CN112905758B - 一种基于电话机器人的智能培训管理方法及系统 - Google Patents
一种基于电话机器人的智能培训管理方法及系统 Download PDFInfo
- Publication number
- CN112905758B CN112905758B CN202110130325.1A CN202110130325A CN112905758B CN 112905758 B CN112905758 B CN 112905758B CN 202110130325 A CN202110130325 A CN 202110130325A CN 112905758 B CN112905758 B CN 112905758B
- Authority
- CN
- China
- Prior art keywords
- training
- information
- data
- obtaining
- evaluation
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 594
- 238000007726 management method Methods 0.000 title claims abstract description 63
- 238000011156 evaluation Methods 0.000 claims abstract description 75
- 238000006243 chemical reaction Methods 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 37
- 238000012795 verification Methods 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 11
- 239000000463 material Substances 0.000 claims description 7
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 claims description 3
- 230000001815 facial effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 40
- 238000003062 neural network model Methods 0.000 description 32
- 230000008569 process Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000007246 mechanism Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000003925 brain function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013515 script Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3343—Query execution using phonetics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
- G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
- G06Q50/2057—Career enhancement or continuing education service
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/10—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people together with the recording, indicating or registering of other data, e.g. of signs of identity
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Educational Technology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Human Resources & Organizations (AREA)
- Molecular Biology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Acoustics & Sound (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Primary Health Care (AREA)
- Human Computer Interaction (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于电话机器人的智能培训管理方法及系统,通过将第一培训资料、所述第一培训目标输入训练模型中,获得第一预期反应信息,通过图像采集器获得第一图像信息;通过所述声音采集播放器采集培训场地的音频信息获得第一音频信息;根据第一图像信息、第一音频信息,获得第一现场反应信息;根据第一预期反应信息、第一现场反应信息,获得第一培训评价信息;根据第一培训评价信息,获得第一指令,解决现有公司的各项培训是为了完成考核而被动制定的,存在培训效果不理想,不能达到培训目标的技术问题。达到利用培训现场的氛围结合培训目标对培训内容进行对应调整,确保培训效果的技术效果。
Description
技术领域
本发明涉及培训管理领域,尤其涉及一种基于电话机器人的智能培训管理方法及系统。
背景技术
培训管理是企业人力资源管理体系的重要组成部分。培训管理是对人员进行培训所做的管理。现代企业之间、行业之间以及行业内部之间的竞争,归根结底是人力资源的竞争,其核心是人才的竞争。有效的培训管理将使员工在知识、技能、态度上不断提高,最大限度地使员工的职能与现任或预期的职能相匹配,进而提高工作绩效。现代企业培训管理工作既要满足企业整体发展的需要,又要兼顾员工个性化能力提升的需求,周而复始的大规模调研,五花八门的培训需求,筛选需求、整合资源、制定计划,人力资源部往往只能较为被动地组织和实施培训,到了年底可能又会面临管理层对于培训收益的质疑。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中公司的各项培训是为了完成考核而被动制定的,存在培训效果不理想,不能达到培训目标而浪费培训资源的技术问题。
