CN114265601A - 管理人工智能应用的方法、设备和程序产品 - Google Patents
管理人工智能应用的方法、设备和程序产品 Download PDFInfo
- Publication number
- CN114265601A CN114265601A CN202010973307.5A CN202010973307A CN114265601A CN 114265601 A CN114265601 A CN 114265601A CN 202010973307 A CN202010973307 A CN 202010973307A CN 114265601 A CN114265601 A CN 114265601A
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- version
- intelligence application
- input data
- terminal device
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/34—Network arrangements or protocols for supporting network services or applications involving the movement of software or configuration parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03M—CODING; DECODING; CODE CONVERSION IN GENERAL
- H03M7/00—Conversion of a code where information is represented by a given sequence or number of digits to a code where the same, similar or subset of information is represented by a different sequence or number of digits
- H03M7/30—Compression; Expansion; Suppression of unnecessary data, e.g. redundancy reduction
- H03M7/3059—Digital compression and data reduction techniques where the original information is represented by a subset or similar information, e.g. lossy compression
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Stored Programmes (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开涉及管理人工智能应用的方法、设备和程序产品。在一种方法中,接收将要被人工智能应用处理的输入数据。利用输入数据更新人工智能应用的第一版本以生成第二版本,该第一版本被部署在服务器设备处。压缩人工智能应用的第二版本以生成人工智能应用的第三版本。向终端设备部署人工智能应用的第三版本,以替换被部署在终端设备处的人工智能应用的第四版本,人工智能应用的第四版本用于处理在终端设备处接收到的输入数据。提供了相应的设备和计算机程序产品。通过在服务器设备处部署人工智能应用的完整版本并且在终端设备侧部署精简版本,可以随着输入数据的特征变化而快速更新精简版本,避免因输入特征变化造成人工智能应用的性能下降。
Description
技术领域
本公开的各实现方式涉及人工智能,更具体地,涉及用于在服务器设备处以及在终端设备处管理人工智能应用的方法、设备和计算机程序产品。
背景技术
随着人工智能技术的发展,人工智能技术已经涉及人们生活的诸多领域。例如,可以在终端设备(诸如,智能手机)处部署用于处理运动数据的人工智能应用,以便确定携带该终端设备的用户的运动步数和轨迹。又例如,可以在终端设备处部署用于图像处理的人工智能应用,以便去除智能手机拍摄的图像中的抖动和噪声等。将会理解,终端设备的存储能力和计算能力都存在限制,此时,如何及时地维护和更新终端设备处的人工智能应用,成为一个研究热点。
发明内容
因而,期望能够开发并实现一种以更为有效的方式来管理人工智能应用的技术方案。期望该技术方案能够以更为方便和有效的方式,维护和更新人工智能应用。
根据本公开的第一方面,提供了一种用于管理人工智能应用的方法。在该方法中,接收将要被人工智能应用处理的输入数据。利用输入数据更新人工智能应用的第一版本以生成人工智能应用的第二版本,人工智能应用的第一版本被部署在服务器设备处。压缩人工智能应用的第二版本以生成人工智能应用的第三版本。向终端设备部署人工智能应用的第三版本,以替换被部署在终端设备处的人工智能应用的第四版本,人工智能应用的第四版本用于处理在终端设备处接收到的输入数据。
根据本公开的第二方面,提供了一种电子设备,包括:至少一个处理器;易失性存储器;以及与至少一个处理器耦合的存储器,存储器具有存储于其中的指令,指令在被至少一个处理器执行时使得设备执行根据本公开的第一方面的方法。
根据本公开的第三方面,提供了一种计算机程序产品,计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,机器可执行指令用于执行根据本公开的第一方面的方法。
根据本公开的第四方面,提供了一种用于管理人工智能应用的方法。在该方法中,利用被部署在终端设备处的人工智能应用的第四版本处理输入数据以提供输出数据。向被部署有人工智能应用的第一版本的服务器设备传输输入数据,以用于利用输入数据将人工智能应用的第一版本更新至人工智能应用的第二版本。接收来自服务器设备的人工智能应用的第三版本,人工智能应用的第三版本是基于压缩人工智能应用的第二版本所获得的。向终端设备部署人工智能应用的第三版本以替换人工智能应用的第四版本。
根据本公开的第五方面,提供了一种电子设备,包括:至少一个处理器;易失性存储器;以及与至少一个处理器耦合的存储器,存储器具有存储于其中的指令,指令在被至少一个处理器执行时使得设备执行根据本公开的第四方面的方法。
根据本公开的第六方面,提供了一种计算机程序产品,计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,机器可执行指令用于执行根据本公开的第四方面的方法。
