CN112558931A - 一种面向用户工作流模式的智能模型构建及运行方法 - Google Patents

一种面向用户工作流模式的智能模型构建及运行方法 Download PDF

Info

Publication number
CN112558931A
CN112558931A CN202011448241.4A CN202011448241A CN112558931A CN 112558931 A CN112558931 A CN 112558931A CN 202011448241 A CN202011448241 A CN 202011448241A CN 112558931 A CN112558931 A CN 112558931A
Authority
CN
China
Prior art keywords
model
data
intelligent
operator
intelligent model
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
Application number
CN202011448241.4A
Other languages
English (en)
Other versions
CN112558931B (zh
Inventor
戚可生
后弘毅
柯正祥
陆保国
张作省
方酉
梁栋
蒋照宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 28 Research Institute
Original Assignee
CETC 28 Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CETC 28 Research Institute filed Critical CETC 28 Research Institute
Priority to CN202011448241.4A priority Critical patent/CN112558931B/zh
Publication of CN112558931A publication Critical patent/CN112558931A/zh
Application granted granted Critical
Publication of CN112558931B publication Critical patent/CN112558931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/20—Software design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/953—Querying, e.g. by the use of web search engines
    • G06F16/9535—Search customisation based on user profiles and personalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/34—Graphical or visual programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F8/00—Arrangements for software engineering
    • G06F8/30—Creation or generation of source code
    • G06F8/36—Software reuse

Abstract

本发明提供一种面向用户工作流模式的智能模型构建及运行方法，包括根据业务需要在Web页面配置待建模的数据源信息，进行待分析数据的接入；在Web页面的算子推荐模块中根据业务需要选择分析算子，将得到的分析算子拖拽至智能模型开发面板中，并进行编排和参数配置，获得智能模型；将智能模型提交至工作流引擎进行解析，并按照调度策略进行调度执行；对智能模型的运行结果进行多样化展示，根据运行结果中模型数据洞察的详情，对智能模型的参数进行调优；最终对运行结果满足预期的智能模型进行注册入库，用于智能模型的复用。相较于现有技术，模型构建效率高，且具有类型丰富的数据模型以及数据挖掘功能以及实时的分析交互体验。