发明内容
本申请实施例通过提供一种基于电话机器人的智能培训管理方法及系统,解决了现有技术中公司的各项培训是为了完成考核而被动制定的,存在培训效果不理想,不能达到培训目标而浪费培训资源的技术问题。达到了通过神经网络模型对培训现场气氛进行了科学判断,利用培训现场的氛围结合培训目标对培训内容进行对应调整,以实现与培训目标的高度契合,确保培训效果,进一步完善培训管理机制的技术效果。
鉴于上述问题,提出了本申请实施例提供一种基于电话机器人的智能培训管理方法及系统。
第一方面,本申请实施例提供了一种基于电话机器人的智能培训管理方法,所述电话机器人具有一图像采集器、一声音采集播放器,所述方法包括:获得第一培训资料;获得第一培训目标;将所述第一培训资料、所述第一培训目标输入第一训练模型中,所述第一训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、第一培训目标和标识第一预期反应信息的标识信息;获得所述第一训练模型的输出信息,其中,所述输出信息包括第一预期反应信息,所述第一预期反应信息表示预测现场培训人员的反应信息;通过所述图像采集器对培训人员反应进行图像采集,获得第一图像信息;通过所述声音采集播放器采集培训场地的音频信息,获得第一音频信息;根据所述第一图像信息、所述第一音频信息,获得第一现场反应信息;根据所述第一预期反应信息、所述第一现场反应信息,获得第一培训评价信息;根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放。
另一方面,本申请还提供了一种基于电话机器人的智能培训管理系统,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一培训资料;
第二获得单元,所述第二获得单元用于获得第一培训目标;
第一输入单元,所述第一输入单元用于将所述第一培训资料、所述第一培训目标输入第一训练模型中,所述第一训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、第一培训目标和标识第一预期反应信息的标识信息;
第三获得单元,所述第三获得单元用于获得所述第一训练模型的输出信息,其中,所述输出信息包括第一预期反应信息,所述第一预期反应信息表示预测现场培训人员的反应信息;
第四获得单元,所述第四获得单元用于通过所述图像采集器对培训人员反应进行图像采集,获得第一图像信息;
第五获得单元,所述第五获得单元用于通过所述声音采集播放器采集培训场地的音频信息,获得第一音频信息;
第六获得单元,所述第六获得单元用于根据所述第一图像信息、所述第一音频信息,获得第一现场反应信息;
第七获得单元,所述第七获得单元用于根据所述第一预期反应信息、所述第一现场反应信息,获得第一培训评价信息;
第八获得单元,所述第八获得单元用于根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放。
第三方面,本发明提供了一种基于电话机器人的智能培训管理方法系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供了一种基于电话机器人的智能培训管理方法及系统,通过获得第一培训资料;获得第一培训目标;将所述第一培训资料、所述第一培训目标输入第一训练模型中,所述第一训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、第一培训目标和标识第一预期反应信息的标识信息;获得所述第一训练模型的输出信息,其中,所述输出信息包括第一预期反应信息,所述第一预期反应信息表示预测现场培训人员的反应信息;通过所述图像采集器对培训人员反应进行图像采集,获得第一图像信息;通过所述声音采集播放器采集培训场地的音频信息,获得第一音频信息;根据所述第一图像信息、所述第一音频信息,获得第一现场反应信息;根据所述第一预期反应信息、所述第一现场反应信息,获得第一培训评价信息;根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放。达到了通过神经网络模型对培训现场气氛进行了科学判断,利用培训现场的氛围结合培训目标对培训内容进行对应调整,以实现与培训目标的高度契合,确保培训效果,进一步完善培训管理机制的技术效果。从而解决了现有技术中公司的各项培训是为了完成考核而被动制定的,存在培训效果不理想,不能达到培训目标而浪费培训资源的技术问题。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于电话机器人的智能培训管理方法的流程示意图;
图2为本申请实施例一种基于电话机器人的智能培训管理系统的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第一输入单元13,第三获得单元14,第四获得单元15,第五获得单元16,第六获得单元17、第七获得单元18、第八获得单元19,总线300,接收器301,处理器302,发送器303,存储器304,总线接口306。
具体实施方式
本申请实施例通过提供一种基于电话机器人的智能培训管理方法及系统,解决了现有技术中公司的各项培训是为了完成考核而被动制定的,存在培训效果不理想,不能达到培训目标而浪费培训资源的技术问题。达到了通过神经网络模型对培训现场气氛进行了科学判断,利用培训现场的氛围结合培训目标对培训内容进行对应调整,以实现与培训目标的高度契合,确保培训效果,进一步完善培训管理机制的技术效果。
下面,将参考附图详细的描述根据本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
