CN115983804A - 人机协作任务处理方法、装置、电子设备和存储介质 - Google Patents
人机协作任务处理方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115983804A CN115983804A CN202310093119.7A CN202310093119A CN115983804A CN 115983804 A CN115983804 A CN 115983804A CN 202310093119 A CN202310093119 A CN 202310093119A CN 115983804 A CN115983804 A CN 115983804A
- Authority
- CN
- China
- Prior art keywords
- task processing
- task
- human
- capability
- crowdsourcing
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种人机协作任务处理方法、装置、电子设备和存储介质,涉及人工智能技术领域,该方法包括:响应针对人机协作任务的任务处理请求,调用预先配置的规则系统,基于预先配置的规则系统响应任务处理请求,确定任务处理结果;如果预先配置的规则系统中预先配置的处理规则未覆盖任务处理请求,则调用与人机协作任务的任务类型对应的AI能力系统,以通过AI能力系统响应任务处理请求,确定任务处理结果;如果AI能力系统的置信度低于预设阈值,则调用众包系统,基于众包系统响应任务处理请求,确定任务处理结果。本申请可以针对不同的情况进行相应系统的调用,有效扩大了对不同任务类型的适应能力,提升了任务处理的效率。
Description
技术领域
本申请涉及人工智能技术领域,尤其是涉及一种人机协作任务处理方法、装置、电子设备和存储介质。
背景技术
最近几年人工智能技术已经取得较大的发展,但当前基于深度学习的人工智能技术仍然存在很多缺陷。一是对于大量标注数据的依赖,例如对于一个目标识别任务,所需要的标注数据就至少需要上万张;二是训练好的模型对于很多Corner Case(极端情况)表现不佳,在这种情况下模型不仅需要人工接管并且进一步提升需要标注更多相关数据;三是标注任务与实际任务分离,从而导致模型训练完成到任务使用中间的流程长,增加了时间成本。
由于目前数据闭环训练技术中系统组件没有任务上的通用性,从而使得系统架构没有任务的普适性;并且由于数据标注和实际应用是隔离的、分别进行的,这种方式导致在执行人机协作任务时,处理的效率较低。
发明内容
本申请的目的在于提供一种人机协作任务处理方法、装置、电子设备和存储介质,提升了人机协作任务的任务处理效率。
第一方面,本发明提供一种人机协作任务处理方法,方法应用于人机协作任务处理系统,人机协作任务处理系统包括服务管理器,以及分别与服务管理器连接的预先配置的规则系统、多种类型的AI能力系统和众包系统;方法包括:
响应针对人机协作任务的任务处理请求,调用预先配置的规则系统,基于预先配置的规则系统响应任务处理请求,确定任务处理结果;
如果预先配置的规则系统中预先配置的处理规则未覆盖任务处理请求,则调用与人机协作任务的任务类型对应的AI能力系统,以通过AI能力系统响应任务处理请求,确定任务处理结果;
如果AI能力系统的置信度低于预设阈值,则调用众包系统,基于众包系统响应任务处理请求,确定任务处理结果。
第二方面,本发明提供一种人机协作任务处理装置,装置应用于人机协作任务处理系统,人机协作任务处理系统包括服务管理器,以及分别与服务管理器连接的预先配置的规则系统、多种类型的AI能力系统和众包系统;装置包括:
规则系统调用模块,用于响应针对人机协作任务的任务处理请求,调用预先配置的规则系统,基于预先配置的规则系统响应任务处理请求,确定任务处理结果;
AI能力系统调用模块,用于如果预先配置的规则系统中预先配置的处理规则未覆盖任务处理请求,则调用与人机协作任务的任务类型对应的AI能力系统,以通过AI能力系统响应任务处理请求,确定任务处理结果;
众包系统调用模块,用于如果AI能力系统的置信度低于预设阈值,则调用众包系统,基于众包系统响应任务处理请求,确定任务处理结果。
第三方面,本发明提供一种电子设备,包括处理器和存储器,存储器存储有能够被处理器执行的计算机可执行指令,处理器执行计算机可执行指令以实现前述实施方式任一项的人机协作任务处理方法。