Description

一种面向用户工作流模式的智能模型构建及运行方法
技术领域
本发明涉及模型构建技术领域，尤其涉及一种面向用户工作流模式的智能模型构建及运行方法。
背景技术
随着大数据技术的兴起，业务系统收集的数据量越来越大，对业务数据进行建模分析从而挖掘出潜藏在海量数据背后的巨大价值很有意义。而现有的业务模型构建方式，通常是由建模人员通过繁琐的编码来完成，并且编码对建模人员专业要求比较高，如果业务需求有变动，还需要重新编码来完成，迭代周期比较长，影响数据价值的充分利用。
发明内容
本发明的目的在于提供一种面向用户工作流模式的智能模型构建及运行方法，本方法实现通过拖拽算法库和模型库中的算子来快速构建智能分析模型，并且通过工作流引擎对智能分析模型进行解析执行，从而得到模型运行结果，同时支持运行结果的多样化展示的功能以及运行结果的导出。
实现本发明目的的技术解决方案为：
一种面向用户工作流模式的智能模型构建及运行方法，包括以下步骤：
步骤1，根据业务需要，通过在Web页面输入数据源参数，配置待建模的数据源信息，进行待分析数据的接入，用于为智能模型的建模提供数据支撑；
步骤2，在所述Web页面的算子推荐模块中根据业务需要选择分析算子，若所述算子推荐模块中没有需要的分析算子，则在算法库或模型库中根据算法名称或模型名称检索分析算子，将得到的所述分析算子拖拽至智能模型开发面板中，并对拖拽的所述分析算子进行编排和参数配置，获得所述智能模型；本发明中，从算法库和模型库中通过拖拉拽的方式拖动算子到模型开发面板中来编排，进而实现智能业务逻辑，通过对算子的参数配置来进行智能模型的调整，整个开发的过程都是在一个浏览器中进行，为智能模型的开发提供完整的数据挖掘链路。
步骤3，将所述智能模型提交至工作流引擎进行解析，并按照调度策略进行调度执行；本发明中，将构建的智能模型提交给工作流引擎，引擎对智能模型进行解析，并且根据设定的调度策略对模型进行调度执行，运行的过程中提供日志的实时展示以及算子状态的监控，同时提供模型的小数据量试运行，方便模型开发人员对模型进行调试和修改的操作。
步骤4，对所述智能模型的运行结果进行多样化展示，根据所述运行结果中模型数据洞察的详情，对所述智能模型的参数进行调优；本发明中，通过本步骤对结果进行多样化的展示，包括表格、折线图、柱状图、散点图、圆饼图等的丰富的图表形式。方便模型开发人员对结果的直观理解，同时支持运行结果的导出的操作。
步骤5，对运行结果满足预期的智能模型进行注册入库，用于所述智能模型的复用。本发明中，对于有价值的模型，开发人员可以提交注册申请，由管理员进行审核，通过后可以保存至模型库中，方便下次的复用。
进一步地，在一种实现方式中，所述步骤1中的数据源信息的类型包括结构化的数据、半结构化的数据以及非结构化的数据；
若所述数据源信息的类型为结构化数据或半结构化数据，则配置关系型数据库或半结构化数据的连接信息，所述连接信息包括网络地址、端口和数据库名称对应的信息；
若所述数据源为非结构化数据，则配置所述非结构化数据存放的网络地址，所述网络地址存放的信息包括目录名称信息。
进一步地，在一种实现方式中，所述步骤2中算法库中的分析算子包括特征处理、回归、分类和聚类；所述模型库中的模型为经过注册审核的已构建得到的模型；
所述对分析算子进行编排和参数配置包括：根据所述分析算子的输入端口和输出端口的类型，对所述业务需要的分析算子进行连线，即完成编排；
其中，当所述分析算子的输出端口类型与其他算子的输入端口类型一致时，对所述分析处理处理算子和其他算子进行连线，所述输出端口和输入端口包括数据集、字符串、模型和图形四种类型；每个所述分析算子通过可视化的参数配置页面进行显示。
进一步地，在一种实现方式中，所述步骤2中，通过所述算子推荐模块对分析算子进行推荐，包括：
根据建模历史数据，所述算子推荐模块计算算法库与模型库中的分析算子与此次建模中前置分析算子的使用关联程度，并根据所述使用关联程度由高到低的顺序展示分析算子的推荐列表；