附图说明
结合附图并参考以下详细说明,本公开各实现方式的特征、优点及其他方面将变得更加明显,在此以示例性而非限制性的方式示出了本公开的若干实现方式。在附图中:
图1示意性示出了其中可以实现本公开的示例性实现方式的应用环境的框图;
图2示意性示出了根据本公开的示例性实现方式的用于管理人工智能应用的过程的框图;
图3示意性示出了根据本公开的示例性实现方式的用于管理人工智能应用的方法的流程图;
图4示意性示出了根据本公开的示例性实现方式的在服务器设备处管理人工智能应用的过程的框图;
图5示意性示出了根据本公开的示例性实现方式的用于管理人工智能应用的方法的流程图;
图6示意性示出了根据本公开的示例性实现方式的在终端设备和服务器设备之间的交互过程的框图;
图7示意性示出了根据本公开的示例性实现方式的用于生成不同版本的人工智能应用的过程的框图;
图8示意性示出了根据本公开的示例性实现方式的基于双重版本的管理人工智能应用的过程的框图;以及
图9示意性示出了根据本公开的示例性实现的用于管理人工智能应用的设备的框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实现。虽然附图中显示了本公开的优选实现,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实现所限制。相反,提供这些实现是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
在本文中使用的术语“包括”及其变形表示开放性包括,即“包括但不限于”。除非特别申明,术语“或”表示“和/或”。术语“基于”表示“至少部分地基于”。术语“一个示例实现”和“一个实现”表示“至少一个示例实现”。术语“另一实现”表示“至少一个另外的实现”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。
为了便于描述起见,在下文中,将以在终端设备上部署的计步器应用作为人工智能应用的具体示例进行描述。假设计步器应用可以处理来自用户的行走数据,然而当用户开始跑步时,则计步器应用的输出结果出现较大偏差。此时应当更新计步器应用的版本。
由于终端设备的计算能力和存储能力都较小,在终端设备上使用的人工智能应用的规模通常较小。目前已经提出了向终端设备部署人工智能应用的方法。例如,可以基于决策树、逻辑回归等方法来获得经训练的模型。继而,可以利用C语言或者其他语言来重写已经训练的模型,并将最终的目标程序部署至终端设备。又例如,可以利用具有图像处理单元(GPU)的服务器设备来获得经训练的模型。继而,通过人工压缩和剪枝等方式,来将该模型转换至小型人工智能应用。然而,上述方式都涉及较长的开发周期,这导致终端设备上的人工智能应用的版本更新时间过长。此时,用户不得不长时间等待版本更新。
为了解决上述缺陷,本公开的实现方式提供了一种用于管理人工智能应用的技术方案。首先参见图1描述根据本公开的示例性实现方式的应用环境。图1示意性示出了其中可以实现本公开的示例性实现方式的应用环境的框图100。如图1所示,终端设备110例如可以是智能手机或者智能手环,在该终端设备110上可以运行人工智能应用140(例如,计步器应用)。当用户携带终端设备110并且运动时,终端设备110中的运动传感器将会采集输入数据130。人工智能应用140可以处理输入数据130,并且输出例如运动步数和轨迹等输出数据。
根据本公开的示例性实现方式,服务器设备120可以实时地监视输入数据130并确定是否需要更新人工智能应用140。在确定需要更新时,可以利用输入数据130来更新已有的人工智能应用。具体地,假设人工智能应用140是为处理行走数据而开发的,当用户开始跑步时,则人工智能应用140将不能正确地检测运动步数和轨迹等。此时,通过实时地监视输入数据130和人工智能应用140的运行状态,可以迅速发现更新需求,以便执行更新进而提供可以处理跑步数据的人工智能应用。
在下文中,将参见图2描述本公开的更多细节。图2示意性示出了根据本公开的示例性实现方式的用于管理人工智能应用的过程的框图200。如图2所示,可以分别在服务器设备120和终端设备110上提供不同的版本,即,完整版本的人工智能应用210和精简版本的人工智能应用220。在此,完整版本的人工智能应用210运行于服务器侧,并且可以处理各种复杂的输入数据。精简版本的人工智能应用220运行于终端侧,并且可以处理较为简单的输入数据。
当发现精简版本的人工智能应用220不能正确处理输入数据130时,则可以基于输入数据130来更新完整版本的人工智能应用210。继而,可以将更新后的完整版本进行压缩以便获得更新的精简版本。进一步,可以利用更新的精简版本来替换终端设备110处的人工智能应用220。通过在服务器设备处部署人工智能应用的完整版本并且在终端设备侧部署精简版本,可以随着输入数据的特征变化而快速更新精简版本,避免因输入特征变化造成人工智能应用的性能下降。利用本公开的示例性实现方式,可以实时地更新该人工智能应用220,进而提高人工智能应用的准确性和其他方面的性能。
在下文中,将参见图3描述根据本公开的示例性实现方式的更多细节。图3示意性示出了根据本公开的示例性实现方式的用于管理人工智能应用的方法300的流程图。可以在服务器设备120处实现上述方法300。在框310处,接收将要被人工智能应用处理的输入数据130。可以从终端设备110处的传感器采集输入数据130。例如,可以实时地接收输入数据130。以此方式,可以连续监控输入数据130以及人工智能应用220的运行状态。
备选地和/或附加地,可以以预定频率接收输入数据130;又例如,可以由终端设备110首先处理输入数据130,并且在发现输入数据130出现变化时,才向服务器设备120发送输入数据130。以此方式,可以降低用于传输输入数据130的带宽需求,并且降低终端设备110和服务器设备120用于发送和接收输入数据130导致的额外开销。
根据本公开的示例性实现方式,可以在预定时间间隔启动更新过程。根据本公开的示例性实现方式,可以响应于用于更新所述人工智能应用的更新请求,来启动更新过程。利用本公开的示例性实现方式,在服务器设备120处,可以不断地生成最新的完整版本,以便用于更新终端设备110处的精简版本。
在框320处,利用输入数据130更新人工智能应用的第一版本以生成人工智能应用的第二版本。在此,人工智能应用的第一版本被部署在服务器设备处,例如,第一版本可以是如图2所示的完整版本的人工智能应用210。