第四方面,本发明提供一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现前述实施方式任一项的人机协作任务处理方法。
本申请提供的人机协作任务处理方法、装置、电子设备和存储介质,该方法应用于人机协作任务处理系统,人机协作任务处理系统包括服务管理器,以及分别与服务管理器连接的预先配置的规则系统、多种类型的AI能力系统和众包系统。在进行方案实施时,首先响应针对人机协作任务的任务处理请求,调用预先配置的规则系统,基于预先配置的规则系统响应任务处理请求,确定任务处理结果;如果预先配置的规则系统中预先配置的处理规则未覆盖任务处理请求,则调用与人机协作任务的任务类型对应的AI能力系统,以通过AI能力系统响应任务处理请求,确定任务处理结果;如果AI能力系统的置信度低于预设阈值,则调用众包系统,基于众包系统响应任务处理请求,确定任务处理结果。上述方式利用三个任务解决系统(预先配置的规则系统、多种类型的AI能力系统和众包系统),从而可以针对不同的情况进行相应系统的调用,有效扩大了对不同任务类型的适应能力,提升了任务处理的效率。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,对于本领域普通技术人员来讲,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为本申请实施例提供的一种人机协作任务处理系统的示意图;
图2为本申请实施例提供的一种人机协作任务处理方法的流程图;
图3为本申请实施例提供的另一种人机协作任务处理方法的流程图;
图4为本申请实施例提供的一种服务管理器进行系统调用的示意图;
图5为本申请实施例提供的一种机协作任务处理装置的结构图;
图6为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
最近几年人工智能技术已经取得较大的发展,但当前基于深度学习的人工智能技术仍然存在很多缺陷。一是对于大量标注数据的依赖,例如对于一个目标识别任务,所需要的标注数据就至少需要上万张;二是训练好的模型对于很多Corner Case(极端情况)表现不佳,在这种情况下模型不仅需要人工接管并且进一步提升需要标注更多相关数据;三是标注任务与实际任务分离,从而导致模型训练完成到任务使用中间的流程长,增加了时间成本。
以自动驾驶中的Data Engine(数据引擎)技术方案为例,该方案利用其大量的用户车辆产生实时的道路数据,再通过云端方式上传到数据仓库,然后通过人工为这些数据进行打标,从而产生新的训练数据进行模型训练,最后系统将最新的AI模型通过OTA技术发布到车载系统上。为了进一步提高数据收集效率,会在数据收集阶段会先通过AI进行初步判断,过滤出AI判断不准确的数据并上传。
然而,目前针对自动驾驶领域的系统框架,其中很多系统组件没有任务上的通用性,例如对于存储数据格式的描述,只考虑了视觉图像、激光雷达等少数几种数据类型,导致该系统架构没有任务的普适性。
基于此,本申请实施例提供了一种人机协作任务处理方法、装置、电子设备和存储介质,利用三个任务解决系统,有效扩大了对不同任务类型的适应能力,提升了任务处理的效率。
为便于理解,图1示出了本申请实施例提供的一种人机协作任务处理系统的结构图,该人机协作任务处理系统作为人机协作任务处理方法的执行主体,用于实现以下具体的人机协作任务处理方法。参见图1所示,人机协作任务处理系统包括服务管理器,以及分别与服务管理器连接的预先配置的规则系统、多种类型的AI能力系统和众包系统。
其中,所述服务管理器包括多种类型的智能体实例,所述智能体实例用于调用预先配置的规则系统、对应类型的AI能力系统或众包系统。
预先配置的规则系统为基于逻辑的规则系统,该规则系统中预先配置有任务处理规则,针对目标识别、人机交互、自动驾驶、语音识别、智能对话、目标追踪等等情况进行任务处理操作。
AI能力系统为基于深度学习的AI能力系统,该系统中包含有具备AI能力的AI模型,用于通过AI模型进行人工智能识别。在一种实施方式中,AI能力系统至少包括目标识别系统、人机交互系统、自动驾驶系统、语音识别系统、智能对话系统中的一种或多种,每种AI能力系统中包含有对应的AI模型,也即目标识别模型、人机交互模型、自动驾驶模型、语音识别模型、智能对话模型。可选地,同一类型的AI能力系统也可以为多个,但具体的模型存在差异,例如,以目标识别系统为例,人机协作任务处理系统中可以包括多个目标识别系统,但每个目标识别系统中所包含的目标识别模型为不同的模型(诸如卷积神经网络、深度学习网络等等模型,或者采用不同的数据集进行训练的模型)。
