CN112612481A - 一种智能中台的系统架构 - Google Patents
一种智能中台的系统架构 Download PDFInfo
- Publication number
- CN112612481A CN112612481A CN202011534757.0A CN202011534757A CN112612481A CN 112612481 A CN112612481 A CN 112612481A CN 202011534757 A CN202011534757 A CN 202011534757A CN 112612481 A CN112612481 A CN 112612481A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- layer
- model
- training
- 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
- 238000012549 training Methods 0.000 claims abstract description 70
- 238000013135 deep learning Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012550 audit Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 210000001503 joint Anatomy 0.000 abstract 1
- 238000000034 method Methods 0.000 description 12
- 238000012015 optical character recognition Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012827 research and development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 201000001432 Coffin-Siris syndrome Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000012086 standard solution Substances 0.000 description 1
Images
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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能中台的系统架构，包括应用层、服务层、AI能力层、标注训练层和基础数据层，所述基础数据层为所述标注训练层提供数据，所述标注训练层包括标注平台和深度学习平台，所述AI能力层经过预先训练且利用训练平台对所述AI能力层进行训练，所述服务层为所述应用层提供接口，所述应用层提供多个交互场景。本发明的智能中台的系统架构将金融行业的各种需求集成于一个平台上，使得平台能够在对接金融机构现有系统、进行能力输出的同时高效地定期维护和更新。
Description
技术领域
本发明涉及软件技术领域，尤其涉及一种智能中台的系统架构。
背景技术
随着数字化时代的到来，金融行业智能业务的需求越来越复杂，金融行业对于智能化的需求来自于两方面：
一方面，从数据层面来看，随着可获取的数据越来越多，我们对其中有价值信息的辨识、数据关系的发现、数据趋势的把握都将变得越来越困难，只有通过智能化的方法对大数据进行处理，才能提升业务，甚至创新业务。基于大数据探索，发现其中的潜在数据联系与趋势，可以为业务优化与创新提供强有力的支持，实现真正的数据驱动业务。
另一方面，除了基于数据自底向上的智能化驱动以外，还存在自上而下的行业智能化理念驱动。近几年来，许多人工智能技术日趋成熟，相应的智能化理念也深入人心，大量智能化的成功案例使这些技术逐渐被金融行业主流接受，甚至成为了实际上的标准解决方案，比如信贷全流程的风控、智能客服、图文识别、金融数字人等场景的成功应用，而随之就要求研发人员能够在数据之上准确快速实现前台提出的智能化目标。
一个需求下来，研发团队需要针对性开展数据分析处理、模型的构建训练等，过程复杂繁复，效率不高，从而拖长了需求响应时间，降低了业务敏捷程度，拉高了试错成本。这与在中台战略背景下，业务前台希望能够专注于业务逻辑、灵活应对变化产生了矛盾，随着智能化应用的广泛开展，这个矛盾也越来越普遍。究其原因，一方面是由于智能化的大规模兴起才短短几年，智能应用研发还处在比较原始的阶段，缺乏完整的生命周期管理理论和相应的管理框架工具；另一方面则反映了我们的中台能力没有完全覆盖到前台业务研发中笨重、重复、低效的环节。
一些金融机构已经意识到了自身AI研发能力的不足，通过采购人工智能科技公司的平台、模型来响应业务部门的需求，AI科技公司在一定程度上的确为金融行业的数字化、智慧化转型提供了技术支撑，并且已经有一些应用落地了。但是越来越多的金融机构面临的困境是：
