型;或者,基于预测组件预先训练完成的预测模型,对分析数据进行数据预测得到预测结果。
在本发明实施例中,任务处理单元,用于通过目标AI算法组件包括的控制组件,对分析数据进行训练得到控制模型;或者,基于分析数据,对控制组件预先训练完成的控制模型进行调整,获得调整后的控制模型。
在本发明实施例中,任务处理单元,用于通过目标AI算法组件包括的预测组件,对输入数据进行训练,获得预测模型。
在本发明实施例中,任务处理单元,用于获得用户输入的新数据;基于预测模型对新数据进行数据预测,获得预测结果。
在本发明其它实施例中,上述装置还包括:第二展示单元,用于通过可视化方式展示预测结果。
在本发明实施例中,任务处理单元,用于通过目标AI算法组件包括的控制组件,对输入数据进行训练,获得控制模型。
在本发明实施例中,任务处理单元,用于通过控制模型对被控设备/被控系统进行优化控制,获得对应的实时应用数据;基于实时应用数据,对控制模型进行调整,获得调整后的控制模型。
在本发明实施例中,任务处理单元,用于通过控制组件加载目标AI算法组件包括的预测组件预先训练完成的预测模型;通过控制组件使用输入数据对预测模型进行重新训练,获得控制模型。
在本发明实施例中,任务处理单元,用于通过目标AI算法组件包括的规划组件加载预设模型,其中,预设模型为目标AI算法组件包括的预测组件预先训练完成的预测模型、目标AI算法组件包括的控制组件预先训练完成的控制模型、用户预先输入的数学模型中的一种;采用优化算法将预设模型抽象成规划模型;通过规划模型对输入数据进行自动寻优,获得最优的规划结果。
在本发明其它实施例中,上述装置还包括:展示发送单元,用于展示和/或发送最优的规划结果。
基于同一发明构思,本发明实施例提供一种电子设备。图5为本发明实施例中的电子设备的结构示意图,参见图5所示,该电子设备50包括:至少一个处理器501;以及与处理器501连接的至少一个存储器502、总线503;其中,处理器501、存储器502通过总线503完成相互间的通信;处理器501用于调用存储器502中的程序指令,以执行上述一个或多个实施例中的处理AI任务的方法的步骤。
相应地,基于同一发明构思,本发明实施例还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述一个或多个实施例中的处理AI任务的方法的步骤。
上述处理器可由中央处理器(Central Processing Unit,CPU)、微处理器(MicroProcessor Unit,MPU)、数字信号处理器(Digital Signal Processor,DSP)、或现场可编程门阵列(Field Programmable Gate Array,FPGA)等实现。存储器可能包括计算机可读介质中的非永久性存储器,随机存储器(Random Access Memory,RAM)和/或非易失性内存等形式,如只读存储器(Read Only Memory,ROM)或闪存(Flash RAM),存储器包括至少一个存储芯片。
需要说明的是,在本发明实施例中,如果以软件功能模块的形式实现上述一个或多个实施例中的处理AI任务的方法,并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例方法的全部或部分。
相应地,基于同一发明构思,本发明实施例再提供一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在程序运行时控制存储介质所在设备执行上述一个或多个实施例中的处理AI任务的方法的步骤。
这里需要指出的是:以上装置、电子设备或计算机可读存储介质实施例的描述与前述方法实施例的描述是类似的,具有同方法实施例相似的有益效果,对于本发明装置、电子设备或计算机可读存储介质实施例中未披露的技术细节,请参照本发明方法实施例的描述而理解,为便于阅读,以上装置、电子设备或计算机可读存储介质实施例不再对前述方法实施例中的细节内容进行逐一赘述,但应当明确,以上装置、电子设备或计算机可读存储介质能够对应实现前述方法实施例中的全部内容。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、只读光盘(Compact Disc Read-Only Memory,CD-ROM)、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,RAM和/或非易失性内存等形式,如ROM或Flash RAM。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质可以是ROM、可编程只读存储器(Programmable Read-Only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory,FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘等存储器;也可以是快闪记忆体或其他内存技术、CD-ROM、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息;还可以是包括上述存储器之一或任意组合的各种电子设备,如移动电话、计算机、平板设备、个人数字助理等。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (22)
1.一种处理人工智能AI任务的方法,其特征在于,所述方法包括:
确定用户选择的与目标AI任务的类型匹配的目标AI算法组件;
获得用户为所述目标AI算法组件所配置的配置信息;
基于所述配置信息,通过所述目标AI算法组件进行所述目标AI任务的处理。
2.根据权利要求1所述的方法,其特征在于,所述确定用户选择的与目标AI任务的类型匹配的目标AI算法组件,包括:
展示用于设置任务类型的控件;
响应于用户针对所述用于设置任务类型的控件的操作,确定用户设置的所述目标AI任务的类型;
根据预先存储的任务类型与算法组件之间的关联关系,确定所述目标AI任务的类型所关联的AI算法组件;
将所述关联的AI算法组件确定为所述目标AI算法组件。
3.根据权利要求1所述的方法,其特征在于,所述确定用户选择的与目标AI任务的类型匹配的目标AI算法组件,包括:
展示多个AI算法组件各自对应的控件;
响应于用户针对所述多个AI算法组件各自对应的控件的选择操作,确定用户选择的控件;
将所述用户选择的控件所对应的AI算法组件确定为所述目标AI算法组件。