众包系统为通过用户反馈信息的众包系统,众包是指一个公司或机构把过去由员工执行的工作任务,以自由自愿的形式派发给非特定的(而且通常是大型的)大众志愿者的做法。
参见图2所示,本申请实施例提供的一种人机协作任务处理方法,主要包括以下步骤:
步骤S202,响应针对人机协作任务的任务处理请求,调用预先配置的规则系统,基于预先配置的规则系统响应任务处理请求,确定任务处理结果。
上述人机协作任务诸如可以包括目标识别、人机交互、自动驾驶、语音识别、智能对话、目标追踪等任务。与人机协作任务对应的任务处理请求可以由用户通过客户端发起,并通过客户端向服务端发起任务处理请求,由位于服务端点的人机协作任务处理系统的服务管理器响应该任务处理请求。
在一种实施方式中,服务管理器可以包括多种类型的智能体实例,每种智能体实例对应于不同的人机协作任务。当服务管理器接收到人机协作任务的任务处理请求后,通过确定该人机协作任务的任务类型,将该任务处理请求发送至对应类型的智能体实例。
智能体(人或AI)在完成任务的过程中所需要的能力可以分成两大类:认知能力和决策能力。认知能力表示智能体将从传感器获得的信息(观察)转变成内在信念(状态)的能力,例如在驾驶过程中识别车道线、车辆和其他障碍物就是一种认知能力,在对话场景中识别对方话语中的意图也是一种认知能力。决策能力表示智能体根据观察、状态等信息,做出合适的行为(动作)的能力,例如在驾驶时根据识别出的这些周围环境信息做出正确驾驶行为就是一种决策能力,在对话中根据识别的意图选择合适的回复也是一种决策能力。
本实施例所提供的智能体基于面向智能体编程(Agent-oriented programming,AOP)开发并通过接口描述语言(Interface Description Language,IDL)与用户进行交互,支持观察、状态、动作以及认知能力、决策能力等概念。用户在平台(客户端)上发布人机协作任务时,只需要按照AOP思路,定义好任务需要的智能体数量和种类、每种智能体的能力列表以及每个能力涉及的观察、状态和动作信息即可。
步骤S204,如果预先配置的规则系统中预先配置的处理规则未覆盖任务处理请求,则调用与人机协作任务的任务类型对应的AI能力系统,以通过AI能力系统响应任务处理请求,确定任务处理结果。
在一种实施方式中,预先配置的规则系统中若规则系统能够覆盖该任务,则直接完成任务,并返回结果;否则进入AI能力系统。在一种示例中,以某个任务需要的对话能力为例,规则系统可能包含一些特殊关键词检测,当检测到检测关键词时,则规则覆盖了本次请求,直接使用内置回复返回给用户;否则说明规则系统没有覆盖本次请求。
当进入AI能力系统时,根据与人机协作任务同种类型的智能体和对应具备的AI能力,调用相应的AI模型,确定的任务处理结果的同时,AI模型还会输出任务完成的置信度(Confidence)。若置信度超过阈值,则完成任务并返回结果;否则进入众包系统。
步骤S206,如果AI能力系统的置信度低于预设阈值,则调用众包系统,基于众包系统响应任务处理请求,确定任务处理结果。
在一种实施方式中,如果AI能力系统的置信度低于预设阈值,则表征AI能力系统处理该任务处理请求的能力较差,得到的任务处理结果的准确性也相应较低。因此,针对AI能力系统的置信度低于预设阈值的情况,可以通过调用众包系统进行任务处理请求的响应,以通过众包系统对应的用户根据收到的请求信息(不包含前两个系统的输出)进行任务处理请求的处理,也即通过众包系统对应的众包用户进行人机协作任务的问题回答,其返回的结果将作为完成任务的最终结果。
本申请实施例提供的一种人机协作任务处理方法,利用三个任务解决系统(预先配置的规则系统、多种类型的AI能力系统和众包系统),从而可以针对不同的情况进行相应系统的调用,有效扩大了对不同任务类型的适应能力,提升了任务处理的效率。
以下针对本申请实施例提供的人机协作任务处理方法进行详细说明。
用户在平台上发布任务时,只需要按照AOP思路,定义好任务需要的智能体数量和种类、每种智能体的能力列表以及每个能力涉及的观察、状态和动作信息即可。
在一可选的实施方式中,对于服务管理器中包括多种类型的智能体实例的情况,在响应针对人机协作任务的任务处理请求之后,如若预先配置的规则系统中预先配置的处理规则未覆盖任务处理请求,在调用AI能力系统时,可以进一步通过以下步骤1.1)和步骤1.2)执行:
步骤1.1),基于人机协作任务的任务类型将任务处理请求发送至对应的目标智能体实例。
步骤1.2),通过目标智能体实例调用与人机协作任务的任务类型对应的AI能力系统。
在一种实施方式中,应用于服务管理器中包括的多种类型的智能体实例,本申请实施例所提供的人机协作任务处理方法从整体上看,在具体执行时,可以包括以下步骤S1至步骤S4:
S1,响应针对人机协作任务的任务处理请求,调用预先配置的规则系统,基于预先配置的规则系统响应任务处理请求,确定任务处理结果;
S2,如果预先配置的规则系统中预先配置的处理规则未覆盖任务处理请求,则基于人机协作任务的任务类型将任务处理请求发送至对应的目标智能体实例,通过目标智能体实例调用与目标智能体类型对应的AI能力系统,以通过AI能力系统响应任务处理请求,确定任务处理结果;
S3,如果AI能力系统的置信度低于预设阈值时,则通过目标智能体实例调用众包系统,基于众包系统响应任务处理请求,确定任务处理结果。
在进行任务处理时,针对三种系统(预先配置的规则系统、AI能力系统和众包系统),具有一定的调用优先程度。参见图3所示,包括下述处理流程:
3-1:若规则系统能够覆盖该任务,则直接完成任务,并返回结果;否则进入AI能力系统;
例如以某个任务需要的语音识别能力为例,其规则系统可能包含一些方言语音的识别,当检测到对应的方言语言时,则说明规则覆盖了本次任务处理请求,直接使用规则系统内置进行回复,并将处理结果返回给用户;否则说明规则系统没有覆盖本次请求。
3-2:当进入基于深度学习的AI能力系统时,根据事先定义好的智能体和对应的能力,调用相应的AI模型,AI模型同时返回任务结果和任务完成的置信度,仍以某个任务需要的语音识别能力为例,此时AI模型返回的任务结果为进行语音识别后的结果。若置信度超过阈值,则AI能力系统完成该任务并返回该任务结果;否则进入众包系统。
3-3:基于人反馈的众包系统作为保底系统,当进入该系统时,众包用户根据收到的任务处理请求信息进行回答,其返回的结果将作为完成任务的最终结果。
进一步,人机协作任务处理系统还包括学习管理子系统,学习管理子系统负责AI模型的训练和发布,学习管理子系统包括中心管理器(Learner Manager)和多种AI能力对应的学习管理器(Learner)。
上述中心管理器可以根据AOP定义任务的能力,负责创建和销毁相应的学习管理器。因此,在一种实施方式中,创建相应的学习管理器可以采用以下步骤2.1)和步骤2.2):
步骤2.1),通过中心管理器响应针对人机协作任务的创建请求,创建与人机协作任务的任务类型对应的学习管理器;
步骤2.2),通过学习管理器监控众包系统对应的数据库信息,当满足预设的触发条件时,基于数据库信息对AI能力系统中对应的AI模型执行训练事件。
针对上述步骤2.2),数据库信息为众包系统响应任务处理请求后生成并存储于数据库中针对模型训练的众包数据,也即众包用户完成任务时的输入和输出信息。AI能力提供者通过配置众包数据的相关指标(例如数据数量,更新时间,上次启动训练时间等),使得学习管理器可以对众包数据进行实时监控。
上述预设的触发条件至少包括定时学习、定量学习或事件触发学习,当满足预设的触发条件中的一种时,可以启动AI能力系统,以使AI能力系统中的AI模型进行训练。
此外,上述学习管理器还提供其他的配置选项,包括离线训练集和测试集的地址信息以及AI模型的学习目标信息(例如测试集准确率达到xx%以上)。
为了提升AI能力系统的任务处理能力,不断更新AI模型的训练,因此在一可选的实施方式中,在基于数据库信息对AI能力系统对应的AI模型执行训练事件之后,还可以对训练好的AI模型进行预设指标的评估,在预设指标满足评估基准后,将训练好的AI模型对AI能力系统中的原AI能力模型进行滚动更新处理。
其中,滚动更新处理也即周期性的通过训练好的AI模型将原AI模型进行替换,以使得AI模型不断的提升AI能力。
在一可选的实施方式中,还可以通过中心管理器响应针对人机协作任务的结束事件,剔除与人机协作任务的任务类型对应的学习管理器。
在一可选的实施方式中,上述学习管理器使用配置好的测试集对新训练好的AI模型进行自动化评估,当评估结果达到学习目标时,对该AI模型进行自动化发布。具体发布方式为学习管理器调用AI能力系统的滚动更新方法,将新的AI模型部署在AI能力系统上,并将对应的原模型服务销毁。进一步,在预设指标满足评估基准后,还可以将训练好的AI模型进行数据存档,并将评估结果持久化的数据库。持久化也即将评估结果存储于数据库中,通过进行数据存档和持久化处理,可以便于算法开发者跟踪AI模型的训练过程。