1、人工智能技术平台的引入在一开始就缺乏统一的规划，金融行业对数据的保护较为严格，大多系统都需要私有化部署，例如：A部门采购了一个营业执照的OCR识别模型、B部门采购了一个身份证的OCR识别模型、C部门采购了一个财务报表的OCR识别模型，这些模型在使用过程中需要不断的优化迭代，虽然底层用的能力是相同的，但是如果一开始缺乏统一的规划，采购了三个厂商的产品，互相之间没有做兼容性改造，后期优化模型、维护模型会带来很多不便。
2、金融数字化转型过程中的许多场景越来越复杂，单一的AI任务无法实现，因此我们需要将智能化业务应用进行需求分解、映射为具体的AI任务并一一实现，最后再进行合理地编排组合，实现任务目标。实现复杂业务场景的能力需要多种不同的AI能力支撑，目前大多数在用的方案是从不同的厂商采购不同的能力或者从同一厂商采购多个能力但是这些能力之间底层不能互通，这必然会带来AI底层能力的重复性建设、软硬件平台的投入成本高、科技人员维护成本高等难题。
随着“数据中台”的提出和成功实践，各企业纷纷在“大中台，小前台”的共识下启动了自己的中台化进程，以数据中台、技术中台、业务中台为代表的一系列技术，极大增强了业务的敏捷性，提高了组织效能。同时随着智能技术的发展，AI应用在业务研发中的占比逐渐升高，但AI模型训练的复杂性导致其开发慢、效率低，严重影响了业务的灵活性。为了应对大数据时代的挑战，加强数字化运营能力，银行等金融机构需要通过智能化的方法一方面提升数字化竞争力、另一方面需要对内提高工作效率、对外提高客户满意度，打造金融产品、科技、运营一体化。
发明内容
鉴于以上内容，本发明提供了一种智能中台的系统架构，能够将金融行业的需求集成于一个平台上。技术方案如下：
本发明提供了一种智能中台的系统架构，其特征在于，所述系统架构包括
基础数据层，所述基础数据层负责对数据的监控与存储，同时负责对模型、标签和数据进行管理；
标注训练层，所述标注训练层包括标注平台和嵌入多种处理算法的深度学习平台，所述标注平台对所述基础数据层中的数据进行分类和标注；
AI能力层，所述AI能力层经预先训练得到，所述AI能力层提供核心能力与核心算法；
服务层，所述服务层提供路由服务、负载服务、各类开发语言的SDK以及WebAPI接口；
应用层，所述应用层调用所述服务层提供的WebAPI接口并提供多个交互场景。
进一步地，所述基础数据层包括数据监控模块、数据治理模块、数据聚合模块、数据采集模块、数据获取模块、模型管理模块、标签模型模块、知识模型模块、数据备份模块和数据库管理模块。
进一步地，所述深度学习平台包括语言模型训练模块、语义模型训练模块、结构化模型训练模块、声学模型训练模块、OCR模型训练模块和风控/营销训练模块，所述标注平台包括音频标注模块、文本标注模块和图片标注模块。
进一步地，所述AI能力层包括语音识别模块，语音合成模块、自然语言理解模块和OCR识别模块。
进一步地，所述服务层包括路由服务模块、负载服务模块、鉴权服务模块、第三方能力接入模块和SDK/WebAPI模块。
进一步地，所述应用层包括智能客服模块、智能零售模块、智能审计模块和智能财务模块。
进一步地，通过训练平台对所述AI能力层进行预先训练，所述训练平台对所述AI能力层进行训练的步骤包括：
S1.准备数据：将基础数据输入所述基础数据层；
S2.分析处理：所述基础数据层对所述基础数据进行分析，将所述基础数据分为样本数据和测试数据，并对所述样本数据和所述测试数据进行分析得到特征数据；
S3.数据建模：将特征数据输入测试模型进行迭代训练，对所述特征数据进行优化得到优化数据，同时得到优化模型；
S4.价值应用：对所述优化模型进行测试，若所述优化模型满足要求则完成对所述标注训练层的训练，并输入所述优化模型供所述AI能力层使用；否则将所述优化数据输入所述优化模型进行迭代训练，得到新的优化数据和优化模型。
进一步地，所述训练平台包括：
展示层，所述展示层提供可视化数据和可交互模型；
业务逻辑层，所述业务逻辑层包括用户空间模块、项目空间模块、数据空间模块、模型空间模块和工作台模块，所述业务逻辑层为所述展示层提供数据与模型；
调度层，所述调度层对CPU、GPU和内存的资源进行分配，根据所述业务逻辑层的需求调用数据；
数据层，所述数据层用于创建、访问、管理、搜索和复制所保存的数据；
存储层，所述存储层以分层结构存储数据。
进一步地，所述标注平台对来自所述基础数据层的数据进行进行标注或预处理，所述深度学习平台将标注后的数据或者预处理后的数据输入模型进行模型训练，并对模型进行优化更新。
进一步地，所述展示层使用Vue、Stylus和Node技术框架中的一种或多种构建用户界面。
本发明具有下列优点：
a.在一个平台上集成机器学习、深度学习建模、自然语言处理、图像处理、语音合成与识别、数据标注等金融行业需要的能力；
b.方案完备、功能点之间连通性好；
c.不仅具备开发功能，还具备输出功能，能够在对接金融机构现有系统进行能力输出的同时高效地定期维护和更新。
附图说明