若无所述前置分析算子，或者所述分析算子的推荐列表为空，或者所述推荐列表中的分析算子不满足需求，则根据需要的分析算子的算法名称在所述算法库中检索，获得所述需要的分析算子，或根据需要的模型的模型名称模型库中检索，获得所述需要的模型。
进一步地，在一种实现方式中，所述步骤3包括：通过所述工作流引擎对构建的智能模型的描述文件进行内容的解析，得到一个有执行顺序的有向无环图；
在所述Web页面上提供按钮和输入框，用于设置所述智能模型的运行频率和智能模型在运行过程中遇到错误如何处理的机制，并对所述智能模型执行的过程中提供运行日志的实时输出以及算子节点的执行成功与否状态变化展示；
其中，所述运行错误处理机制包括立即停止模型运行以及忽略当前错误的处理方式；当所述分析算子节点执行成功，所述分析算子节点的颜色变为绿色，当所述分析算子节点执行失败，所述分析算子节点的颜色变为红色。
进一步地，在一种实现方式中，所述步骤4中模型运行结果的多样化展示包括：提供表格、折线图、柱状图、散点图和圆饼图对结果数据进行展示。
进一步地，在一种实现方式中，所述步骤4包括：根据所述运行结果中的模型的数据洞察来判断模型的结果是否满足预期，其中，所述数据洞察通过查看模型结果的准确率、召回率和ROC曲线，判断模型的好坏，根据运行的结果对模型的参数进行调优，包括：调整神经网络的网络层数、调整学习率以及调整正则项的系数。
进一步地，在一种实现方式中，所述步骤5中的智能模型的注册入库包括：将所述调试好的智能模型，由模型构建人员提交模型注册申请，在接收模型管理员传输的审核通过信息后，将所述智能模型注册到模型库中，并向所述模型构建人员发送审核合格信息，所述智能模型用于从模型库中拖拽出进行复用。
本发明与现有技术相比，显著优点是：
避免了用户建模过程中繁琐的编码过程，避免了操作并行计算的框架，只需通过浏览器进行算子的拖拽组合和参数的配置即可进行智能模型的构建，使建模人员更加专注于业务需求与数据探索，提高模型的构建效率。
此外，做到一站式体验，平台整合了完整的数据挖掘流程，它支持不同数据源的采集与整合，数据既可以是结构化的数据也可以是非结构化的数据；平台支持各种数据预处理功能，如数据清洗与转换，支持类型丰富的数据模型以及数据挖掘功能，数据处理流程和结果以可视化形态展示，以满足不同用户的应用和数据消费。
此外，实时的分析交互体验，对于分析用户构建的分析流程，提供显示每个算子运行成功与否的状态以及每个算子节点的运行日志的实时输出，便于分析用户查看每个分析算子处理后的结果状态从而对已构建的分析流程进行调整。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例部分提供的一种面向用户工作流模式的智能模型构建及运行方法的工作流程示意图；
图2是本发明实施例部分提供的一种面向用户工作流模式的智能模型构建及运行方法中各类异构数据源的适配以及数据接入示意图；
图3是本发明实施例部分提供的一种面向用户工作流模式的智能模型构建及运行方法中拖拽算法库和模型库中的算子进行智能模型构建示意图；
图4是本发明实施例部分提供的一种面向用户工作流模式的智能模型构建及运行方法的智能模型进行调度运行的功能示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例公开了一种面向用户工作流模式的智能模型构建及运行方法，本方法应用于业务需要变化快，模型开发迭代周期短的情况。
如图1所示，本实施例提供的一种面向用户工作流模式的智能模型构建及运行方法，包括以下步骤：
步骤1，根据业务需要，通过在Web页面输入数据源参数，配置待建模的数据源信息，进行待分析数据的接入，用于为智能模型的建模提供数据支撑；示意图如图2所示。本实施例中，所述业务需要如需要构建一个机器的故障率预测模型，或者构建一个图片识别的模型等。所述数据源信息的类型包括结构化的数据、半结构化的数据以及非结构化的数据；具体的，所述结构化的数据如mysql、oralce等关系型数据库中的数据，所述半结构化的数据如json、xml等，所述非结构化的数据如txt文本、图片等。