4.根据权利要求1所述的方法,其特征在于,所述方法应用于AI算法配置工具。
5.根据权利要求1或4所述的方法,其特征在于,所述目标AI算法组件包括:分析组件、预测组件、控制组件、规划组件中的至少一种。
6.根据权利要求5所述的方法,其特征在于,所述基于所述配置信息,通过所述目标AI算法组件进行所述目标AI任务的处理,包括:
基于所述配置信息,获取待处理的输入数据;
通过所述目标AI算法组件处理所述输入数据,以实现进行所述目标AI任务的处理。
7.根据权利要求6所述的方法,其特征在于,所述基于所述配置信息,获取待处理的输入数据,包括:
从所述配置信息中,确定用户配置的数据源;
从所述数据源读取所述输入数据。
8.根据权利要求6所述的方法,其特征在于,所述通过所述目标AI算法组件处理所述输入数据,以实现进行所述目标AI任务的处理,包括:
通过所述目标AI算法组件包括的分析组件,对所述输入数据进行数据分析,获得分析数据。
9.根据权利要求8所述的方法,其特征在于,在所述获得分析数据之后,所述方法还包括:通过可视化方式展示所述分析数据。
10.根据权利要求8所述的方法,其特征在于,在所述获得分析数据之后,所述方法还包括:
通过所述目标AI算法组件包括的预测组件,对所述分析数据进行训练得到预测模型;或者,基于所述预测组件预先训练完成的预测模型,对所述分析数据进行数据预测得到预测结果。
11.根据权利要求8所述的方法,其特征在于,在所述获得分析数据之后,所述方法还包括:
通过所述目标AI算法组件包括的控制组件,对所述分析数据进行训练得到控制模型;或者,基于所述分析数据,对所述控制组件预先训练完成的控制模型进行调整,获得调整后的控制模型。
12.根据权利要求6所述的方法,其特征在于,所述通过所述目标AI算法组件处理所述输入数据,以实现进行所述目标AI任务的处理,包括:
通过所述目标AI算法组件包括的预测组件,对所述输入数据进行训练,获得预测模型。
13.根据权利要求12所述的方法,其特征在于,在所述获得预测模型之后,所述方法还包括:
获得用户输入的新数据;
基于所述预测模型对所述新数据进行数据预测,获得预测结果。
14.根据权利要求13所述的方法,其特征在于,在所述获得预测结果之后,所述方法还包括:通过可视化方式展示所述预测结果。
15.根据权利要求6所述的方法,其特征在于,所述通过所述目标AI算法组件处理所述输入数据,以实现进行所述目标AI任务的处理,包括:
通过所述目标AI算法组件包括的控制组件,对所述输入数据进行训练,获得控制模型。
16.根据权利要求15所述的方法,其特征在于,在所述获得控制模型之后,所述方法还包括:
通过所述控制模型对被控设备/被控系统进行优化控制,获得对应的实时应用数据;
基于所述实时应用数据,对所述控制模型进行调整,获得调整后的控制模型。
17.根据权利要求15所述的方法,其特征在于,所述通过所述目标AI算法组件包括的控制组件,对所述输入数据进行训练,获得控制模型,包括:
通过所述控制组件加载所述目标AI算法组件包括的预测组件预先训练完成的预测模型;
通过所述控制组件使用所述输入数据对所述预测模型进行重新训练,获得所述控制模型。
18.根据权利要求6所述的方法,其特征在于,所述通过所述目标AI算法组件处理所述输入数据,以实现进行所述目标AI任务的处理,包括:
通过所述目标AI算法组件包括的规划组件加载预设模型,其中,所述预设模型为所述目标AI算法组件包括的预测组件预先训练完成的预测模型、所述目标AI算法组件包括的控制组件预先训练完成的控制模型、用户预先输入的数学模型中的一种;
采用优化算法将所述预设模型抽象成规划模型;
通过所述规划模型对所述输入数据进行自动寻优,获得最优的规划结果。
19.根据权利要求18所述的方法,其特征在于,在所述获得最优的规划结果之后,所述方法还包括:
展示和/或发送所述最优的规划结果。
20.一种处理人工智能AI任务的装置,其特征在于,所述装置包括:
组件确定单元,用于确定用户选择的与目标AI任务的类型匹配的目标AI算法组件;
获得单元,用于获得用户为所述目标AI算法组件所配置的配置信息;
任务处理单元,用于基于所述配置信息,通过所述目标AI算法组件进行所述目标AI任务的处理。
21.一种计算机可读存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行如权利要求1至19任一项所述的处理AI任务的方法的步骤。
22.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;
以及与所述处理器连接的至少一个存储器、总线;
其中,所述处理器、存储器通过所述总线完成相互间的通信;所述处理器用于调用所述存储器中的程序指令,以执行如权利要求1至19任一项所述的处理AI任务的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910491658.XA CN112052027A (zh) | 2019-06-06 | 2019-06-06 | 一种处理ai任务的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910491658.XA CN112052027A (zh) | 2019-06-06 | 2019-06-06 | 一种处理ai任务的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112052027A true CN112052027A (zh) | 2020-12-08 |
Family
ID=73609110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910491658.XA Pending CN112052027A (zh) | 2019-06-06 | 2019-06-06 | 一种处理ai任务的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052027A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114927164A (zh) * | 2022-07-18 | 2022-08-19 | 深圳市爱云信息科技有限公司 | 基于aiot平台的样本兼容检测方法、装置、设备与存储介质 |