对于用户而言,可以通过低代码轻松地发布人机协作任务,并通过使用其生成的SDK调用人机协作能力。系统记录众包完成任务时的数据,并将这些数据作为AI模型的训练数据,通过一定规则启动训练脚本,不断提升AI能力,从而做到降本增效。
整个系统的框架结构参见图4所示,中间的服务管理器负责整套系统的流转管理。服务管理器内部包含一个个智能体(Agent)实例,不同的智能体负责完成不同的任务。当一个任务请求发送到服务管理器之后,会把这个请求分发给相应的智能体实例。智能体首先调用规则系统,根据规则系统的返回结果判断是否需要调用AI能力系统,再根据AI能力系统的返回结果判断是否需要调用众包系统。当请求流转到众包系统时,众包系统会将输入和输出信息持久化到数据库。学习管理器负责实时监听数据库信息,当满足一定触发条件时,启动AI模型的训练,而当模型评估达到一定相应指标时,则自动发布新AI模型,并替换当前AI能力系统中对应的原AI模型服务。学习管理器会实时监控对应众包任务的数据库,并根据用户的配置信息(例如定时学习、定量学习、事件触发学习等),适时启动AI能力系统进行训练。
在一可选的实施方式中,上述方法还包括以下步骤3.1)和步骤3.2):
步骤3.1),基于针对众包系统预先配置的输入和输出信息,确定排版信息;
步骤3.2),基于排版信息对众包用户的客户端页面进行自动化排版,并在众包用户响应人机协作任务后将每次任务处理请求的输入信息和任务处理结果持久化到众包系统对应的数据库。
在实际应用中,众包系统根据用户定义能力的输入和输出信息,对众包用户的页面进行自动化排版,并在众包用户完成任务的同时将每次请求的输入和输出结果持久化到数据库。
参见图5所示,AOP IDL示例展示了一个简化的人机协作任务。该任务为一个驾驶任务,引入了一个司机智能体(Driver),司机智能体拥有观察信息:视角图像(image),状态信息:识别出的周围车辆集合(cars),动作信息:旋转方向盘(rotate)、加速(accelerate)和刹车(brake)。另外司机智能体定义了一个认知能力:识别车辆(recog_cars)和一个决策能力:驾驶车辆(drive)。
综上,上述方法利用三个任务解决系统,有效扩大了对不同任务类型的适应能力,提升了任务处理的效率。配合众包任务的自动展示和数据持久化能力,以及学习管理器通过众包数据自动提升AI系统的能力,可以极大地降低用户发布任务的门槛,并能持续提升任务完成的效率。
基于上述方法实施例,本申请实施例还提供一种人机协作任务处理装置,装置应用于人机协作任务处理系统,人机协作任务处理系统包括服务管理器,以及分别与服务管理器连接的预先配置的规则系统、多种类型的AI能力系统和众包系统;参见图5所示,该装置主要包括以下部分:
规则系统调用模块52,用于响应针对人机协作任务的任务处理请求,调用预先配置的规则系统,基于预先配置的规则系统响应任务处理请求,确定任务处理结果;
AI能力系统调用模块54,用于如果预先配置的规则系统中预先配置的处理规则未覆盖任务处理请求,则调用与人机协作任务的任务类型对应的AI能力系统,以通过AI能力系统响应任务处理请求,确定任务处理结果;
众包系统调用模块56,用于如果AI能力系统的置信度低于预设阈值,则调用众包系统,基于众包系统响应任务处理请求,确定任务处理结果。
本申请实施例提供的人机协作任务处理装置,利用三个任务解决系统(预先配置的规则系统、多种类型的AI能力系统和众包系统),从而可以针对不同的情况进行相应系统的调用,有效扩大了对不同任务类型的适应能力,提升了任务处理的效率。
在一可行的实施方式中,服务管理器包括多种类型的智能体实例;AI能力系统调用模块54,还用于:基于人机协作任务的任务类型将任务处理请求发送至对应的目标智能体实例;通过目标智能体实例调用与人机协作任务的任务类型对应的AI能力系统。
在一可行的实施方式中,人机协作任务处理系统还包括学习管理子系统,学习管理子系统包括中心管理器和多种AI能力对应的学习管理器;上述装置还包括:AI模型训练模块,用于:通过中心管理器响应针对人机协作任务的创建请求,创建与人机协作任务的任务类型对应的学习管理器;通过学习管理器监控众包系统对应的数据库信息,当满足预设的触发条件时,基于数据库信息对AI能力系统中对应的AI模型执行训练事件;其中,数据库信息为众包系统响应任务处理请求后生成并存储于数据库中针对模型训练的众包数据;预设的触发条件至少包括以下之一:定时学习、定量学习或事件触发学习。