培训管理是企业人力资源管理体系的重要组成部分。培训管理是对人员进行培训所做的管理。现代企业之间、行业之间以及行业内部之间的竞争,归根结底是人力资源的竞争,其核心是人才的竞争。有效的培训管理将使员工在知识、技能、态度上不断提高,最大限度地使员工的职能与现任或预期的职能相匹配,进而提高工作绩效。但现有技术中公司的各项培训是为了完成考核而被动制定的,存在培训效果不理想,不能达到培训目标而浪费培训资源的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于电话机器人的智能培训管理方法,所述电话机器人具有一图像采集器、一声音采集播放器,所述方法包括:获得第一培训资料;获得第一培训目标;将所述第一培训资料、所述第一培训目标输入第一训练模型中,所述第一训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、第一培训目标和标识第一预期反应信息的标识信息;获得所述第一训练模型的输出信息,其中,所述输出信息包括第一预期反应信息,所述第一预期反应信息表示预测现场培训人员的反应信息;通过所述图像采集器对培训人员反应进行图像采集,获得第一图像信息;通过所述声音采集播放器采集培训场地的音频信息,获得第一音频信息;根据所述第一图像信息、所述第一音频信息,获得第一现场反应信息;根据所述第一预期反应信息、所述第一现场反应信息,获得第一培训评价信息;根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放。达到了通过神经网络模型对培训现场气氛进行了科学判断,利用培训现场的氛围结合培训目标对培训内容进行对应调整,以实现与培训目标的高度契合,确保培训效果,进一步完善培训管理机制的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
图1为本申请实施例一种基于电话机器人的智能培训管理方法的流程示意图,如图1所示,本申请实施例提供了一种基于电话机器人的智能培训管理方法,所述电话机器人具有一图像采集器、一声音采集播放器,所述方法包括:
步骤100:获得第一培训资料;
步骤200:获得第一培训目标;
步骤300:将所述第一培训资料、所述第一培训目标输入第一训练模型中,所述第一训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、第一培训目标和标识第一预期反应信息的标识信息;
步骤400:获得所述第一训练模型的输出信息,其中,所述输出信息包括第一预期反应信息,所述第一预期反应信息表示预测现场培训人员的反应信息;
具体而言,第一培训资料包括培训内容、培训流程,第一培训目标为培训预期达到的培训效果,包括培训过程中每个环节希望达到的培训效果,根据培训资料和培训目标,对每个流程对应培训气氛进行预测,为了提现场培训气氛预测结果的准确性,为提高培训效果而能够做出可靠的指导,本申请实施例利用了神经网络模型的优势,将多组培训资料、培训目标和标识了满足培训资料、培训目标要求的对应培训现场气氛的预测信息标记作为训练数据,进行了模型训练,并通过大量数据训练和校正以确保神经网络模型的准确性。这样通过数据输入训练模型中,可以获得与标识满足培训资料、培训目标要求的对应培训现场气氛的预测信息相匹配的输出结果。所述第一神经网络模型即机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据集的训练,将所述第一培训资料、第一培训目标输入神经网络模型,则输出满足培训资料、培训目标要求的对应培训现场气氛的预测信息。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括第一培训资料、第一培训目标和标识满足培训资料、培训目标要求的对应培训现场气氛的预测信息的标识信息,将所述第一培训资料、第一培训目标输入到神经网络模型中,所述神经网络模型输出满足培训资料、培训目标要求的对应培训现场气氛的预测信息的输出结果,判断所述输出信息与标识满足培训资料、培训目标要求的对应培训现场气氛的预测信息的标识信息是否一致,如一致,进行下一组数据的监督学习;如果所述输出信息与标识满足培训资料、培训目标要求的对应培训现场气氛的预测信息的标识信息不一致,则所述神经网络模型进行自我修正、调整,直至获得的输出信息与标识满足培训资料、培训目标要求的对应培训现场气氛的预测信息的标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入数据更加准确,进而使得输出的满足培训资料、培训目标要求的对应培训现场气氛的预测信息更加准确,进而更加准确的分析出满足培训资料、培训目标要求的对应培训现场气氛的预测信息,达到了为培训效果的评价和培训内容的调整提供可靠指导的技术效果。
步骤500:通过所述图像采集器对培训人员反应进行图像采集,获得第一图像信息;
具体而言,通过电话机器人的图像采集器对培训现场、参加培训人员的动态进行实时采集,采集到的图像信息作为第一图像信息,即可以用来反应参加培训的人员现场回应情况,通过培训人员的反应来确定培训人员的培训效果。
步骤600:通过所述声音采集播放器采集培训场地的音频信息,获得第一音频信息;
具体而言,通过电话机器人的声音采集播放器对培训现场的声音进行采集和存储,通过现场气氛的声音采集情况来反应现场人员的参与度和现场气氛。同时声音采集播放器还应用于在培训环节中的互动流程的音频采集和传输,以实现培训中的互动,以调动培训人员的积极性和参与感,不是机械被动的接收。同时图像采集器和声音采集播放器会与电话机器人的存储设备连接,将实时采集到的数据传输给存储设备进行存储,以达到做培训记录的效果,提高培训管理的全面性。
步骤700:根据所述第一图像信息、所述第一音频信息,获得第一现场反应信息;
具体而言,利用参加培训人员的图像信息,如面部表情、肢体动作,再结合音频信息,如现场的笑声、讨论声、鼓掌声等,对现场的气氛进行综合评定,确定第一现场反应信息,用来反应现场的实际培训氛围。
步骤800:根据所述第一预期反应信息、所述第一现场反应信息,获得第一培训评价信息;
具体而言,将预测出的第一预期反应信息和通过机器人实时采集到的真实现场反应信息即第一现场反应信息进行比对,以确定培训过程中达到的效果是否满足预期,和设定的培训内容目标是否相符,来进行培训效果评定,该结果作为第一培训评价信息。举例而言,在培训内容和目标的评定中,某一环节培训人员应该记录,通过图像信息反馈参加培训的人员没有面部反应也没有写字的动作,则该反应则没有达到预期的效果。再比如,某环节需要参加培训的人讨论,但是音频采集不到声音,或者图像反应培训人员没有动作没有张口,则现场反应也与预期反应不符,对应的第一培训评价信息数据就会不符合,或者设定为数值较低,具体按照设定的识别方式进行识别。
步骤900:根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放。