步骤2，在所述Web页面的算子推荐模块中根据业务需要选择分析算子，若所述算子推荐模块中没有需要的分析算子，则在算法库或模型库中根据算法名称或模型名称检索分析算子，将得到的所述分析算子拖拽至智能模型开发面板中，并对拖拽的所述分析算子进行编排和参数配置，获得所述智能模型；具体的，本实施例中，从算法库和模型库中通过拖拉拽的方式拖动算子到模型开发面板中来编排，进而实现智能业务逻辑，通过对算子的参数配置来进行智能模型的调整，整个开发的过程都是在一个浏览器中进行，为智能模型的开发提供完整的数据挖掘链路。示意图如图3所示。
步骤3，将所述智能模型提交至工作流引擎进行解析，并按照调度策略进行调度执行；示意图如图4所示。具体的，本实施例中，将构建的智能模型提交给工作流引擎，引擎对智能模型进行解析，并且根据设定的调度策略对模型进行调度执行，运行的过程中提供日志的实时展示以及算子状态的监控，同时提供模型的小数据量试运行，方便模型开发人员对模型进行调试和修改的操作。
步骤4，对所述智能模型的运行结果进行多样化展示，根据所述运行结果中模型数据洞察的详情，对所述智能模型的参数进行调优；具体的，本实施例中，通过本步骤对结果进行多样化的展示，能够实现对模型运行的结果进行可视化的展示以及结果的导出操作，所述多样化的展示包括表格、折线图、柱状图、散点图、圆饼图等的丰富的图表形式。方便模型开发人员对结果的直观理解，同时支持运行结果的导出的操作。
步骤5，对运行结果满足预期的智能模型进行注册入库，用于所述智能模型的复用。具体的，本实施例中，对于有价值的模型，开发人员可以提交注册申请，由管理员进行审核，通过后可以保存至模型库中，方便下次的复用。
本实施例所述的一种面向用户工作流模式的智能模型构建及运行方法中，所述步骤1中的数据源信息的类型包括结构化的数据、半结构化的数据以及非结构化的数据；
若所述数据源信息的类型为结构化数据或半结构化数据，则配置关系型数据库或半结构化数据的连接信息，所述连接信息包括网络地址、端口和数据库名称对应的信息；具体的，本实施例中，所述关系型数据库如Mysql，所述半结构化数据如HBase。
若所述数据源为非结构化数据，则配置所述非结构化数据存放的网络地址，所述网络地址存放的信息包括目录名称信息。
本实施例所述的一种面向用户工作流模式的智能模型构建及运行方法中，所述步骤2中算法库中的分析算子包括但不限于特征处理、回归、分类和聚类；所述模型库中的模型为经过注册审核的已构建得到的模型；
所述对分析算子进行编排和参数配置包括：根据所述分析算子的输入端口和输出端口的类型，对所述业务需要的分析算子进行连线，即完成编排；
其中，当所述分析算子的输出端口类型与其他算子的输入端口类型一致时，对所述分析处理处理算子和其他算子进行连线，所述输出端口和输入端口包括数据集、字符串、模型和图形四种类型；每个所述分析算子通过可视化的参数配置页面进行显示。
本实施例所述的一种面向用户工作流模式的智能模型构建及运行方法中，所述步骤2中，通过所述算子推荐模块对分析算子进行推荐，包括：
根据建模历史数据，所述算子推荐模块计算算法库与模型库中的分析算子与此次建模中前置分析算子的使用关联程度，并根据所述使用关联程度由高到低的顺序展示分析算子的推荐列表；具体的，本实施例中，假设之前建模的历史数据中，建模人员前置算子是数据去重，有两次后面接的算子是决策树分类，则当建模人员再遇到前置算子是数据去重的前置算子时，决策树分类的关联程度值即为2。
若无所述前置分析算子，或者所述分析算子的推荐列表为空，本实施例中，即前置算子是该建模人员第一次使用的情况，或者所述推荐列表中的分析算子不满足需求，则根据需要的分析算子的算法名称在所述算法库中检索，获得所述需要的分析算子，或根据需要的模型的模型名称模型库中检索，获得所述需要的模型。本实施例中，所述算法库中的分析算子由算法开发人员开发、注册来扩充。