在一可行的实施方式中,基于数据库信息对AI能力系统对应的AI模型执行训练事件之后,上述装置还包括:模型滚动更新模块,用于:对训练好的AI模型进行预设指标的评估,在预设指标满足评估基准后,将训练好的AI模型对AI能力系统中的原AI能力模型进行滚动更新处理。
在一可行的实施方式中,在预设指标满足评估基准后,上述装置还包括:结果持久化模块,用于:将训练好的AI模型进行数据存档,并将评估结果持久化的数据库。
在一可行的实施方式中,上述装置还包括:剔除模块,用于:通过中心管理器响应针对人机协作任务的结束事件,剔除与人机协作任务的任务类型对应的学习管理器。
在一可行的实施方式中,AI能力系统至少包括目标识别系统、人机交互系统、自动驾驶系统、语音识别系统、智能对话系统中的一种或多种。
在一可行的实施方式中,上述装置还包括:众包排版及众包持久化模块,用于:基于针对众包系统预先配置的输入和输出信息,确定排版信息;基于排版信息对众包用户的客户端页面进行自动化排版,并在众包用户响应人机协作任务后将每次任务处理请求的输入信息和任务处理结果持久化到众包系统对应的数据库。
本申请实施例提供的人机协作任务处理装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,人机协作任务处理装置的实施例部分未提及之处,可参考前述人机协作任务处理方法实施例中相应内容。
本申请实施例还提供了一种电子设备,如图6所示,为该电子设备的结构示意图,其中,该电子设备100包括处理器61和存储器60,该存储器60存储有能够被该处理器61执行的计算机可执行指令,该处理器61执行该计算机可执行指令以实现上述任一项人机协作任务处理方法。
在图6示出的实施方式中,该电子设备还包括总线62和通信接口63,其中,处理器61、通信接口63和存储器60通过总线62连接。
其中,存储器60可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线62可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线62可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器61可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器61中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器61可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessor,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器61读取存储器中的信息,结合其硬件完成前述实施例的人机协作任务处理方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述人机协作任务处理方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的人机协作任务处理方法、装置、电子设备和存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (11)
1.一种人机协作任务处理方法,其特征在于,所述方法应用于人机协作任务处理系统,所述人机协作任务处理系统包括服务管理器,以及分别与所述服务管理器连接的预先配置的规则系统、多种类型的AI能力系统和众包系统;所述方法包括:
响应针对人机协作任务的任务处理请求,调用所述预先配置的规则系统,基于所述预先配置的规则系统响应所述任务处理请求,确定任务处理结果;
如果所述预先配置的规则系统中预先配置的处理规则未覆盖所述任务处理请求,则调用与人机协作任务的任务类型对应的AI能力系统,以通过所述AI能力系统响应所述任务处理请求,确定任务处理结果;
如果所述AI能力系统的置信度低于预设阈值,则调用所述众包系统,基于所述众包系统响应所述任务处理请求,确定任务处理结果。
2.根据权利要求1所述的人机协作任务处理方法,其特征在于,所述服务管理器包括多种类型的智能体实例;调用与人机协作任务的任务类型对应的AI能力系统,包括:
基于所述人机协作任务的任务类型将所述任务处理请求发送至对应的目标智能体实例;
通过所述目标智能体实例调用与人机协作任务的任务类型对应的AI能力系统。