进一步而言,本申请实施例步骤900:所述根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放,包括:
步骤910:判断所述第一培训评价信息是否满足第一预定阈值;
步骤920:当满足时,所述第一指令为继续所述第一培训资料内容并存储;
步骤930:当不满足时,所述第一指令为调整所述第一培训资料的播放内容并存储。
具体而言,根据设定的预定条件即第一预定阈值对第一培训评价信息进行评定,是否满足预设的培训氛围,当满足时,则表明培训现场的效果和预设的效果相符合,达到了要求,可以继续按照设定的培训内容继续。当评价结果为不能满足预定阈值时,则表明培训效果与预期不相符,需要进行对应调整,或者进行暂停,以调节当前的状况,能够改变现场的氛围,提高培训效果。从而解决了现有技术中公司的各项培训是为了完成考核而被动制定的,存在培训效果不理想,不能达到培训目标而浪费培训资源的技术问题。达到了通过神经网络模型对培训现场气氛进行了科学判断,利用培训现场的氛围结合培训目标对培训内容进行对应调整,以实现与培训目标的高度契合,确保培训效果,进一步完善培训管理机制的技术效果。
进一步而言,本申请实施例步骤100之前,包括:
步骤1010:获得第一培训要求;
步骤1020:获得第一人员资料;
步骤1030:根据所述第一培训要求、所述第一人员资料,获得第一培训主题;
步骤1040:将所述第一培训主题作为第一输入数据;
步骤1050:将所述第一培训要求作为第二输入数据;
步骤1060:将所述第一输入数据、所述第二输入数据输入第二训练模型中,所述第二训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一输入数据、所述第二输入数据和标识第一培训类型的标识信息;
步骤1070:获得所述第二训练模型的输出信息,其中,所述输出信息包括第一培训类型,所述第一培训类型表示匹配出与培训主题、参加人员符合度最高的培训形式信息;
步骤1080:根据所述第一培训类型、所述第一培训主题,获得所述第一培训资料。
具体而言,本申请实施例还具有培训内容的推荐功能,按照公司的介绍,结合参加培训人员的身份、工作性质、培训目的等对培训内容进行定制和推荐,为了推荐培训的准确性,利用了神经网络模型进行数据分析处理,将将所述第一培训主题作为第一输入数据,即培训内容的类别、科目等,将所述第一培训要求作为第二输入数据,即需要达到什么培训目的,如入职培训、技能培训、条款培训、升职培训等,输出结果为培训主题、参加人员符合度最高的培训形式及内容信息。以实现按照参加的人员和要求科学的进行培训内容和形式的推荐,符合公司的培训要求和目的,提高培训效果,而对应节约培训成本,避免错误选择带来的时间、精力、金钱的浪费。从而解决了现有技术中许多企业不仅停留在简单的技能培训上,而且多以应急式的业务培训为主,很少做到全面、准确地从素质要求、知识结构、能力出发来制定培训内容,因而不能紧跟时局的变化来合理安排培训计划,浪费培训资源的技术问题。
进一步而言,本申请实施例还包括:
步骤1110:获得第二图像信息,所述第二图像信息为通过所述图像采集器采集到的参加培训人员的面部信息;
步骤1120:获得所述第一人员资料,所述第一人员资料中包括参加培训人员的照片信息;
步骤1130:根据所述第二图像信息、所述第一人员资料,获得第一考勤信息;
步骤1140:根据所述第一考勤信息,获得第二指令,所述第二指令用于存储所述第一考勤信息。
进一步而言,本申请实施例还包括:
步骤1210:根据所述第一培训资料、所述第一培训目标,获得第一考核信息;
进一步而言,为了提高第一考核信息确定的准确性,本申请实施例步骤1210包括:
步骤1211:将所述第一培训资料、所述第一培训目标输入第三训练模型中,所述第三训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、所述第一培训目标和标识第一考核信息的标识信息;
步骤1212:获得所述第三训练模型的输出信息,其中,所述输出信息包括第一考核信息,所述第一考核信息表示用于评价培训结果而采用的评价内容信息。
步骤1220:获得第一人员资料;
步骤1230:根据所述第一人员资料、所述第一考核信息,获得第一人员评价信息;
步骤1240:根据所述第一人员评价信息、第一考勤信息,获得第一人员评价结果。
具体而言,为了完善培训管理,本申请实施例具有考核功能,对参加培训的人员进行考勤记录,同时将考勤记录存储于培训管理系统中,用于后期对培训绩效考核作为参考,通过图像采集器对参加培训的人员进行面部识别,对提交的培训名单进行一一对比,将识别到的人员进行到会登记,对于没有识别到的人员进行缺勤登记,可以对应的培训考勤制度进行打分,再结合培训考核结果进行综合评定。考核结果是对培训内容检查测试后的结果,该结果本申请培训内容和培训目标进行分析处理,科学定制的考核规则,为了提高考核信息定制的准确性,为培训人员提供公平有效的培训考核,本申请实施例利用了神经网络模型的优势,将多组第一培训资料、所述第一培训目标和标识了第一考核信息的标记作为训练数据,进行了模型训练,并通过大量数据训练和校正以确保神经网络模型的准确性。这样通过数据输入训练模型中,可以获得与标识的第一考核信息相匹配的输出结果。所述第一神经网络模型即机器学习中的神经网络模型,神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络(Artificial Neural Networks),是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据集的训练,将所述第一培训资料、所述第一培训目标输入神经网络模型,则输出第一考核信息。