本实施例所述的一种面向用户工作流模式的智能模型构建及运行方法中，所述步骤3包括：通过所述工作流引擎对构建的智能模型的描述文件进行内容的解析，得到一个有执行顺序的有向无环图；
在所述Web页面上提供按钮和输入框，用于设置所述智能模型的运行频率和智能模型在运行过程中遇到错误如何处理的机制，并对所述智能模型执行的过程中提供运行日志的实时输出以及算子节点的执行成功与否状态变化展示；本实施例中，通过所述在所述Web页面上提供按钮和输入框，用于设置所述智能模型的运行频率和智能模型在运行过程中遇到错误如何处理的机制，即实现对调度策略的设置。
其中，所述运行错误处理机制包括立即停止模型运行以及忽略当前错误的处理方式；当所述分析算子节点执行成功，所述分析算子节点的颜色变为绿色，当所述分析算子节点执行失败，所述分析算子节点的颜色变为红色。
本实施例所述的一种面向用户工作流模式的智能模型构建及运行方法中，所述步骤4中模型运行结果的多样化展示包括：提供表格、折线图、柱状图、散点图和圆饼图对结果数据进行展示。
本实施例所述的一种面向用户工作流模式的智能模型构建及运行方法中，所述步骤4包括：根据所述运行结果中的模型的数据洞察来判断模型的结果是否满足预期，其中，所述数据洞察通过查看模型结果的准确率、召回率和ROC曲线，判断模型的好坏，根据运行的结果对模型的参数进行调优，包括：调整神经网络的网络层数、调整学习率以及调整正则项的系数。具体的，本实施例中，准确率高与召回率越高即代表模型越好，ROC曲线下的面积越大即模型越好。
本实施例所述的一种面向用户工作流模式的智能模型构建及运行方法中，所述步骤5中的智能模型的注册入库包括：将所述调试好的智能模型，由模型构建人员提交模型注册申请，在接收模型管理员传输的审核通过信息后，将所述智能模型注册到模型库中，并向所述模型构建人员发送审核合格信息，所述智能模型用于从模型库中拖拽出进行复用。
本发明与现有技术相比，显著优点是：
避免了用户建模过程中繁琐的编码过程，避免了操作并行计算的框架，只需通过浏览器进行算子的拖拽组合和参数的配置即可进行智能模型的构建，使建模人员更加专注于业务需求与数据探索，提高模型的构建效率。
此外，做到一站式体验，平台整合了完整的数据挖掘流程，它支持不同数据源的采集与整合，数据既可以是结构化的数据也可以是非结构化的数据；平台支持各种数据预处理功能，如数据清洗与转换，支持类型丰富的数据模型以及数据挖掘功能，数据处理流程和结果以可视化形态展示，以满足不同用户的应用和数据消费。
此外，实时的分析交互体验，对于分析用户构建的分析流程，提供显示每个算子运行成功与否的状态以及每个算子节点的运行日志的实时输出，便于分析用户查看每个分析算子处理后的结果状态从而对已构建的分析流程进行调整。
具体实现中，本发明还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时可包括本发明提供的一种面向用户工作流模式的智能模型构建及运行方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(random access memory，RAM)等。
本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中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，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例之间相同相似的部分互相参见即可。以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (8)