在下文中,将参见图4描述如何管理各个版本的人工智能应用,该图4示意性示出了根据本公开的示例性实现方式的在服务器设备120处管理人工智能应用的过程的框图400。在此的人工智能应用可以是计步器应用,并且第一版本410和第二版本420可以是完整版本。具体地,可以利用输入数据130来训练430第一版本210,以便生成432第二版本410。利用本公开的示例性实现方式,可以利用新接收到的输入数据130,不断地训练服务器设备120处的第一版本410。以此方式,可以使得服务器设备120处的完整版本更加适合于处理新接收到的输入数据130。
根据本公开的示例性实现方式,可以为上文的训练过程设置触发条件。具体地,可以检测输入数据130的变化。如果确定输入数据130的变化高于预定阈值,则启动训练过程。在计步器应用的示例中,如果输入数据130指示用户从行走状态转换至跑步状态,则可以启动训练过程。根据本公开的示例性实现方式,可以基于目前已经开发的和/或将在未来开发的多种训练技术来更新人工智能应用。利用输入数据130来训练人工智能应用的第一版本210,可以获得人工智能应用的第二版本410。
将会理解,由于终端设备110的计算能力和存储能力的限制,不能直接将第二版本420部署在终端设备110处。在图3的框330处,压缩人工智能应用的第二版本420以生成442人工智能应用的第三版本430。在此的第三版本430是人工智能应用的精简版本。根据本公开的示例性实现方式,可以基于多种方式来将第二版本压缩444至第三版本420。将会理解,第二版本420是完整版本,因而可能会占用较大的存储空间并且占用较高计算资源。为了生成适合于部署在终端设备110处的精简版本,可以删除人工智能应用的第二版本420中的冗余参数。例如,可以删除第二版本420中的与最终输出结果无关的中间数据,等等。
根据本公开的示例性实现方式,可以裁剪人工智能应用的第二版本420中的冗余分支。将会理解,第二版本420可以包括用于处理某些异常情况的分支。考虑到终端设备的存储能力和计算能力方面的限制,可以去除这些极少被使用的冗余分支,以便降低第三版本430所需的存储空间和计算量。
根据本公开的示例性实现方式,可以根据输入数据130的格式,来简化人工智能应用的处理。将会理解,完整版本的人工智能应用可以适合于处理包括多种信号的复杂输入数据。例如,完整版本可以处理全球定位信号数据、加速器数据、陀螺仪数据、地磁传感器数据等等。然而,终端设备110可能并不具有地磁传感器,此时完整版本中的有关处理地磁数据的部分是无效的,因而可以去除该部分功能。
根据本公开的示例性实现方式,可以降低人工智能应用的第二版本420中的参数的精度。例如,假设在服务器设备120处的训练过程中,全部参数采用32位来表示。由于终端设备110仅具有较低的处理能力和较小存储空间,可以利用16位或者其他较低精度来表示人工智能应用中的参数。
利用本公开的示例性实现方式,尽管此时人工智能应用的精度会有所下降,然而压缩后的第三版本430已经被转换为适合于部署在终端设备110上的精简版本。例如,人工智能应用的大小可以从上百兆字节降低至数兆字节,以便适合于终端设备110的存储能力和处理能力。
在框340处,向终端设备110部署人工智能应用的第三版本430,以替换被部署在终端设备处的人工智能应用的第四版本。将会理解,人工智能应用的第四版本是指原本部署在终端设备110中的用于处理在终端设备处接收到的输入数据的人工智能应用(例如,如图2所示的精简版本的人工智能应用220)。利用本公开的示例性实现方式,第三版本430是基于最新接收到的输入数据130训练所获得的精简版本,利用该精简版本来替换终端设备110中的已经不能提供准确输出的过时版本,可以大大提高处理输入数据130的过程的准确性。
将会理解,训练过程将会占用一定的时间。在训练过程期间,可以利用服务器设备120处的第一版本410来处理输入数据130,以避免数据处理的中断。尽管此时第一版本210可能并不能输出完全准确的结果,相对于在终端设备110处的第四版本的性能而言,第一版本410具有更高的准确性并且适合于处理更为多样的输入数据。进一步,可以将在服务器设备120处获得的结果发送至终端设备110处,以便解决第四版本准确性较低的问题。
根据本公开的示例性实现方式,随着训练过程的进行,可以不断地获得当前最新的第二版本420。此时,可以利用第二版本420来处理输入数据130。随着训练过程的推进,训练所得的完整版本将会越来越适合于处理输入数据130。可以不断地向终端设备110发送处理结果。
上文已经参见图3和图4描述在服务器设备120处执行的过程,在下文中,将参见图5描述在终端设备110处执行的过程。图5示意性示出了根据本公开的示例性实现方式的用于管理人工智能应用的方法500的流程图。根据本公开的示例性实现方式,可以在终端设备110处执行上述方法500。在框510处,利用被部署在终端设备110处的人工智能应用的第四版本处理输入数据130以提供输出数据。在此的第四版本例如可以是用于处理运动数据的计步器应用的精简版本。
根据本公开的示例性实现方式,可以检测输入数据130的变化。如果确定输入数据130的变化低于预定阈值,则表示可以继续使用第四版本。此时,可以利用人工智能应用的第四版本处理输入数据130。如果输入数据130的变化高于预定阈值,则表示第四版本已经不再适合于处理当前的输入数据130,并且可以启动更新过程。
在框520处,向被部署有人工智能应用的第一版本的服务器设备120传输输入数据130,以用于利用输入数据130将人工智能应用的第一版本410更新至人工智能应用的第二版本420。具体地,服务器设备120可以基于上文描述的方法300来执行更新过程,有关具体细节不再赘述。
根据本公开的示例性实现方式,可以在发现输入数据130的变化超过预定阈值时,向服务器设备120发送输入数据130,以便启动更新过程。根据本公开的示例性实现方式,可以在预定时间间隔启动更新过程。根据本公开的示例性实现方式,可以响应于用于更新所述人工智能应用的更新请求,来启动更新过程。利用本公开的示例性实现方式,可以不断地更新终端设备110处的精简版本,以使得该精简版本更加适合于处理输入数据130。
在已经获得第三版本430之后,在框530处,接收来自服务器设备120的人工智能应用的第三版本430,人工智能应用的第三版本430是基于压缩人工智能应用的第二版本420所获得的。在框540处,向终端设备110部署人工智能应用的第三版本430以替换人工智能应用的第四版本。
