CN116360764B - 一种可视化建模平台的模型优化方法和系统 - Google Patents
一种可视化建模平台的模型优化方法和系统 Download PDFInfo
- Publication number
- CN116360764B CN116360764B CN202310346581.3A CN202310346581A CN116360764B CN 116360764 B CN116360764 B CN 116360764B CN 202310346581 A CN202310346581 A CN 202310346581A CN 116360764 B CN116360764 B CN 116360764B
- Authority
- CN
- China
- Prior art keywords
- operator
- flow
- artificial intelligent
- parameter
- model modeling
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000000007 visual effect Effects 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 113
- 238000012800 visualization Methods 0.000 claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 description 12
- 238000004140 cleaning Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004321 preservation Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/34—Graphical or visual programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/10—Requirements analysis; Specification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种可视化建模平台的模型优化方法和系统,该方法包括:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标;根据用户端的模型创建指令和所述人工智能模型建模流程数据结构,基于所述数据处理算子构建人工智能模型建模流程;运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,并根据运行监督结果和预设监督结果确定最优的人工智能模型建模流程;从而提升人工智能模型参数调整的便捷性,及识别预测的效率和准确度。
Description
技术领域
本申请涉及数据库技术和数据可视化领域,更具体地,涉及一种可视化建模平台的模型优化方法和系统。
背景技术
通过AI模型的识别、预测等应用,需要在AI模型搭建完成后,向模型输入训练数据,以使模型根据训练数据学习相关应用场景的功能需求,进而输出识别、预测结果。例如基于大量的花草训练数据识别花草、基于大量的交通流量训练数据预测交通状况、基于大量的某场景人体关节移动训练数据预测该场景下人体各部分的行为动作等。因此模型训练数据模型训练过程中需要输入高质量数据训练集,以帮助提高模型结果准确度。
现有可视化搭建平台并不支持对所输入模型的训练数据的预处理、数据清洗,导致模型预测结果不准确。另一方面,现有可视化平台模型搭建过程中,多版本参数的调整结果不能被记录对比,模型参数修改后无法直观知晓新参数的调整方向是否能够帮助模型向结果最优的方向进化,模型调参困难。
因此有必要引入一种新的方法和系统,使用户能够基于现有可视化人工智能建模平台,根据人工智能学习的建模需求,构建人工智能模型建模流程,并通过对构建的人工智能模型的结构和算子参数进行调整,以及版本保存和模型运行结果对比,获得最优人工智能模型,以解决现有技术中存在的因可视化搭建平台并不支持对所输入模型的训练数据的预处理、数据清洗、多版本参数的调整结果不能被记录对比等技术问题导致的模型预测结果不准确、记录对比、模型参数修改后无法直观知晓新参数的调整方向是否能够帮助模型向结果最优的方向进化和模型调参困难等难题,从而提高人工智能模型建模流程中参数调整的便捷性和直观性,提升人工智能模型识别预测的效率和准确度。
发明内容
针对上面提到的技术问题,本发明提供了一种可视化建模平台的模型优化方法和系统,通过根据算子属性结构和人工智能模型建模流程数据结构,接收用户端发出的指令创建人工智能模型建模流程,运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,分别得到与所述人工智能模型建模流程的结构和所述参数信息对应的运行监督结果,并根据所述运行监督结果和预设监督结果确定最优的人工智能模型建模流程,使用户能够基于现有可视化人工智能建模平台,根据人工智能学习的建模需求,构建人工智能模型建模流程,并通过对构建的人工智能模型的结构和算子参数进行调整,以及版本保存和模型运行结果对比,获得最优人工智能模型,解决了现有技术中存在的因可视化搭建平台并不支持对所输入模型的训练数据的预处理、数据清洗、多版本参数的调整结果不能被记录对比等技术问题导致的模型预测结果不准确、记录对比、模型参数修改后无法直观知晓新参数的调整方向是否能够帮助模型向结果最优的方向进化和模型调参困难等难题,从而提高人工智能模型建模流程中参数调整的便捷性和直观性,提升人工智能模型识别预测的效率和准确度。