更进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括第一培训资料、所述第一培训目标和标识第一考核信息的标识信息,将所述第一培训资料、所述第一培训目标输入到神经网络模型中,所述神经网络模型输出包含第一考核信息的第一结果,判断所述输出信息与标识第一考核信息的标识信息是否一致,如一致,进行下一组数据的监督学习;如果所述输出信息与标识第一考核信息的标识信息不一致,则所述神经网络模型进行自我修正、调整,直至获得的输出信息与标识第一考核信息的标识信息一致,则结束本组数据监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率时,则监督学习过程结束。通过对所述神经网络模型的监督学习,进而使得所述神经网络模型处理所述输入数据更加准确,进而使得输出的第一考核信息更加准确,进而更加准确的分析出第一考核信息,针对不同的培训内容和培训方式匹配出不同考核内容,如对于实践型的培训内容,通过操作考核,对于理论的培训内容通过答题的方式,对于技能型的培训可以采用实际操作和答题相结合的方法,同时根据不同的培训内容和培训目标会对应不同等级的考核内容,考核范围等。利用最科学最有效的考核信息对培训人员进行培训考核,以完善培训管理,提高培训效率,同时使培训数据更具有参考价值,为后期的培训定制和核算等工作提供可靠保障。评判培训人员的培训效果和成绩时,本申请实施例采用了考核成绩和考勤相结合的方法进行,当然也可以单独考核,具体可以进行对应的调整,使培训管理系统更加全面,有效避免了现在很多企业虽然进行了培训需求分析,也采用了符合现代培训理念的培训方法和手段,但是在培训评估这一环节却不尽完善甚至常常失位的情况。另外在根据所述第一人员资料、所述第一考核信息,获得第一人员评价信息的过程中,为了提高考核评价的准确性,同样可以采用神经网络模型进行数据训练。
进一步而言,为了保证培训评价数据的安全性,避免恶意篡改,本申请实施例还包括:
步骤1310:根据所述第一人员评价信息生成第一验证码,其中,所述第一验证码是与所述第一人员评价结果一一对应的;
步骤1320:根据第二人员评价信息和第一验证码生成第二验证码;以此类推,根据所述第N人员评价信息和第N-1验证码生成第N验证码,其中,N为大于1的自然数;
步骤1330:将所有人员评价信息和验证码分别复制保存在M台设备上,其中,M为大于1的自然数。
具体而言,为了确保数据信息存储的安全性,确保其不被篡改,可进行基于区块链的加密操作。区块链技术是一项具有普适性的底层技术架构,它通过共识机制在分布式节点上生成和同步数据、借助可编程脚本实现合约条款的自动执行和数据操作。区块链被定义为一种按时间顺序来组织数据区块,不同区块之间按序形成链条状连接的数据结构,借助这种数据结构来构建数字账本。
进一步的,第一数据信息的第一加密等级信息是通过大量的数据训练进行反复的训练获得的,为了保证在进行训练时的训练数据安全性,将训练用实验数据中的第一数据信息生成第一验证码,其中,第一验证码是与第一数据信息(第一人员评价信息)一一对应的;根据第二数据信息(第二人员评价信息)和第一验证码生成第二验证码;···根据所述第N数据信息和第N-1验证码生成第N验证码;将第一数据信息和第一验证码作为第一存储单位;将第二数据信息和第二验证码作为第二存储单位;···将第N数据信息和第N验证码作为第N存储单位。将第一存储单位、第二存储单位、···第N存储单位分别复制保存在N台设备上;当需要调用训练数据时,每后一个节点接收前一节点存储的数据后,通过“共识机制”进行校验后保存,通过哈希技术对于每一存储单位进行串接,使得训练数据不易丢失和遭到破坏,通过将每一数据信息进行区块链计算获得整个训练数据的方式,对数据信息进行加密处理,进而获得安全的、准确的训练数据来获得第一加密等级信息。
进一步而言,本申请实施例还包括:
步骤1410:将所述第N人员评价信息和第N-1验证码作为第N区块;
步骤1420:获得所述第N区块记录时间,所述第N区块记录时间表示第N区块需要记录的时间;
步骤1430:根据所述第N区块记录时间,获得所述M台设备中运力最快的第一设备;
步骤1440:将第N区块的记录权发送给所述第一设备。
具体而言,获得第一存储单位需要的预定记录时间,将不能在预定时间内完成记录第一存储单位的设备排除,获得N台设备中记录第一存储单位运力最快的设备,将第一存储单位的记录权给设备。进一步而言,第二存储单位、第三存储单位、···、第N存储单位均采用如第一存储单位的记录方法,进而保证了去中心化区块链系统的安全、有效和稳定运行,能够保证存储单位能够被快速准确的记录在设备中,进而保证了训练数据不易丢失和安全性。
对数据信息基于区块链的加密处理,有效保证了数据信息的安全,达到了对于数据信息进行安全存储的技术效果。
实施例二
基于与前述实施例中一种基于电话机器人的智能培训管理方法同样发明构思,本发明还提供了一种基于电话机器人的智能培训管理系统,如图2所示,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一培训资料;
第二获得单元12,所述第二获得单元12用于获得第一培训目标;
第一输入单元13,所述第一输入单元13用于将所述第一培训资料、所述第一培训目标输入第一训练模型中,所述第一训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、第一培训目标和标识第一预期反应信息的标识信息;
第三获得单元14,所述第三获得单元14用于获得所述第一训练模型的输出信息,其中,所述输出信息包括第一预期反应信息,所述第一预期反应信息表示预测现场培训人员的反应信息;
第四获得单元15,所述第四获得单元15用于通过所述图像采集器对培训人员反应进行图像采集,获得第一图像信息;
第五获得单元16,所述第五获得单元16用于通过所述声音采集播放器采集培训场地的音频信息,获得第一音频信息;
第六获得单元17,所述第六获得单元17用于根据所述第一图像信息、所述第一音频信息,获得第一现场反应信息;
第七获得单元18,所述第七获得单元18用于根据所述第一预期反应信息、所述第一现场反应信息,获得第一培训评价信息;
第八获得单元19,所述第八获得单元19用于根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放。
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于获得第一培训要求;
第十获得单元,所述第十获得单元用于获得第一人员资料;
第十一获得单元,所述第十一获得单元用于根据所述第一培训要求、所述第一人员资料,获得第一培训主题;
第一执行单元,所述第一执行单元用于将所述第一培训主题作为第一输入数据;
第二执行单元,所述第二执行单元用于将所述第一培训要求作为第二输入数据;
第二输入单元,所述第二输入单元用于将所述第一输入数据、所述第二输入数据输入第二训练模型中,所述第二训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一输入数据、所述第二输入数据和标识第一培训类型的标识信息;