根据本公开的示例性实现方式,由于输入数据130中的变化过大,并且使用终端设备110处的原始精简版本已经不能获得准确的输出数据。此时,可以由服务器设备120处的完整版本处理输入数据130。尽管此时该完整版本的更新尚未完成,相对于终端设备110处的精简版本而言,该完整版本可以处理更为复杂的输入数据,因而输出数据的准确性可以高于在终端设备110处获得的输出数据。终端设备110可以接收来自服务器设备120的输出数据。根据本公开的示例性实现方式,并不限制基于服务器设备110处的哪个版本来获得输出数据,而是输出数据可以是利用人工智能应用的第一版本410或者第二版本420处理输入数据130所获得的。
图6示意性示出了根据本公开的示例性实现方式的在终端设备110和服务器设备120之间的交互过程的框图600。如图6所示,终端设备110可以检测610输入数据的变化。如果确定612输入数据的变化低于预定阈值,则终端设备110利用本地的精简版本来处理输入数据,以便生成614输出数据。如果确定616输入数据的变化高于预定阈值,则终端设备110向服务器设备120发送618输入数据。服务器设备120接收输入数据,并且利用接收的输入数据来更新620本地的完整版本。继而,服务器设备120生成622更新的精简版本,并且向终端设备110返回624更新的精简版本。
上文已经描述了有关启动更新过程的具体步骤。按照人工智能应用被更新的程度,更新过程可以分为在线更新和全量更新两种类型。在下文中,将参见图7描述有关版本更新的更多细节。图7示意性示出了根据本公开的示例性实现方式的用于生成不同版本的人工智能应用的过程的框图700。如图7所示,在终端设备110处,输入数据可以不断地形成数据流710。在计步器应用的示例中,数据流710主要包括用户的行走数据,还可以包括少量跑步数据。终端设备110可以监视数据流710中的各个输入数据的变化,并且将涉及较大变化的数据(例如,跑步数据)封装至数据包712。
终端设备110可以将数据包发送730至服务器设备120。假设服务器设备120处存在版本720(版本号为V1.3.5),服务器设备120可以利用接收到的数据包712,将版本720更新至版本722(即,版本号为V1.3.6)。在此的更新仅涉及小规模训练,因而可以认为该更新仅涉及版本的在线更新,而并不涉及重新训练机器学习模型。服务器设备120可以生成与版本722相对应的精简版本,并且向终端设备110返回732该精简版本。
继而,终端设备110可以利用接收到的更新的精简版本来处理输入数据。如果输入数据出现剧烈变化,例如,用户从行走改为跑步,则终端设备110可以将跑步相关的数据封装至数据包714,并且向服务器设备120发送734数据包714。服务器设备120可以利用接收到的数据包714重新训练机器学习模型,在经过全量更新之后,可以获得版本724(版本号为V2.0)。进一步,服务器设备120可以生成与版本724相对应的精简版本,并且向终端设备110返回736该精简版本。
利用本公开的示例性实现方式,终端设备110处的人工智能应用可以以较小幅度被更新,也可以以较大幅度被更新。在服务器设备120执行更新过程期间,终端设备110可以继续使用原有的人工智能应用处理输入数据。以此方式,可以确保终端设备110的连续运行,并且确保各个版本之间的无缝衔接。
上文已经描述了基于输入数据130中的变化来启动更新过程的示例。根据本公开的示例性实现方式,可以基于来自精简版本和完整版本的输出数据之间的差异,来确定是否启动更新过程。假设基于精简版本确定的用户步长为0.8米,然而基于完整版本确定的用户步长为1米,两者之间的差异1-0.8=0.2米超过阈值比例(例如,10%),则此时可以认为此时终端设备110处的精简版本已经不再适合于处理输入数据130,并且应当启动更新过程。
图8示意性示出了根据本公开的示例性实现方式的基于双重版本的管理人工智能应用的过程的框图800。如图8所示,为了更为有效地监视终端设备110处的人工智能应用220的性能,可以在服务器设备120处部署与人工智能应用220相同的人工智能应用810。此时,两个相同的精简版本分别运行在服务器设备120和终端设备110处。可以基于人工智能应用810的输出数据来确定人工智能应用220的性能。利用本公开的示例性实现方式,在服务器设备120处即可直接获得终端设备110处的人工智能应用的各种运行状态。一方面可以降低服务器设备120和终端设备110之间的传输带宽需求,另一方面还可以避免传输导致的延迟进而提高监视效率。
根据本公开的示例性实现方式,在服务器设备120处,可以分别利用人工智能应用810和210来处理输入数据130以获得输出数据。如果发现两个输出数据之间的差异高于预定阈值,则可以启动上文描述的更新过程。利用本公开的示例性实现方式,可以在服务器设备120处管理终端设备110处的更新过程。以此方式,可以在不干扰终端设备110的正常工作的情况下,自动更新终端设备110处的人工智能应用220。
根据本公开的示例性实现方式,终端设备110和服务器设备120可以构成应用系统。此时,终端设备110可以运行于应用系统的边缘侧,并且服务器设备120可以运行于应用系统的云侧。利用本公开的示例性实现方式,可以以简单并且有效的方式来管理提供边缘计算的人工智能应用,进而提高整个应用系统的处理能力。
在上文中已经参见图2至图8详细描述了根据本公开的方法的示例,在下文中将描述相应的装置的实现。根据本公开的示例性实现,提供了一种用于管理人工智能应用的装置。该装置可以在服务器设备处实现,并且包括:接收模块,配置用于接收将要被人工智能应用处理的输入数据;更新模块,配置用于利用输入数据更新人工智能应用的第一版本以生成人工智能应用的第二版本,人工智能应用的第一版本被部署在服务器设备处;压缩模块,配置用于压缩人工智能应用的第二版本以生成人工智能应用的第三版本;以及部署模块,配置用于向终端设备部署人工智能应用的第三版本,以替换被部署在终端设备处的人工智能应用的第四版本,人工智能应用的第四版本用于处理在终端设备处接收到的输入数据。
根据本公开的示例性实现方式,提供了一种用于管理人工智能应用的装置。该装置可以在终端设备处实现,并且包括:处理模块,配置用于利用被部署在终端设备处的人工智能应用的第四版本处理输入数据以提供输出数据;传输模块,配置用于向被部署有人工智能应用的第一版本的服务器设备传输输入数据,以用于利用输入数据将人工智能应用的第一版本更新至人工智能应用的第二版本;接收模块,配置用于接收来自服务器设备的人工智能应用的第三版本,人工智能应用的第三版本是基于压缩人工智能应用的第二版本所获得的;以及部署模块,配置用于向终端设备部署人工智能应用的第三版本以替换人工智能应用的第四版本。根据本公开的示例性实现方式,该装置进一步包括用于执行上文描述的方法中的其他步骤的模块。