本发明提供一种可视化建模平台的模型优化方法,所述方法包括:
S101,根据算子属性和人工智能模型的处理流程,定义算子属性结构和人工智能模型建模流程数据结构;S102,根据指令生成数据处理算子:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标;S103,创建人工智能模型建模流程:根据用户端的模型创建指令和所述人工智能模型建模流程数据结构,基于所述数据处理算子构建人工智能模型建模流程;S104,流程参数调优:运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,分别得到与所述人工智能模型建模流程的结构和所述参数信息对应的运行监督结果,并根据所述运行监督结果和预设监督结果确定最优的人工智能模型建模流程,记录所述参数版本;
其中,所述构建人工智能模型建模流程为根据各算子节点之间输入和输出的连接关系,将多个所述算子节点连接在一起形成的数据处理任务执行序列;所述预设监督结果根据人工智能模型运行的目标结果按需进行设置。
如上所述,所述算子属性结构包括9个字段,分别为算子编号id、算子名称、算子类型、输入端口、输出端口、算子可视化组件图标、图标位置、参数信息和参数版本;所述人工智能模型建模流程数据结构包括7个字段,分别为处理流程编号id、流程名称、流程描述信息、算子编号id、算子节点连接关系、数据源和数据资源服务器id。
如上所述,所述S102,根据指令生成数据处理算子:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标的步骤包括;接收用户端的所述数据处理流程创建指令,对所述数据处理流程创建指令进行解析,得到所述解析结果,所述解析结果包括所述算子编号id、所述算子名称、所述算子类型、所述输入端口、所述输出端口和所述参数信息;根据所述解析结果和所述算子属性结构对算子生成所述数据处理算子,以及所述数据处理算子的算子可视化组件图标,并根据所述参数信息将所述参数版本设置为初始化参数版本;存储所述数据处理算子的所述算子编号id、所述算子名称、所述算子类型、所述输入端口、所述输出端口和所述参数信息,并记录所述数据处理算子的所述参数版本。
如上所述,所述S103,创建人工智能模型建模流程:根据用户端的模型创建指令和所述人工智能模型建模流程数据结构,基于所述数据处理算子构建人工智能模型建模流程的步骤包括:接收用户端的模型创建指令,根据所述人工智能模型建模流程数据结构,对所述模型创建指令进行解析,得到所述处理流程编号id、所述流程名称、所述流程描述信息,以及所有算子节点的所述算子编号id和所述图标位置;根据所述算子编号id,确定各算子节点对应的所述算子名称、所述算子类型、所述输入端口、所述输出端口、所述数据源和数据资源服务器id,以及各算子节点之间的所述节点连接关系;根据所述处理流程编号id、所述流程名称、所述流程描述信息和所述算子编号id,各算子节点对应的所述数据源和数据资源服务器id,以及各算子节点之间的所述节点连接关系,创建所述人工智能模型建模流程,并根据各算子节点的所述图标位置生成所述人工智能模型建模流程的可视化图结构;其中,所述可视化图结构是根据各算子节点之间的所述节点连接关系和所述图标位置,利用连接线将各算子节点连结起来生成的可视化二维图结构,各算子节点与所述构建人工智能模型建模流程中的数据处理任务执行序列一一对应。
如上所述,S104,流程参数调优:运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,分别得到与所述人工智能模型建模流程的结构和所述参数信息对应的运行监督结果,并根据所述运行监督结果和预设监督结果确定最优的人工智能模型建模流程,记录所述参数版本的步骤包括流程初始运行的步骤,具体为:调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果;将与所述参数版本对应的运行监督结果和所述监督结果进行对比分析,并根据对比分析结果确定所述最优的人工智能模型建模流程,并记录所述参数版本,以及与所述参数版本对应的所述人工智能模型建模流程的结构和各所述算子节点的参数信息。
如上所述,所述调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果的步骤,还包括初始参数版本运行的步骤,具体为:根据所述人工智能模型建模流程中各算子节点的所述算子编号id,获取与各算子节点的所述初始化参数版本对应的所述参数信息;根据所述参数信息和各算子节点之间的所述节点连接关系,分别连接各算子节点对应的所述数据源和数据资源服务器id,获取源数据和计算资源,并运行所述人工智能模型建模流程,返回并记录与所述参数版本对应的运行监督结果为初始版本运行监督结果。