1.一种面向用户工作流模式的智能模型构建及运行方法，其特征在于，包括以下步骤：
步骤1，根据业务需要，通过在Web页面输入数据源参数，配置待建模的数据源信息，进行待分析数据的接入，用于为智能模型的建模提供数据支撑；
步骤2，在所述Web页面的算子推荐模块中根据业务需要选择分析算子，若所述算子推荐模块中没有需要的分析算子，则在算法库或模型库中根据算法名称或模型名称检索分析算子，将得到的所述分析算子拖拽至智能模型开发面板中，并对拖拽的所述分析算子进行编排和参数配置，获得所述智能模型；
步骤3，将所述智能模型提交至工作流引擎进行解析，并按照调度策略进行调度执行；
步骤4，对所述智能模型的运行结果进行多样化展示，根据所述运行结果中模型数据洞察的详情，对所述智能模型的参数进行调优；
步骤5，对运行结果满足预期的智能模型进行注册入库，用于所述智能模型的复用。
2.根据权利要求1所述的一种面向用户工作流模式的智能模型构建及运行方法，其特征在于，所述步骤1中的数据源信息的类型包括结构化的数据、半结构化的数据以及非结构化的数据；
若所述数据源信息的类型为结构化数据或半结构化数据，则配置关系型数据库或半结构化数据的连接信息，所述连接信息包括网络地址、端口和数据库名称对应的信息；
若所述数据源为非结构化数据，则配置所述非结构化数据存放的网络地址，所述网络地址存放的信息包括目录名称信息。
3.根据权利要求1所述的一种面向用户工作流模式的智能模型构建及运行方法，其特征在于，所述步骤2中算法库中的分析算子包括特征处理、回归、分类和聚类；所述模型库中的模型为经过注册审核的已构建得到的模型；
所述对分析算子进行编排和参数配置包括：根据所述分析算子的输入端口和输出端口的类型，对所述业务需要的分析算子进行连线，即完成编排；
其中，当所述分析算子的输出端口类型与其他算子的输入端口类型一致时，对所述分析处理处理算子和其他算子进行连线，所述输出端口和输入端口包括数据集、字符串、模型和图形四种类型；每个所述分析算子通过可视化的参数配置页面进行显示。
4.根据权利要求3所述的一种面向用户工作流模式的智能模型构建及运行方法，其特征在于，所述步骤2中，通过所述算子推荐模块对分析算子进行推荐，包括：
根据建模历史数据，所述算子推荐模块计算算法库与模型库中的分析算子与此次建模中前置分析算子的使用关联程度，并根据所述使用关联程度由高到低的顺序展示分析算子的推荐列表；
若无所述前置分析算子，或者所述分析算子的推荐列表为空，或者所述推荐列表中的分析算子不满足需求，则根据需要的分析算子的算法名称在所述算法库中检索，获得所述需要的分析算子，或根据需要的模型的模型名称模型库中检索，获得所述需要的模型。
5.根据权利要求1所述的一种面向用户工作流模式的智能模型构建及运行方法，其特征在于，所述步骤3包括：通过所述工作流引擎对构建的智能模型的描述文件进行内容的解析，得到一个有执行顺序的有向无环图；
在所述Web页面上提供按钮和输入框，用于设置所述智能模型的运行频率和智能模型在运行过程中遇到错误如何处理的机制，并对所述智能模型执行的过程中提供运行日志的实时输出以及算子节点的执行成功与否状态变化展示；
其中，所述运行错误处理机制包括立即停止模型运行以及忽略当前错误的处理方式；当所述分析算子节点执行成功，所述分析算子节点的颜色变为绿色，当所述分析算子节点执行失败，所述分析算子节点的颜色变为红色。
6.根据权利要求1所述的一种面向用户工作流模式的智能模型构建及运行方法，其特征在于，所述步骤4中模型运行结果的多样化展示包括：提供表格、折线图、柱状图、散点图和圆饼图对结果数据进行展示。
7.根据权利要求1所述的一种面向用户工作流模式的智能模型构建及运行方法，其特征在于，所述步骤4包括：根据所述运行结果中的模型的数据洞察来判断模型的结果是否满足预期，其中，所述数据洞察通过查看模型结果的准确率、召回率和ROC曲线，判断模型的好坏，根据运行的结果对模型的参数进行调优，包括：调整神经网络的网络层数、调整学习率以及调整正则项的系数。
8.根据权利要求1所述的一种面向用户工作流模式的智能模型构建及运行方法，其特征在于，所述步骤5中的智能模型的注册入库包括：将所述调试好的智能模型，由模型构建人员提交模型注册申请，在接收模型管理员传输的审核通过信息后，将所述智能模型注册到模型库中，并向所述模型构建人员发送审核合格信息，所述智能模型用于从模型库中拖拽出进行复用。
CN202011448241.4A 2020-12-09 2020-12-09 一种面向用户工作流模式的智能模型构建及运行方法 Active CN112558931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011448241.4A CN112558931B (zh) 2020-12-09 2020-12-09 一种面向用户工作流模式的智能模型构建及运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011448241.4A CN112558931B (zh) 2020-12-09 2020-12-09 一种面向用户工作流模式的智能模型构建及运行方法