将会理解,上文仅以计步器应用用作示例描述了用于管理人工智能应用的技术方案。根据本公开的示例性实现方式,人工智能应用例如可以是用于执行图像处理的应用。可以在诸如智能手机等终端设备上部署用于处理在白天拍摄的照片的应用。假设用户开始在夜间拍摄照片,此时输入数据发生变化,并且可以启动上文描述的用于更新人工智能应用的过程。
图9示意性示出了根据本公开的示例性实现的用于管理人工智能应用的设备900的框图。如图所示,设备900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的计算机程序指令或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序指令,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
上文所描述的各个过程和处理,例如方法300和500,可由处理单元901执行。例如,在一些实现中,方法300和500可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实现中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序被加载到RAM 903并由CPU901执行时,可以执行上文描述的方法300和500的一个或多个步骤。备选地,在其他实现中,CPU 901也可以以其他任何适当的方式被配置以实现上述过程/方法。
根据本公开的示例性实现,提供了一种电子设备,包括:至少一个处理器;易失性存储器;以及与该至少一个处理器耦合的存储器,该存储器具有存储于其中的指令,该指令在被该至少一个处理器执行时使得该设备执行一种用于管理人工智能应用的动作。该动作包括:接收将要被人工智能应用处理的输入数据;利用输入数据更新人工智能应用的第一版本以生成人工智能应用的第二版本,人工智能应用的第一版本被部署在服务器设备处;压缩人工智能应用的第二版本以生成人工智能应用的第三版本;以及向终端设备部署人工智能应用的第三版本,以替换被部署在终端设备处的人工智能应用的第四版本,人工智能应用的第四版本用于处理在终端设备处接收到的输入数据。
根据本公开的示例性实现方式,生成人工智能应用的第二版本包括:响应于以下中的至少任一项,利用输入数据更新人工智能应用的第一版本以生成人工智能应用的第二版本:输入数据的变化高于预定阈值;到达预定时间间隔;以及用于更新人工智能应用的更新请求。
根据本公开的示例性实现方式,生成人工智能应用的第二版本包括:利用输入数据,训练人工智能应用的第一版本以获得人工智能应用的第二版本。
根据本公开的示例性实现方式,生成人工智能应用的第三版本包括以下中的至少任一项:删除人工智能应用的第二版本中的冗余参数;裁剪人工智能应用的第二版本中的冗余分支;以及降低人工智能应用的第二版本中的参数的精度。
根据本公开的示例性实现方式,该动作进一步包括:在服务器设备处部署人工智能应用的第三版本;利用人工智能应用的第三版本处理输入数据以获得输出数据;以及基于输出数据确定人工智能应用的第四版本的性能。
根据本公开的示例性实现方式,该动作进一步包括:利用人工智能应用的第二版本处理输入数据以获得输出数据;以及向终端设备发送输出数据。
根据本公开的示例性实现方式,该动作在服务器设备处被实现。
根据本公开的示例性实现方式,人工智能应用的第一版本和第二版本是人工智能应用的完整版本,人工智能应用的第三版本和第四版本是人工智能应用的精简版本。
根据本公开的示例性实现,提供了一种电子设备,包括:至少一个处理器;易失性存储器;以及与该至少一个处理器耦合的存储器,该存储器具有存储于其中的指令,该指令在被该至少一个处理器执行时使得该设备执行一种用于管理人工智能应用的动作。该动作包括:利用被部署在终端设备处的人工智能应用的第四版本处理输入数据以提供输出数据;向被部署有人工智能应用的第一版本的服务器设备传输输入数据,以用于利用输入数据将人工智能应用的第一版本更新至人工智能应用的第二版本;接收来自服务器设备的人工智能应用的第三版本,人工智能应用的第三版本是基于压缩人工智能应用的第二版本所获得的;以及向终端设备部署人工智能应用的第三版本以替换人工智能应用的第四版本。
根据本公开的示例性实现方式,利用人工智能应用的第四版本处理输入数据包括:检测输入数据的变化;根据确定输入数据的变化低于预定阈值,利用人工智能应用的第四版本处理输入数据。
根据本公开的示例性实现方式,向服务器设备传输输入数据包括:响应于以下中的至少任一项,向服务器设备传输输入数据:输入数据的变化高于预定阈值:到达预定时间间隔;以及用于更新人工智能应用的更新请求。
根据本公开的示例性实现方式,该动作进一步包括:接收来自服务器设备处的输出数据,输出数据是利用人工智能应用的第二版本处理输入数据所获得的。
根据本公开的示例性实现方式,该动作在终端设备处被实现。
根据本公开的示例性实现方式,人工智能应用的第一版本和第二版本是人工智能应用的完整版本,人工智能应用的第三版本和第四版本是人工智能应用的精简版本。
根据本公开的示例性实现,提供了一种计算机程序产品,计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,机器可执行指令用于执行根据本公开的方法。
根据本公开的示例性实现,提供了一种计算机可读介质。计算机可读介质上存储有机器可执行指令,当机器可执行指令在被至少一个处理器执行时,使得至少一个处理器实现根据本公开方法。
本公开可以是方法、设备、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实现中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实现的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实现的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实现,上述说明是示例性的,并非穷尽性的,并且也不限于所公开的各实现。在不偏离所说明的各实现的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实现的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其他普通技术人员能理解本文公开的各实现。
Claims (18)
1.一种用于管理人工智能应用的方法,包括:
接收将要被所述人工智能应用处理的输入数据;
利用所述输入数据更新所述人工智能应用的第一版本以生成所述人工智能应用的第二版本,所述人工智能应用的所述第一版本被部署在服务器设备处;