如上所述,所述调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果的步骤,还包括算子参数调整运行的步骤,具体为:根据所述算子属性结构,对所述人工智能模型建模流程中的算子节点的所述参数信息进行调整,生成新的参数信息,记录所述参数版本为第一参数版本,并发送算子参数调整事件触发请求;根据所述算子参数调整事件触发请求,获取所述算子节点的所述算子编号id、所述新的参数信息和所述第一参数版本;根据所述新的参数信息和各算子节点之间的所述节点连接关系,分别连接各算子节点对应的所述数据源和数据资源服务器id,获取源数据和计算资源,并运行所述人工智能模型建模流程,返回并记录与所述第一参数版本对应的运行监督结果为第一运行监督结果。
如上所述,所述调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果的步骤,还包括算子模型结构调整运行的步骤,具体为:根据所述算子属性结构,对所述人工智能模型建模流程中的各算子节点的数量、所述输入端口、所述输出端口和所述算子节点连接关系进行调整,生成新的算子节点连接关系,并发送模型结构调整事件触发请求;根据所述模型结构调整事件触发请求,获取算子模型结构调整后的各算子节点的所述算子编号id、所述新的算子节点连接关系、所述参数信息、所述数据源和数据资源服务器id,并记录所述参数版本为第二参数版本;根据所述参数信息和所述新的算子节点连接关系,分别连接各算子节点对应的所述数据源和数据资源服务器id,获取源数据和计算资源,并运行所述人工智能模型建模流程,返回并记录与所述第二参数版本对应的运行监督结果为第二运行监督结果。
相应的,本发明还提供了一种可视化建模平台的模型优化系统,所述系统包括结构定义模块、算子生成模块、流程构建模块和流程参数调优模块;
其中,所述结构定义模块,用于根据算子属性和人工智能模型的处理流程,定义算子属性结构和人工智能模型建模流程数据结构;所述算子生成模块,用于根据指令生成数据处理算子:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标;所述流程构建模块,用于创建人工智能模型建模流程:根据用户端的模型创建指令和所述人工智能模型建模流程数据结构,基于所述数据处理算子构建人工智能模型建模流程;所述流程参数调优模块,用于对所述人工智能模型建模流程的结构或各所述算子节点的参数信息进行调整,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果,并根据与所述参数版本对应的运行监督结果确定最优的所述人工智能模型建模流程,记录所述参数版本。
所述构建人工智能模型建模流程为根据各算子节点之间输入和输出的连接关系,将多个所述算子节点连接在一起形成的数据处理任务执行序列;所述预设监督结果根据人工智能模型运行的目标结果按需进行设置。
本发明通过应用以上技术方案,实现了通过根据算子属性结构和人工智能模型建模流程数据结构,接收用户端发出的指令创建人工智能模型建模流程,运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,分别得到与所述人工智能模型建模流程的结构和所述参数信息对应的运行监督结果,并根据所述运行监督结果和预设监督结果确定最优的人工智能模型建模流程,使用户能够基于现有可视化人工智能建模平台,根据人工智能学习的建模需求,构建人工智能模型建模流程,并通过对构建的人工智能模型的结构和算子参数进行调整,以及版本保存和模型运行结果对比,获得最优人工智能模型,解决了现有技术中存在的因可视化搭建平台并不支持对所输入模型的训练数据的预处理、数据清洗、多版本参数的调整结果不能被记录对比等技术问题导致的模型预测结果不准确、记录对比、模型参数修改后无法直观知晓新参数的调整方向是否能够帮助模型向结果最优的方向进化和模型调参困难等难题,从而提高人工智能模型建模流程中参数调整的便捷性和直观性,提升人工智能模型识别预测的效率和准确度。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,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示出了本发明实施例提出的一种可视化建模平台的模型优化方法的流程示意图;
图2示出了本发明实施例提出的一种可视化建模平台的模型优化系统的结构示意图。
具体实施方式
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,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做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。
本发明提供了一种可视化建模平台的模型优化方法,如图1所示,所述方法包括以下步骤:
S101,根据算子属性和人工智能模型的处理流程,定义算子属性结构和人工智能模型建模流程数据结构。
本实施例中,所述算子属性结构包括9个字段,分别为算子编号id、算子名称、算子类型、输入端口、输出端口、算子可视化组件图标、图标位置、参数信息和参数版本;
所述人工智能模型建模流程数据结构包括7个字段,分别为处理流程编号id、流程名称、流程描述信息、算子编号id、算子节点连接关系、数据源和数据资源服务器id。