Publications (2)

Publication Number Publication Date
CN112558931A true CN112558931A (zh) 2021-03-26
CN112558931B CN112558931B (zh) 2022-07-19

Family

ID=75061034

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011448241.4A Active CN112558931B (zh) 2020-12-09 2020-12-09 一种面向用户工作流模式的智能模型构建及运行方法

Country Status (1)

Country Link
CN (1) CN112558931B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591934A (zh) * 2021-07-07 2021-11-02 浙江大华技术股份有限公司 业务分析模型的编排方法、装置和设备及存储介质
CN114138257A (zh) * 2022-02-08 2022-03-04 中国电子科技集团公司第十五研究所 一种应用构建方法及计算机可读存储介质
CN114185874A (zh) * 2022-02-15 2022-03-15 中国电子科技集团公司第十五研究所 一种基于大数据的建模方法、装置、开发框架及设备
CN114461183A (zh) * 2022-04-11 2022-05-10 北京瑞莱智慧科技有限公司 基于用户标签的ai模型快速组合的方法、装置及存储介质
CN114880395A (zh) * 2022-07-05 2022-08-09 浙江大华技术股份有限公司 算法方案运行方法、可视化系统、终端设备以及存储介质
CN114969085A (zh) * 2022-03-16 2022-08-30 杭州半云科技有限公司 一种基于可视化技术算法建模的方法和系统
CN116483320A (zh) * 2023-01-13 2023-07-25 广州尚融网络科技有限公司 一种业务编排方法、系统、设备及可读存储介质
CN116954587A (zh) * 2023-09-19 2023-10-27 中电科大数据研究院有限公司 前端智能拖拽引擎、建立数据处理流程的方法
CN116360764B (zh) * 2023-04-03 2023-12-05 北京柏睿数据技术股份有限公司 一种可视化建模平台的模型优化方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121773A (zh) * 2017-12-05 2018-06-05 广东京信软件科技有限公司 一种基于可视化拖拽式的大数据分析任务构建方法
CN108229828A (zh) * 2018-01-04 2018-06-29 上海电气集团股份有限公司 一种基于工业数据的分析系统
KR20190093932A (ko) * 2018-02-02 2019-08-12 한국전자통신연구원 딥러닝 시스템에서의 연산 처리 장치 및 방법
CN110209486A (zh) * 2019-06-06 2019-09-06 南威软件股份有限公司 基于界面的spark任务流程构建方法和计算机可读存储介质
CN111240662A (zh) * 2020-01-16 2020-06-05 同方知网(北京)技术有限公司 一种基于任务可视化拖拽的spark机器学习系统及学习方法
CN111723515A (zh) * 2020-05-15 2020-09-29 第四范式（北京）技术有限公司 一种运行算子的方法、装置及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108121773A (zh) * 2017-12-05 2018-06-05 广东京信软件科技有限公司 一种基于可视化拖拽式的大数据分析任务构建方法
CN108229828A (zh) * 2018-01-04 2018-06-29 上海电气集团股份有限公司 一种基于工业数据的分析系统
KR20190093932A (ko) * 2018-02-02 2019-08-12 한국전자통신연구원 딥러닝 시스템에서의 연산 처리 장치 및 방법
CN110209486A (zh) * 2019-06-06 2019-09-06 南威软件股份有限公司 基于界面的spark任务流程构建方法和计算机可读存储介质
CN111240662A (zh) * 2020-01-16 2020-06-05 同方知网(北京)技术有限公司 一种基于任务可视化拖拽的spark机器学习系统及学习方法
CN111723515A (zh) * 2020-05-15 2020-09-29 第四范式（北京）技术有限公司 一种运行算子的方法、装置及系统