图1是本发明实施例提供智能中台的系统架构的示意图；
图2是本发明实施例提供的系统架构的训练所述AI能力层的训练平台的示意图；
图3是本发明实施例提供的系统架构的AI能力层的训练方法图。
具体实施方式
以下结合说明书附图及具体实施例进一步说明本发明的技术方案。应当理解，此处所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。
在本发明的一个实施例中，如图1所示，提供了一种智能中台的系统架构，所述系统架构包括：
基础数据层，所述基础数据层负责对数据的监控与存储，同时负责对模型、标签和数据进行管理；
标注训练层，所述标注训练层包括标注平台和嵌入多种处理算法的深度学习平台，所述标注平台对所述基础数据层中的数据进行分类和标注；
AI能力层，所述AI能力层经预先训练得到，所述AI能力层提供核心能力与面向特定研究方向的核心算法；
服务层，所述服务层提供路由服务、负载服务、各类开发语言的SDK以及WebAPI接口；
应用层，所述应用层调用所述服务层提供的WebAPI接口并提供多个交互场景。
在本发明的一个实施例中，所述基础数据层包括数据监控模块、数据治理模块、数据聚合模块、数据采集模块、数据获取模块、模型管理模块、标签模型模块、知识模型模块、数据备份模块和数据库管理模块。具体地，基础数据层主要负责对数据的统一监控与存储，包括数据治理、数据聚合、数据采集等功能，同时负责模型、标签以及知识数据的汇聚与管理，为标注训练层提供数据支撑。
在本发明的一个实施例中，所述深度学习平台包括语言模型训练模块、语义模型训练模块、结构化模型训练模块、声学模型训练模块、OCR模型训练模块和风控/营销训练模块，所述标注平台包括音频标注模块、文本标注模块和图片标注模块。具体地，深度学习平台嵌入多种先进的处理算法，提供训练语言模型，图像模型、风控/营销模型等功能，同时覆盖训练流程的全生命周期管理；标注平台支持对音频、文本、图片的可视化界面标注，最终形成一条从标注、训练，再到模型优化更新的闭环流程。
在本发明的一个实施例中，所述AI能力层包括语音识别模块，语音合成模块、自然语言理解模块和OCR识别模块。具体地，AI+层提供最先进的人工智能核心能力与算法，主要包括语音识别能力，语音合成能力、自然语言理解能力以及OCR能力。
在本发明的一个实施例中，所述服务层包括路由服务模块、负载服务模块、鉴权服务模块、第三方能力接入模块和SDK/WebAPI模块。具体地，服务层提供接入负载、应用鉴权、服务调用路由和第三方信源调用模式，提供各类开发语言的SDK以及WebAPI接口供应用层调用。
在本发明的一个实施例中，所述应用层包括智能客服模块、智能零售模块、智能审计模块和智能财务模块。具体地，所述应用层提供面向全行的智能化应用场景，包含智慧网点、新一代手机银行、智能客服等交互场景，业务部门的精准营销模型、风险部门的精准风控模型，审计部与财务部的OCR识别场景等。
在本发明的一个实施例中，所述标注平台对来自所述基础数据层的数据进行标注，所述深度学习平台将标注后的数据输入模型进行模型训练，并对模型进行优化更新。
在本发明的一个实施例中，通过训练平台对所述AI能力层进行预先训练，所述训练平台对所述AI能力层进行训练的步骤如图3所示，包括：
S1.准备数据：将基础数据输入所述AI能力层；
S2.分析处理：所述AI能力层对所述基础数据进行分析，将所述基础数据分为样本数据和测试数据，并对所述样本数据和所述测试数据进行分析得到特征数据；
S3.数据建模：将特征数据输入测试模型进行迭代训练，对所述特征数据进行优化得到优化数据，同时得到优化模型；
S4.价值应用：对所述优化模型进行测试，若所述优化模型满足要求则完成对所述AI能力层的训练，并输入所述优化模型供所述AI能力层和/或所述标注训练层使用；否则将所述优化数据输入所述优化模型进行迭代训练，得到新的优化数据和优化模型。
在本发明的一个实施例中，如图2所示，所述训练平台包括：
展示层，所述展示层提供可视化数据和可交互模型；
业务逻辑层，所述业务逻辑层包括用户空间模块、项目空间模块、数据空间模块、模型空间模块和工作台模块，所述业务逻辑层为所述展示层提供数据与模型；
调度层，所述调度层对GPU资源进行分配，根据所述业务逻辑层的需求调用数据；
数据层，所述数据层用于创建、访问、管理、搜索和复制所保存的数据；
存储层，所述存储层以分层结构存储数据。
在本发明的一个实施例中，所述展示层使用Vue、Stylus和Node技术框架中的一种或多种构建用户界面。
具体地，所述训练平台可以按以下方案架构：
展示层(可视化展示层):
前端用Vue/Stylus/Node技术框架，Vue是一套构建用户界面的渐进式框架，用户整体页面布局开发，灵活易用。Stylus预处理程序，解决样式覆写的问题，尤其是mixin式复用，可缓解多浏览器兼容造成的冗余，使CSS开发更加灵。Node.js使用了一个事件驱动、非阻塞式I/O的模型，使其轻量又高效。
业务逻辑处理层:
1、tdl service
采用gin微框架搭建了整体的web框架服务，并对外提供restful api接口；
使用mysql用于存储管理相关数据；