压缩所述人工智能应用的所述第二版本以生成所述人工智能应用的第三版本;以及
向终端设备部署所述人工智能应用的所述第三版本,以替换被部署在所述终端设备处的所述人工智能应用的第四版本,所述人工智能应用的所述第四版本用于处理在所述终端设备处接收到的输入数据。
2.根据权利要求1所述的方法,其中生成所述人工智能应用的所述第二版本包括:响应于以下中的至少任一项,利用所述输入数据更新所述人工智能应用的所述第一版本以生成所述人工智能应用的所述第二版本:
所述输入数据的所述变化高于预定阈值;
到达预定时间间隔;以及
用于更新所述人工智能应用的更新请求。
3.根据权利要求1所述的方法,其中生成所述人工智能应用的所述第二版本包括:利用所述输入数据,训练所述人工智能应用的所述第一版本以获得所述人工智能应用的所述第二版本。
4.根据权利要求1所述的方法,其中生成所述人工智能应用的所述第三版本包括以下中的至少任一项:
删除所述人工智能应用的所述第二版本中的冗余参数;
裁剪所述人工智能应用的所述第二版本中的冗余分支;以及
降低所述人工智能应用的所述第二版本中的参数的精度。
5.根据权利要求1所述的方法,进一步包括:
在所述服务器设备处部署所述人工智能应用的所述第三版本;
利用所述人工智能应用的所述第三版本处理所述输入数据以获得输出数据;以及
基于所述输出数据确定所述人工智能应用的所述第四版本的性能。
6.根据权利要求1所述的方法,进一步包括:
利用所述人工智能应用的所述第二版本处理所述输入数据以获得输出数据;以及
向所述终端设备发送所述输出数据。
7.根据权利要求1所述的方法,其中所述方法在所述服务器设备处被实现。
8.根据权利要求1所述的方法,其中所述人工智能应用的所述第一版本和所述第二版本是所述人工智能应用的完整版本,所述人工智能应用的所述第三版本和所述第四版本是所述人工智能应用的精简版本。
9.一种用于管理人工智能应用的方法,包括:
利用被部署在终端设备处的所述人工智能应用的第四版本处理输入数据以提供输出数据;
向被部署有所述人工智能应用的第一版本的服务器设备传输所述输入数据,以用于利用所述输入数据将所述人工智能应用的所述第一版本更新至人工智能应用的第二版本;
接收来自所述服务器设备的所述人工智能应用的第三版本,所述人工智能应用的所述第三版本是基于压缩所述人工智能应用的第二版本所获得的;以及
向所述终端设备部署所述人工智能应用的所述第三版本以替换所述人工智能应用的所述第四版本。
10.根据权利要求9所述的方法,其中利用所述人工智能应用的所述第四版本处理输入数据包括:
检测所述输入数据的变化;
根据确定所述输入数据的所述变化低于预定阈值,利用所述人工智能应用的所述第四版本处理输入数据。
11.根据权利要求10所述的方法,其中向所述服务器设备传输所述输入数据包括:响应于以下中的至少任一项,向所述服务器设备传输所述输入数据:
所述输入数据的所述变化高于预定阈值;
到达预定时间间隔;以及
用于更新所述人工智能应用的更新请求。
12.根据权利要求9所述的方法,进一步包括:接收来自所述服务器设备处的输出数据,所述输出数据是利用所述人工智能应用的所述第二版本处理所述输入数据所获得的。
13.根据权利要求9所述的方法,其中所述方法在所述终端设备处被实现。
14.根据权利要求9所述的方法,其中所述人工智能应用的所述第一版本和所述第二版本是所述人工智能应用的完整版本,所述人工智能应用的所述第三版本和所述第四版本是所述人工智能应用的精简版本。
15.一种电子设备,包括:
至少一个处理器;
易失性存储器;以及
与所述至少一个处理器耦合的存储器,所述存储器具有存储于其中的指令,所述指令在被所述至少一个处理器执行时使得所述设备执行根据权利要求1至8中的任一项所述的方法。
16.一种电子设备,包括:
至少一个处理器;
易失性存储器;以及
与所述至少一个处理器耦合的存储器,所述存储器具有存储于其中的指令,所述指令在被所述至少一个处理器执行时使得所述设备执行根据权利要求9至14中的任一项所述的方法。
17.一种计算机程序产品,所述计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,所述机器可执行指令用于执行根据权利要求1至8中的任一项所述的方法。
18.一种计算机程序产品,所述计算机程序产品被有形地存储在非瞬态计算机可读介质上并且包括机器可执行指令,所述机器可执行指令用于执行根据权利要求9至14中的任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973307.5A CN114265601A (zh) | 2020-09-16 | 2020-09-16 | 管理人工智能应用的方法、设备和程序产品 |
US17/067,908 US11546417B2 (en) | 2020-09-16 | 2020-10-12 | Method for managing artificial intelligence application, device, and program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010973307.5A CN114265601A (zh) | 2020-09-16 | 2020-09-16 | 管理人工智能应用的方法、设备和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114265601A true CN114265601A (zh) | 2022-04-01 |
Family
ID=80625868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010973307.5A Pending CN114265601A (zh) | 2020-09-16 | 2020-09-16 | 管理人工智能应用的方法、设备和程序产品 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11546417B2 (zh) |