第十二获得单元,所述第十二获得单元用于获得所述第二训练模型的输出信息,其中,所述输出信息包括第一培训类型,所述第一培训类型表示匹配出与培训主题、参加人员符合度最高的培训形式信息;
第十三获得单元,所述第十三获得单元用于根据所述第一培训类型、所述第一培训主题,获得所述第一培训资料。
进一步的,所述系统还包括:
第一判断单元,所述第一判断单元用于判断所述第一培训评价信息是否满足第一预定阈值;
第三执行单元,所述第三执行单元用于当满足时,所述第一指令为继续所述第一培训资料内容并存储;
第四执行单元,所述第四执行单元用于当不满足时,所述第一指令为调整所述第一培训资料的播放内容并存储。
进一步的,所述系统还包括:
第十四获得单元,所述第十四获得单元用于获得第二图像信息,所述第二图像信息为通过所述图像采集器采集到的参加培训人员的面部信息;
第十五获得单元,所述第十五获得单元用于获得所述第一人员资料,所述第一人员资料中包括参加培训人员的照片信息;
第十六获得单元,所述第十六获得单元用于根据所述第二图像信息、所述第一人员资料,获得第一考勤信息;
第十七获得单元,所述第十七获得单元用于根据所述第一考勤信息,获得第二指令,所述第二指令用于存储所述第一考勤信息。
进一步的,所述系统还包括:
第十八获得单元,所述第十八获得单元用于根据所述第一培训资料、所述第一培训目标,获得第一考核信息;
第十九获得单元,所述第十九获得单元用于获得第一人员资料;
第二十获得单元,所述第二十获得单元用于根据所述第一人员资料、所述第一考核信息,获得第一人员评价信息;
第二十一获得单元,所述第二十一获得单元用于根据所述第一人员评价信息、第一考勤信息,获得第一人员评价结果。
进一步的,所述系统还包括:
第三输入单元,所述第三输入单元用于将所述第一培训资料、所述第一培训目标输入第三训练模型中,所述第三训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、所述第一培训目标和标识第一考核信息的标识信息;
第二十二获得单元,所述第二十二获得单元用于获得所述第三训练模型的输出信息,其中,所述输出信息包括第一考核信息,所述第一考核信息表示用于评价培训结果而采用的评价内容信息。
进一步的,所述系统还包括:
第一生成单元,所述第一生成单元用于根据所述第一人员评价信息生成第一验证码,其中,所述第一验证码是与所述第一人员评价结果一一对应的;
第二生成单元,所述第二生成单元用于根据第二人员评价信息和第一验证码生成第二验证码;以此类推,根据所述第N人员评价信息和第N-1验证码生成第N验证码,其中,N为大于1的自然数;
第一复制单元,所述第一复制单元用于将所有人员评价信息和验证码分别复制保存在M台设备上,其中,M为大于1的自然数。
进一步的,所述系统包括:
第五执行单元,所述第五执行单元用于将所述第N人员评价信息和第N-1验证码作为第N区块;
第二十三获得单元,所述第二十三获得单元用于获得所述第N区块记录时间,所述第N区块记录时间表示第N区块需要记录的时间;
第二十四获得单元,所述第二十四获得单元用于根据所述第N区块记录时间,获得所述M台设备中运力最快的第一设备;
第一发送单元,所述第一发送单元用于将第N区块的记录权发送给所述第一设备。
前述图1实施例一中的一种基于电话机器人的智能培训管理方法的各种变化方式和具体实例同样适用于本实施例的一种基于电话机器人的智能培训管理系统,通过前述对一种基于电话机器人的智能培训管理方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于电话机器人的智能培训管理系统的实施方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于电话机器人的智能培训管理方法的发明构思,本发明还提供一种基于电话机器人的智能培训管理系统,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种基于电话机器人的智能培训管理方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他系统通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例中的上述一个或多个技术方案,至少具有如下一种或多种技术效果:
本申请实施例提供了一种基于电话机器人的智能培训管理方法及系统,通过获得第一培训资料;获得第一培训目标;将所述第一培训资料、所述第一培训目标输入第一训练模型中,所述第一训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、第一培训目标和标识第一预期反应信息的标识信息;获得所述第一训练模型的输出信息,其中,所述输出信息包括第一预期反应信息,所述第一预期反应信息表示预测现场培训人员的反应信息;通过所述图像采集器对培训人员反应进行图像采集,获得第一图像信息;通过所述声音采集播放器采集培训场地的音频信息,获得第一音频信息;根据所述第一图像信息、所述第一音频信息,获得第一现场反应信息;根据所述第一预期反应信息、所述第一现场反应信息,获得第一培训评价信息;根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放。达到了通过神经网络模型对培训现场气氛进行了科学判断,利用培训现场的氛围结合培训目标对培训内容进行对应调整,以实现与培训目标的高度契合,确保培训效果,进一步完善培训管理机制的技术效果。从而解决了现有技术中公司的各项培训是为了完成考核而被动制定的,存在培训效果不理想,不能达到培训目标而浪费培训资源的技术问题。
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、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系统。
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。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种基于电话机器人的智能培训管理方法,所述电话机器人具有一图像采集器、一声音采集播放器,其中,所述方法包括:
获得第一培训资料;
获得第一培训目标;
将所述第一培训资料、所述第一培训目标输入第一训练模型中,所述第一训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、第一培训目标和标识第一预期反应信息的标识信息;