分为用户空间、项目空间、数据空间、模型空间、工作台主要五大模块；
通过rest接口调用bettertrain服务，向其提交dag任务，并通过生成的任务id查询任务状态；
通过s3协议接口，调用fuse-s3服务，直接获取存储的数据信息(不经过数据库层)。
2、fuse-se service
底层可挂载文件存储或者对象存储；
对外提供标准的s3协议，并额外进行s3功能扩展,完成桶拷贝、数据共享功能扩展。
3、bettertrain-service
通用的dag任务调度能力，底层可定制化调度平台，目前支持接入k8s和单机docker；
支持定制化模板；
基于rabbitmq实现任务队列，基于mysql进行任务配置和状态等管理；
通过api向k8s或者docker提供任务，并进行任务的管理。
调度层:
1、k8s
适合集群化使用；
基于Kubernetes的device plugin完成GPU信息的收集和存储；
提交任务只需声明本次任务需要的资源和相关服务即可，Kubernetes会根据集群当前运行情况，选择最合适的节点完成各类任务的调度、运行、结果的反馈等工作；
原生Kubernetes default-scheduler的GPU资源分配为均衡分配，极易造成资源碎片。开发自定义调度器scheduler替换default-scheduler，以达到资源最大化利用；
Kubernetes支持所有提交任务的运行情况查看以及节点gpu、cpu、内存等使用情况查询。
2、docker
适合单机训练时使用；
自研的gpu scheduler,进行gpu资源的分配；
支持所有提交任务的运行情况查看以及节点gpu、cpu、内存等使用情况查询。
数据层:
1、mysql
创建，访问，管理，搜索和复制所保存的数据。
存储层:
1、文件存储(NFS)
也叫作文件级或者基于文件的存储，它是以一种分层的结构存储数据。数据保存于文件和文件夹中，同样的格式用于存储和检索；
对于Unix、Linux系统，利用网络文件系统协议(NFS)能够访问这些数据，而对于Windows，使用服务器消息块协议(SMB协议)进行访问。
现实情况下一个场景可能需要多个AI能力的支撑，比如建造一个语音聊天机器人，需要构建以神经网络、深度学习等人工智能技术为核心的AI算法模型，与客户的一次会话过程中同时需要语音识别、自然语言处理、图像识别等技术上的支持。而本发明提出的人工智能平台的架构实现方案简单来讲是提供一个面向金融领域的通用化人工智能服务的智能中台，一个平台可以提供包括机器学习、深度学习建模、自然语言处理、图像处理、语音合成与识别、数据标注等能力，满足金融行业的需求。
本发明提供的系统架构的优势在于技术方案的完备性和功能点之间的连通性。本系统架构不仅具备机器学习+深度学习全生命周期(从数据引入、数据处理、模型训练、模型线上发布到模型服务管理等)的开发功能，还具备语音识别合成、自然语言理解、OCR识别等能力输出功能，使得平台能够在对接金融机构现有系统进行能力输出的同时高效地定期维护和更新。
以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种智能中台的系统架构，其特征在于，所述系统架构包括
基础数据层，所述基础数据层负责对数据的监控与存储，同时负责对模型、标签和数据进行管理；
标注训练层，所述标注训练层包括标注平台和嵌入多种处理算法的深度学习平台，所述标注平台对所述基础数据层中的数据进行分类和标注；
AI能力层，所述AI能力层经预先训练得到，所述AI能力层提供核心能力与核心算法；
服务层，所述服务层提供路由服务、负载服务、各类开发语言的SDK以及WebAPI接口；
应用层，所述应用层调用所述服务层提供的WebAPI接口并提供多个交互场景。
2.如权利要求1所述的系统架构，其特征在于，所述基础数据层包括数据监控模块、数据治理模块、数据聚合模块、数据采集模块、数据获取模块、模型管理模块、标签模型模块、知识模型模块、数据备份模块和数据库管理模块。
3.如权利要求1所述的系统架构，其特征在于，所述深度学习平台包括语言模型训练模块、语义模型训练模块、结构化模型训练模块、声学模型训练模块、OCR模型训练模块和风控/营销训练模块，所述标注平台包括音频标注模块、文本标注模块和图片标注模块。
4.如权利要求1所述的系统架构，其特征在于，所述AI能力层包括语音识别模块，语音合成模块、自然语言理解模块和OCR识别模块。
5.如权利要求1所述的系统架构，其特征在于，所述服务层包括路由服务模块、负载服务模块、鉴权服务模块、第三方能力接入模块和SDK/WebAPI模块。
6.如权利要求1所述的系统架构，其特征在于，所述应用层包括智能客服模块、智能零售模块、智能审计模块和智能财务模块。
7.如权利要求1所述的系统架构，其特征在于，通过训练平台对所述AI能力层进行预先训练，所述训练平台对所述AI能力层进行训练的步骤包括：
S1.准备数据：将基础数据输入所述基础数据层；
S2.分析处理：所述基础数据层对所述基础数据进行分析，将所述基础数据分为样本数据和测试数据，并对所述样本数据和所述测试数据进行分析得到特征数据；