WO2023198094A1 (zh) * | 2022-04-14 | 2023-10-19 | 维沃移动通信有限公司 | 模型输入的确定方法及通信设备 |
WO2023206048A1 (zh) * | 2022-04-25 | 2023-11-02 | 北京小米移动软件有限公司 | 数据处理方法及系统,ai管理装置及存储介质 |
-
2019
- 2019-06-06 CN CN201910491658.XA patent/CN112052027A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2023198094A1 (zh) * | 2022-04-14 | 2023-10-19 | 维沃移动通信有限公司 | 模型输入的确定方法及通信设备 |
WO2023206048A1 (zh) * | 2022-04-25 | 2023-11-02 | 北京小米移动软件有限公司 | 数据处理方法及系统,ai管理装置及存储介质 |
CN114927164A (zh) * | 2022-07-18 | 2022-08-19 | 深圳市爱云信息科技有限公司 | 基于aiot平台的样本兼容检测方法、装置、设备与存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112052027A (zh) | 一种处理ai任务的方法及装置 | |
Yang et al. | The internet of things for smart manufacturing: A review | |
Lee et al. | Industrial artificial intelligence | |
Brik et al. | Towards predicting system disruption in industry 4.0: Machine learning-based approach | |
Lu | The current status and developing trends of Industry 4.0: A Review | |
Sanin et al. | Experience based knowledge representation for Internet of Things and Cyber Physical Systems with case studies | |
Zheng et al. | SME-oriented flexible design approach for robotic manufacturing systems | |
US10698954B2 (en) | Computation platform agnostic data classification workflows | |
US10108916B2 (en) | Systems and methods for supply chain design and analysis | |
CN110889497B (zh) | 一种人工智能处理器的学习任务编译方法及相关产品 | |
CN110766145A (zh) | 一种人工智能处理器的学习任务编译方法及相关产品 | |
Pérez-Rodríguez et al. | Simulation optimization for a flexible jobshop scheduling problem using an estimation of distribution algorithm | |
Sarangpure et al. | Automating the Machine Learning Process using PyCaret and Streamlit | |
Tongsuksai et al. | Integrating cloud ERP systems with new technologies based on industry 4.0: A systematic literature review | |
Sankar et al. | Prediction of code fault using Naive Bayes and SVM classifiers | |
CN110766146B (zh) | 一种人工智能处理器的学习任务编译方法及相关产品 | |
Gyulai et al. | Scheduling and operator control in reconfigurable assembly systems | |
Chen et al. | Artificial Intelligence and Lean Manufacturing | |
De Carolis et al. | Cyber-physical systems in manufacturing: future trends and research priorities | |
Gu et al. | A distributed physical architecture and data-based scheduling method for smart factory based on intelligent agents | |
Di Orio et al. | Energy efficiency in machine tools-a self-learning approach | |
Matt | Design of a scalable assembly system for product variety: a case study | |
Garouani et al. | Toward an automatic assistance framework for the selection and configuration of machine learning based data analytics solutions in industry 4.0 | |
CN114047729B (zh) | 天然植物加工控制方法、系统、计算机设备和存储介质 | |
KR102375880B1 (ko) | 인공지능 모델 기반의 제조 공정에서의 견적 및 설계도 산출 시스템 |
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 |