获得所述第一训练模型的输出信息,其中,所述输出信息包括第一预期反应信息,所述第一预期反应信息表示预测现场培训人员的反应信息;
通过所述图像采集器对培训人员反应进行图像采集,获得第一图像信息;
通过所述声音采集播放器采集培训场地的音频信息,获得第一音频信息;
根据所述第一图像信息、所述第一音频信息,获得第一现场反应信息;
根据所述第一预期反应信息、所述第一现场反应信息,获得第一培训评价信息;
根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放;
其中,所述获得第一培训资料之前,包括:
获得第一培训要求;
获得第一人员资料;
根据所述第一培训要求、所述第一人员资料,获得第一培训主题;
将所述第一培训主题作为第一输入数据;
将所述第一培训要求作为第二输入数据;
将所述第一输入数据、所述第二输入数据输入第二训练模型中,所述第二训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一输入数据、所述第二输入数据和标识第一培训类型的标识信息;
获得所述第二训练模型的输出信息,其中,所述输出信息包括第一培训类型,所述第一培训类型表示匹配出与培训主题、参加人员符合度最高的培训形式信息;
根据所述第一培训类型、所述第一培训主题,获得所述第一培训资料。
2.如权利要求1所述的基于电话机器人的智能培训管理方法,其中,所述根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放,包括:
判断所述第一培训评价信息是否满足第一预定阈值;
当满足时,所述第一指令为继续所述第一培训资料内容并存储;
当不满足时,所述第一指令为调整所述第一培训资料的播放内容并存储。
3.如权利要求1所述的基于电话机器人的智能培训管理方法,其中,所述方法包括:
获得第二图像信息,所述第二图像信息为通过所述图像采集器采集到的参加培训人员的面部信息;
获得所述第一人员资料,所述第一人员资料中包括参加培训人员的照片信息;
根据所述第二图像信息、所述第一人员资料,获得第一考勤信息;
根据所述第一考勤信息,获得第二指令,所述第二指令用于存储所述第一考勤信息。
4.如权利要求3所述的基于电话机器人的智能培训管理方法,其中,所述方法包括:
根据所述第一培训资料、所述第一培训目标,获得第一考核信息;
获得第一人员资料;
根据所述第一人员资料、所述第一考核信息,获得第一人员评价信息;
根据所述第一人员评价信息、第一考勤信息,获得第一人员评价结果。
5.如权利要求4所述的基于电话机器人的智能培训管理方法,其中,所述根据所述第一培训资料、所述第一培训目标,获得第一考核信息,包括:
将所述第一培训资料、所述第一培训目标输入第三训练模型中,所述第三训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、所述第一培训目标和标识第一考核信息的标识信息;
获得所述第三训练模型的输出信息,其中,所述输出信息包括第一考核信息,所述第一考核信息表示用于评价培训结果而采用的评价内容信息。
6.如权利要求4所述的基于电话机器人的智能培训管理方法,其中,所述方法包括:
根据所述第一人员评价信息生成第一验证码,其中,所述第一验证码是与所述第一人员评价结果一一对应的;
根据第二人员评价信息和第一验证码生成第二验证码;以此类推,根据第N人员评价信息和第N-1验证码生成第N验证码,其中,N为大于1的自然数;
将所有人员评价信息和验证码分别复制保存在M台设备上,其中,M为大于1的自然数。
7.如权利要求6所述的基于电话机器人的智能培训管理方法,其中,所述方法包括:
将所述第N人员评价信息和第N-1验证码作为第N区块;
获得第N区块记录时间,所述第N区块记录时间表示第N区块需要记录的时间;
根据所述第N区块记录时间,获得所述M台设备中运力最快的第一设备;
将第N区块的记录权发送给所述第一设备。
8.一种基于电话机器人的智能培训管理系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一培训资料;
第二获得单元,所述第二获得单元用于获得第一培训目标;
第一输入单元,所述第一输入单元用于将所述第一培训资料、所述第一培训目标输入
第一训练模型中,所述第一训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一培训资料、第一培训目标和标识第一预期反应信息的标识信息;
第三获得单元,所述第三获得单元用于获得所述第一训练模型的输出信息,其中,所述输出信息包括第一预期反应信息,所述第一预期反应信息表示预测现场培训人员的反应信息;
第四获得单元,所述第四获得单元用于通过图像采集器对培训人员反应进行图像采集,获得第一图像信息;
第五获得单元,所述第五获得单元用于通过声音采集播放器采集培训场地的音频信息,获得第一音频信息;
第六获得单元,所述第六获得单元用于根据所述第一图像信息、所述第一音频信息,获得第一现场反应信息;
第七获得单元,所述第七获得单元用于根据所述第一预期反应信息、所述第一现场反应信息,获得第一培训评价信息;
第八获得单元,所述第八获得单元用于根据所述第一培训评价信息,获得第一指令,所述第一指令用于控制所述第一培训资料的播放;
第九获得单元,所述第九获得单元用于获得第一培训要求;
第十获得单元,所述第十获得单元用于获得第一人员资料;
第十一获得单元,所述第十一获得单元用于根据所述第一培训要求、所述第一人员资料,获得第一培训主题;
第一执行单元,所述第一执行单元用于将所述第一培训主题作为第一输入数据;
第二执行单元,所述第二执行单元用于将所述第一培训要求作为第二输入数据;
第二输入单元,所述第二输入单元用于将所述第一输入数据、所述第二输入数据输入第二训练模型中,所述第二训练模型使用多组训练数据训练出来的,所述多组中的训练数据中的每一组训练数据包括:所述第一输入数据、所述第二输入数据和标识第一培训类型的标识信息;
第十二获得单元,所述第十二获得单元用于获得所述第二训练模型的输出信息,其中,所述输出信息包括第一培训类型,所述第一培训类型表示匹配出与培训主题、参加人员符合度最高的培训形式信息;
第十三获得单元,所述第十三获得单元用于根据所述第一培训类型、所述第一培训主题,获得所述第一培训资料。