CN (1) | CN114265601A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11880387B2 (en) * | 2021-06-06 | 2024-01-23 | International Business Machines Corporation | Cognitive analysis of hierarchical database elements for generation of microservices |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7917963B2 (en) * | 2006-08-09 | 2011-03-29 | Antenna Vaultus, Inc. | System for providing mobile data security |
WO2008055156A2 (en) * | 2006-10-30 | 2008-05-08 | The Trustees Of Columbia University In The City Of New York | Methods, media, and systems for detecting an anomalous sequence of function calls |
US9069908B2 (en) * | 2009-03-16 | 2015-06-30 | Apple Inc. | Accessory and mobile computing device communication using an application communication protocol |
US20100262579A1 (en) * | 2009-04-08 | 2010-10-14 | Research In Motion Limited | Reducing Transmission of Location Updates Based on Loitering |
US8533224B2 (en) * | 2011-05-04 | 2013-09-10 | Google Inc. | Assessing accuracy of trained predictive models |
US20120284212A1 (en) * | 2011-05-04 | 2012-11-08 | Google Inc. | Predictive Analytical Modeling Accuracy Assessment |
US8554703B1 (en) * | 2011-08-05 | 2013-10-08 | Google Inc. | Anomaly detection |
US9208347B2 (en) * | 2013-11-05 | 2015-12-08 | Bank Of America Corporation | Updating roles based access |
US10713594B2 (en) * | 2015-03-20 | 2020-07-14 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing machine learning model training and deployment with a rollback mechanism |
US10268749B1 (en) * | 2016-01-07 | 2019-04-23 | Amazon Technologies, Inc. | Clustering sparse high dimensional data using sketches |
US20170357910A1 (en) * | 2016-06-10 | 2017-12-14 | Apple Inc. | System for iteratively training an artificial intelligence using cloud-based metrics |
US10831466B2 (en) * | 2017-03-29 | 2020-11-10 | International Business Machines Corporation | Automatic patch management |
US20180300653A1 (en) * | 2017-04-18 | 2018-10-18 | Distributed Systems, Inc. | Distributed Machine Learning System |
US10789509B2 (en) * | 2018-01-24 | 2020-09-29 | WeR.AI, Inc. | Systems and methods for generating machine learning applications |
US10698766B2 (en) * | 2018-04-18 | 2020-06-30 | EMC IP Holding Company LLC | Optimization of checkpoint operations for deep learning computing |
US11593634B2 (en) * | 2018-06-19 | 2023-02-28 | Adobe Inc. | Asynchronously training machine learning models across client devices for adaptive intelligence |
US10642592B2 (en) * | 2018-10-04 | 2020-05-05 | International Business Machines Corporation | Automated configuration profile generation and management |
US20200249936A1 (en) * | 2019-02-04 | 2020-08-06 | James Ronald Barfield, JR. | Method and system for a platform for api based user supplied algorithm deployment |
US20210035021A1 (en) * | 2019-07-29 | 2021-02-04 | Elan SASSON | Systems and methods for monitoring of a machine learning model |
US10893097B1 (en) * | 2019-07-31 | 2021-01-12 | Verizon Patent And Licensing Inc. | Methods and devices for discovering and employing distributed computing resources to balance performance priorities |