3.根据权利要求1所述的人机协作任务处理方法,其特征在于,所述人机协作任务处理系统还包括学习管理子系统,所述学习管理子系统包括中心管理器和多种AI能力对应的学习管理器;所述方法还包括:
通过所述中心管理器响应针对人机协作任务的创建请求,创建与人机协作任务的任务类型对应的学习管理器;
通过所述学习管理器监控众包系统对应的数据库信息,当满足预设的触发条件时,基于所述数据库信息对所述AI能力系统中对应的AI模型执行训练事件;其中,所述数据库信息为所述众包系统响应所述任务处理请求后生成并存储于数据库中针对模型训练的众包数据;所述预设的触发条件至少包括以下之一:定时学习、定量学习或事件触发学习。
4.根据权利要求3所述的人机协作任务处理方法,其特征在于,基于所述数据库信息对所述AI能力系统对应的AI模型执行训练事件之后,所述方法还包括:
对训练好的所述AI模型进行预设指标的评估,在预设指标满足评估基准后,将所述训练好的AI模型对所述AI能力系统中的原AI能力模型进行滚动更新处理。
5.根据权利要求4所述的人机协作任务处理方法,其特征在于,在预设指标满足评估基准后,所述方法还包括:
将所述训练好的AI模型进行数据存档,并将评估结果持久化的数据库。
6.根据权利要求3所述的人机协作任务处理方法,其特征在于,所述方法还包括:
通过所述中心管理器响应针对人机协作任务的结束事件,剔除与人机协作任务的任务类型对应的学习管理器。
7.根据权利要求1所述的人机协作任务处理方法,其特征在于,所述AI能力系统至少包括目标识别系统、人机交互系统、自动驾驶系统、语音识别系统、智能对话系统中的一种或多种。
8.根据权利要求1所述的人机协作任务处理方法,其特征在于,所述方法还包括:
基于针对所述众包系统预先配置的输入和输出信息,确定排版信息;
基于所述排版信息对众包用户的客户端页面进行自动化排版,并在众包用户响应人机协作任务后将每次任务处理请求的输入信息和任务处理结果持久化到众包系统对应的数据库。
9.一种人机协作任务处理装置,其特征在于,所述装置应用于人机协作任务处理系统,所述人机协作任务处理系统包括服务管理器,以及分别与所述服务管理器连接的预先配置的规则系统、多种类型的AI能力系统和众包系统;所述装置包括:
规则系统调用模块,用于响应针对人机协作任务的任务处理请求,调用所述预先配置的规则系统,基于所述预先配置的规则系统响应所述任务处理请求,确定任务处理结果;
AI能力系统调用模块,用于如果所述预先配置的规则系统中预先配置的处理规则未覆盖所述任务处理请求,则调用与人机协作任务的任务类型对应的AI能力系统,以通过所述AI能力系统响应所述任务处理请求,确定任务处理结果;
众包系统调用模块,用于如果所述AI能力系统的置信度低于预设阈值,则调用所述众包系统,基于所述众包系统响应所述任务处理请求,确定任务处理结果。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至8任一项所述的人机协作任务处理方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至8任一项所述的人机协作任务处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310093119.7A CN115983804A (zh) | 2023-01-30 | 2023-01-30 | 人机协作任务处理方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310093119.7A CN115983804A (zh) | 2023-01-30 | 2023-01-30 | 人机协作任务处理方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115983804A true CN115983804A (zh) | 2023-04-18 |
Family
ID=85970337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310093119.7A Pending CN115983804A (zh) | 2023-01-30 | 2023-01-30 | 人机协作任务处理方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115983804A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117453372A (zh) * | 2023-11-23 | 2024-01-26 | 暗物质(北京)智能科技有限公司 | 一种任务规划方法、装置、电子设备及存储介质 |