9.一种基于电话机器人的智能培训管理系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述基于电话机器人的智能培训管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130325.1A CN112905758B (zh) | 2021-01-29 | 2021-01-29 | 一种基于电话机器人的智能培训管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110130325.1A CN112905758B (zh) | 2021-01-29 | 2021-01-29 | 一种基于电话机器人的智能培训管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905758A CN112905758A (zh) | 2021-06-04 |
CN112905758B true CN112905758B (zh) | 2023-01-10 |
Family
ID=76121666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110130325.1A Active CN112905758B (zh) | 2021-01-29 | 2021-01-29 | 一种基于电话机器人的智能培训管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905758B (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107451741A (zh) * | 2017-08-03 | 2017-12-08 | 河海大学 | 一种残疾人职业技能培训效果评价方法 |
CN107895259A (zh) * | 2017-11-24 | 2018-04-10 | 广东电网有限责任公司云浮供电局 | 一种培训过程管理方法及系统 |
CN109948930A (zh) * | 2019-03-18 | 2019-06-28 | 北京泊远网络科技有限公司 | 用于驾驶培训规划的深度学习方法及其应用 |
CN110060538A (zh) * | 2019-04-08 | 2019-07-26 | 上海云之驾科技股份有限公司 | 基于历史数据建模的个性化人工智能驾培训练系统及方法 |
CN111950987B (zh) * | 2020-08-18 | 2022-03-15 | 远程教育科技(山东)有限公司 | 一种基于互联网的远程教育培训方法及系统 |
-
2021
- 2021-01-29 CN CN202110130325.1A patent/CN112905758B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112905758A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597991B (zh) | 文本分类方法、装置、计算机设备及存储介质 | |
Li et al. | Combining rule-based expert systems and artificial neural networks for mark-up estimation | |
CN108921748B (zh) | 基于大数据分析的教学规划方法及计算机可读介质 | |
CN113014566B (zh) | 恶意注册的检测方法、装置、计算机可读介质及电子设备 | |
CN112232891B (zh) | 一种基于大数据分析的客户匹配方法和装置 | |
Guido | Paraconsistent feature engineering [lecture notes] | |
Wang et al. | A unified interpretable intelligent learning diagnosis framework for learning performance prediction in intelligent tutoring systems | |
CN110286938A (zh) | 用于输出针对用户的评价信息的方法和装置 | |
CN115547437A (zh) | 一种基于医疗联邦方的训练系统及训练方法 | |
CN113889262A (zh) | 基于模型的数据预测方法、装置、计算机设备和存储介质 | |
CN118211268A (zh) | 基于扩散模型的异构联邦学习隐私保护方法及系统 | |
KR20100060555A (ko) | 알에프아이디 기술 및 퍼지이론을 이용한 가상대학 시스템과 이를 이용한 학사 관리 방법 | |
Serhani et al. | Dynamic Data Sample Selection and Scheduling in Edge Federated Learning | |
CN114219419A (zh) | 一种基于区块链智能合约的混凝土工程责任分担方法 | |
CN112905758B (zh) | 一种基于电话机器人的智能培训管理方法及系统 | |
CN116896452B (zh) | 基于数据处理的计算机网络信息安全管理方法及系统 | |
CN113761217A (zh) | 基于人工智能的题目集数据处理方法、装置和计算机设备 | |
CN111950987B (zh) | 一种基于互联网的远程教育培训方法及系统 | |
CN115328786A (zh) | 一种基于区块链的自动化测试方法、装置和存储介质 | |
CN114117033A (zh) | 知识追踪方法及系统 | |
CN107025497A (zh) | 一种基于Elman神经网络的电力负荷预警方法及装置 | |
Oborskyi et al. | Project manager job description as one of project management key success fa | |
CN112288342A (zh) | 一种提高多中心协作质量控制的数据处理方法和系统 | |
CN111815489A (zh) | 一种基于大数据的算法分析设计教学方法及装置 | |
CN111598105A (zh) | 一种专利地图构建方法及装置 |
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 |