US20210117859A1 (en) * | 2019-10-20 | 2021-04-22 | Nvidia Corporation | Live updating of machine learning models |
US11190399B2 (en) * | 2020-04-29 | 2021-11-30 | Accenture Global Solutions Limited | Automatically generating and provisioning a customized platform for selected applications, tools, and artificial intelligence assets |
US11424989B2 (en) * | 2020-06-15 | 2022-08-23 | Cisco Technology, Inc. | Machine-learning infused network topology generation and deployment |
US11816461B2 (en) * | 2020-06-30 | 2023-11-14 | Paypal, Inc. | Computer model management system |
US20220156633A1 (en) * | 2020-11-19 | 2022-05-19 | Kabushiki Kaisha Toshiba | System and method for adaptive compression in federated learning |
-
2020
- 2020-09-16 CN CN202010973307.5A patent/CN114265601A/zh active Pending
- 2020-10-12 US US17/067,908 patent/US11546417B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US11546417B2 (en) | 2023-01-03 |
US20220086217A1 (en) | 2022-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6405416B2 (ja) | データ送信システム、及びデータ送信方法 | |
US10616363B2 (en) | Constraint based signal for intelligent and optimized end user mobile experience enhancement | |
CN114089974B (zh) | 云端代码开发系统、方法、装置、设备及存储介质 | |
CN114090316A (zh) | 内存故障处理方法、装置、存储介质及电子设备 | |
US20220107750A1 (en) | Method, electronic device, and computer program product for processing data | |
CN114265601A (zh) | 管理人工智能应用的方法、设备和程序产品 | |
US20210064981A1 (en) | Controlling performance of deployed deep learning models on resource constrained edge device via predictive models | |
CN112527943B (zh) | 地图渲染方法、装置、设备和存储介质 | |
US20210405990A1 (en) | Method, device, and storage medium for deploying machine learning model | |
US20240069991A1 (en) | Abnormal request processing method and apparatus, electronic device and storage medium | |
CN116389492A (zh) | 视频分析系统、方法、装置、计算机可读存储介质 | |
CN111104247A (zh) | 管理数据复制的方法、设备和计算机程序产品 | |
US20220350704A1 (en) | Machine learning systems for etl data streams | |
US10936297B2 (en) | Method, device, and computer program product for updating software | |
CN113709708A (zh) | 数据传输方法、装置、设备和存储介质 | |
CN114567559A (zh) | 数据分析模型的训练方法、装置及存储介质 | |
Munige | Near Real-Time Processing of Voluminous, High-Velocity Data Streams for Continuous Sensing Environments | |
CN113486968B (zh) | 摄像机生命周期的监控方法、装置、设备和介质 | |
CN111767085B (zh) | Storm平台参数配置方法和装置 | |
CN114978794B (zh) | 网络接入方法、装置、存储介质以及电子设备 | |
CN116521377B (zh) | 业务计算卸载方法、系统、装置、设备及介质 | |
WO2023098460A1 (zh) | 一种模型更新方法、装置及相关设备 | |
CN118170566A (zh) | 面向边缘设备的消息处理方法及相关设备 | |
CN117424896A (zh) | 一种物联网设备的信息展示方法、装置、设备及介质 | |
Mu | Heterogeneous IoT Information Distributed Collection System Based on Embedded Technology |
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 |