-
2023
- 2023-01-30 CN CN202310093119.7A patent/CN115983804A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117453372A (zh) * | 2023-11-23 | 2024-01-26 | 暗物质(北京)智能科技有限公司 | 一种任务规划方法、装置、电子设备及存储介质 |
CN117453372B (zh) * | 2023-11-23 | 2024-04-09 | 暗物质(北京)智能科技有限公司 | 一种任务规划方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523652B (zh) | 基于驾驶行为的保险的处理方法、装置、设备及存储介质 | |
CN112365894B (zh) | 基于ai的复合语音交互方法、装置及计算机设备 | |
KR20180113447A (ko) | 전자 장치, 그의 경고 메시지 제공 방법 및 비일시적 컴퓨터 판독가능 기록매체 | |
US20200001865A1 (en) | Characterizing a vehicle collision | |
EP3716194A1 (en) | Method and device for processing vehicle loss assessment data and processing device | |
US12005922B2 (en) | Toward simulation of driver behavior in driving automation | |
US11270689B2 (en) | Detection of anomalies in the interior of an autonomous vehicle | |
CN115983804A (zh) | 人机协作任务处理方法、装置、电子设备和存储介质 | |
CN113287120A (zh) | 车辆驾驶环境异常监测方法、装置、电子设备和存储介质 | |
CN111126071B (zh) | 提问文本数据的确定方法、装置和客服群的数据处理方法 | |
CN112363488A (zh) | 车辆故障处理系统及方法 | |
CN112329963A (zh) | 数据处理方法、数据处理装置、存储介质和电子设备 | |
CN111414732A (zh) | 文本风格转换方法、装置、电子设备及存储介质 | |
CN117407507A (zh) | 基于大语言模型的事件处理方法、装置、设备及介质 | |
CN110689150A (zh) | 基于机器学习的订单预测方法、预测装置及计算机设备 | |
CN115544232A (zh) | 车载智能问答和信息推荐方法及装置 | |
CN113593256A (zh) | 基于城市管理的无人机智能驱离控制方法、系统及云平台 | |
CN114724011A (zh) | 一种行为的确定方法、装置、存储介质及电子装置 | |
CN112698578B (zh) | 一种自动驾驶模型的训练方法及相关设备 | |
CN111881266B (zh) | 一种应答方法及装置 | |
Yawovi et al. | Aidashcam: A vehicle collision responsibility evaluation system based on object detection and openstreetmap | |
CN111611804A (zh) | 危险识别方法、装置、电子设备及存储介质 | |
CN111401564A (zh) | 用于机器学习的模型更新方法、装置、电子设备及存储介质 | |
CN116860952B (zh) | 基于人工智能的rpa智能应答处理方法及系统 | |
CN111291178A (zh) | 一种对话分类方法、装置、电子设备及存储介质 |
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 |