S3.数据建模：将特征数据输入测试模型进行迭代训练，对所述特征数据进行优化得到优化数据，同时得到优化模型；
S4.价值应用：对所述优化模型进行测试，若所述优化模型满足要求则完成对所述标注训练层的训练，并输入所述优化模型供所述AI能力层使用；否则将所述优化数据输入所述优化模型进行迭代训练，得到新的优化数据和优化模型。
8.如权利要求7所述的系统架构，其特征在于，所述训练平台包括：
展示层，所述展示层提供可视化数据和可交互模型；
业务逻辑层，所述业务逻辑层包括用户空间模块、项目空间模块、数据空间模块、模型空间模块和工作台模块，所述业务逻辑层为所述展示层提供数据与模型；
调度层，所述调度层对CPU、GPU和内存的资源进行分配，根据所述业务逻辑层的需求调用数据；
数据层，所述数据层用于创建、访问、管理、搜索和复制所保存的数据；
存储层，所述存储层以分层结构存储数据。
9.如权利要求1或3所述的系统架构，其特征在于，所述标注平台对来自所述基础数据层的数据进行标注或预处理，所述深度学习平台将标注后的数据或者预处理后的数据输入模型进行模型训练，并对模型进行优化更新。
10.如权利要求8所述的系统架构，其特征在于，所述展示层使用Vue、Stylus和Node技术框架中的一种或多种构建用户界面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011534757.0A CN112612481A (zh) | 2020-12-23 | 2020-12-23 | 一种智能中台的系统架构 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011534757.0A CN112612481A (zh) | 2020-12-23 | 2020-12-23 | 一种智能中台的系统架构 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112612481A true CN112612481A (zh) | 2021-04-06 |
Family
ID=75244231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011534757.0A Pending CN112612481A (zh) | 2020-12-23 | 2020-12-23 | 一种智能中台的系统架构 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112612481A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115550236A (zh) * | 2022-08-31 | 2022-12-30 | 国网江西省电力有限公司信息通信分公司 | 一种面向安全中台资源池路由优化的数据保护方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
-
2020
- 2020-12-23 CN CN202011534757.0A patent/CN112612481A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108881446A (zh) * | 2018-06-22 | 2018-11-23 | 深源恒际科技有限公司 | 一种基于深度学习的人工智能平台系统 |
Non-Patent Citations (2)
| Title |
|---|
| 李耀: "众邦银行：打造数字驱动、 科技赋能的开放型数字银行", 《中国金融电脑》, vol. 5, pages 14 - 17 * |
| 王东: "AI中台-智能聊天机器人平台的架构与应用（分享实录）", Retrieved from the Internet <URL:https://www.chinacion.cn/article/6997.html> * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115550236A (zh) * | 2022-08-31 | 2022-12-30 | 国网江西省电力有限公司信息通信分公司 | 一种面向安全中台资源池路由优化的数据保护方法 |
| CN115550236B (zh) * | 2022-08-31 | 2024-04-30 | 国网江西省电力有限公司信息通信分公司 | 一种面向安全中台资源池路由优化的数据保护方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220351049A1 (en) | Method and System for Realizing Machine Learning Modeling Process | |
| US11188319B2 (en) | Systems and methods for entry point-based code analysis and transformation | |