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591934A (zh) * 2021-07-07 2021-11-02 浙江大华技术股份有限公司 业务分析模型的编排方法、装置和设备及存储介质
CN114138257A (zh) * 2022-02-08 2022-03-04 中国电子科技集团公司第十五研究所 一种应用构建方法及计算机可读存储介质
CN114185874A (zh) * 2022-02-15 2022-03-15 中国电子科技集团公司第十五研究所 一种基于大数据的建模方法、装置、开发框架及设备
CN114969085A (zh) * 2022-03-16 2022-08-30 杭州半云科技有限公司 一种基于可视化技术算法建模的方法和系统
CN114461183A (zh) * 2022-04-11 2022-05-10 北京瑞莱智慧科技有限公司 基于用户标签的ai模型快速组合的方法、装置及存储介质
CN114461183B (zh) * 2022-04-11 2023-03-14 北京瑞莱智慧科技有限公司 基于用户标签的ai模型快速组合的方法、装置及存储介质
CN114880395A (zh) * 2022-07-05 2022-08-09 浙江大华技术股份有限公司 算法方案运行方法、可视化系统、终端设备以及存储介质
CN116483320A (zh) * 2023-01-13 2023-07-25 广州尚融网络科技有限公司 一种业务编排方法、系统、设备及可读存储介质
CN116360764B (zh) * 2023-04-03 2023-12-05 北京柏睿数据技术股份有限公司 一种可视化建模平台的模型优化方法和系统
CN116954587A (zh) * 2023-09-19 2023-10-27 中电科大数据研究院有限公司 前端智能拖拽引擎、建立数据处理流程的方法
CN116954587B (zh) * 2023-09-19 2023-12-19 中电科大数据研究院有限公司 前端智能拖拽引擎、建立数据处理流程的方法

Also Published As

Publication number Publication date
CN112558931B (zh) 2022-07-19

Similar Documents

Publication Publication Date Title
CN112558931B (zh) 一种面向用户工作流模式的智能模型构建及运行方法
JP7344327B2 (ja) アプリケーションプログラミングインターフェイスのメタデータ駆動型外部インターフェイス生成ためのシステムおよび方法
US10977293B2 (en) Technology incident management platform
CN111240662B (zh) 一种基于任务可视化拖拽的spark机器学习系统及学习方法
Zhang et al. On complexity and optimization of expensive queries in complex event processing
US7747641B2 (en) Modeling sequence and time series data in predictive analytics
Kurgan et al. A survey of knowledge discovery and data mining process models
US7730023B2 (en) Apparatus and method for strategy map validation and visualization
US20120246170A1 (en) Managing compliance of data integration implementations
US20060117055A1 (en) Client-based web server application verification and testing system
CA3179300C (en) Domain-specific language interpreter and interactive visual interface for rapid screening
CN112181960B (zh) 一种基于AIOps的智能运维框架系统
US20230316111A1 (en) Interpretation of machine leaning results using feature analysis
KR20180004638A (ko) 안내형 분석 시스템 및 방법
CN113779272A (zh) 基于知识图谱的数据处理方法、装置、设备及存储介质
US20220207414A1 (en) System performance optimization
Swarna et al. Apache Pig-a data flow framework based on Hadoop Map Reduce
US20240070589A1 (en) Method of engineering forecast and analysis
US20240086165A1 (en) Systems and methods for building and deploying machine learning applications
CN115131007B (zh) 异构集成微系统工艺库开发平台的过程管理方法及装置
US20130325531A1 (en) Business case development by dynamically reusing business case components
Cui et al. REMS: Recommending Extract Method Refactoring Opportunities via Multi-view Representation of Code Property Graph
CN117389541B (zh) 基于对话检索生成模板的配置系统及设备
Alspaugh Understanding Data Analysis Activity via Log Analysis
Nakuçi Data Generation for the Simulation of Artifact-Centric Processes

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