| US8340995B2 (en) | Method and system of using artifacts to identify elements of a component business model | |
| US20150235154A1 (en) | Computerized method and system and method to provide business process & case modeling and execution of business processes and activities | |
| Froeschl | Metadata management in statistical information processing: a unified framework for metadata-based processing of statistical data aggregates | |
| US11907650B2 (en) | Methods and systems for artificial intelligence- assisted document annotation | |
| Wang et al. | An automatic model-to-model mapping and transformation methodology to serve model-based systems engineering | |
| US8756561B2 (en) | Software model normalization and mediation | |
| CN110992100A (zh) | 一种电力营销系统构建方法及装置 | |
| CN102880683A (zh) | 一种可行性研究报告的自动网络生成系统及其生成方法 | |
| US11645462B2 (en) | Continuous machine learning method and system for information extraction | |
| CN102929646A (zh) | 应用程序生成方法及装置 | |
| US20230043882A1 (en) | Method for assisting launch of machine learning model | |
| Konsynski | Advances in information system design | |
| CN112612481A (zh) | 一种智能中台的系统架构 | |
| US11886470B2 (en) | Apparatus and method for aggregating and evaluating multimodal, time-varying entities | |
| CN110428342A (zh) | 数据修复方法、服务器、客服端及存储介质 | |
| US20140149186A1 (en) | Method and system of using artifacts to identify elements of a component business model | |
| Li et al. | Enterprise precision marketing effectiveness model based on data mining technology | |
| Burd et al. | A method for the identification of reusable units through the reengineering of legacy code | |
| Stanev et al. | Why the standard methods, 5GL, common platforms and reusable components are the four pillars of the new computational paradigm Programming without programmers | |
| CN114020345B (zh) | 医疗事务配置方法、装置及计算机设备及存储介质 | |
| CN110599039B (zh) | 产品管理方法及装置、电子设备及存储介质 | |
| Pivk et al. | Ontology and SOA based data mining to business process optimization | |
| US20240160966A1 (en) | Creating decision optimization specifications |
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 |