S102,根据指令生成数据处理算子:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标。
本实施例中,所述S102,根据指令生成数据处理算子:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标的步骤包括;
接收用户端的所述数据处理流程创建指令,对所述数据处理流程创建指令进行解析,得到所述解析结果,所述解析结果包括所述算子编号id、所述算子名称、所述算子类型、所述输入端口、所述输出端口和所述参数信息;
根据所述解析结果和所述算子属性结构对算子生成所述数据处理算子,以及所述数据处理算子的算子可视化组件图标,并根据所述参数信息将所述参数版本设置为初始化参数版本;
存储所述数据处理算子的所述算子编号id、所述算子名称、所述算子类型、所述输入端口、所述输出端口和所述参数信息,并记录所述数据处理算子的所述参数版本。
本实施例中,所述S102,根据指令生成数据处理算子:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标的步骤包括;
接收用户端的所述数据处理流程创建指令,对所述数据处理流程创建指令进行解析,得到所述解析结果,所述解析结果包括所述算子编号id、所述算子名称、所述算子类型、所述输入端口、所述输出端口和所述参数信息;
根据所述解析结果和所述算子属性结构对算子生成所述数据处理算子,以及所述数据处理算子的算子可视化组件图标,并根据所述参数信息将所述参数版本设置为初始化参数版本;
存储所述数据处理算子的所述算子编号id、所述算子名称、所述算子类型、所述输入端口、所述输出端口和所述参数信息,并记录所述数据处理算子的所述参数版本。
S103,创建人工智能模型建模流程:根据用户端的模型创建指令和所述人工智能模型建模流程数据结构,基于所述数据处理算子构建人工智能模型建模流程;其中,所述构建人工智能模型建模流程为根据各算子节点之间输入和输出的连接关系,将多个所述算子节点连接在一起形成的数据处理任务执行序列。
本实施例中,所述S103,创建人工智能模型建模流程:根据用户端的模型创建指令和所述人工智能模型建模流程数据结构,基于所述数据处理算子构建人工智能模型建模流程的步骤包括:
接收用户端的模型创建指令,根据所述人工智能模型建模流程数据结构,对所述模型创建指令进行解析,得到所述处理流程编号id、所述流程名称、所述流程描述信息,以及所有算子节点的所述算子编号id和所述图标位置;
根据所述算子编号id,确定各算子节点对应的所述算子名称、所述算子类型、所述输入端口、所述输出端口、所述数据源和数据资源服务器id,以及各算子节点之间的所述节点连接关系;
根据所述处理流程编号id、所述流程名称、所述流程描述信息和所述算子编号id,各算子节点对应的所述数据源和数据资源服务器id,以及各算子节点之间的所述节点连接关系,创建所述人工智能模型建模流程,并根据各算子节点的所述图标位置生成所述人工智能模型建模流程的可视化图结构;
其中,所述可视化图结构是根据各算子节点之间的所述节点连接关系和所述图标位置,利用连接线将各算子节点连结起来生成的可视化二维图结构,各算子节点与所述构建人工智能模型建模流程中的数据处理任务执行序列一一对应。
S104,流程参数调优:运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,分别得到与所述人工智能模型建模流程的结构和所述参数信息对应的运行监督结果,并根据所述运行监督结果和预设监督结果确定最优的人工智能模型建模流程,记录所述参数版本;其中,所述预设监督结果根据人工智能模型运行的目标结果按需进行设置。
本实施例中,S104,流程参数调优:运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,分别得到与所述人工智能模型建模流程的结构和所述参数信息对应的运行监督结果,并根据所述运行监督结果和预设监督结果确定最优的人工智能模型建模流程,记录所述参数版本的步骤包括流程初始运行的步骤,具体为:
调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果;
将与所述参数版本对应的运行监督结果和所述监督结果进行对比分析,并根据对比分析结果确定所述最优的人工智能模型建模流程,并记录所述参数版本,以及与所述参数版本对应的所述人工智能模型建模流程的结构和各所述算子节点的参数信息。
本实施例中,所述调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果的步骤,还包括初始参数版本运行的步骤,具体为:
根据所述人工智能模型建模流程中各算子节点的所述算子编号id,获取与各算子节点的所述初始化参数版本对应的所述参数信息;
根据所述参数信息和各算子节点之间的所述节点连接关系,分别连接各算子节点对应的所述数据源和数据资源服务器id,获取源数据和计算资源,并运行所述人工智能模型建模流程,返回并记录与所述参数版本对应的运行监督结果为初始版本运行监督结果。
本实施例中,所述调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果的步骤,还包括算子参数调整运行的步骤,具体为:
根据所述算子属性结构,对所述人工智能模型建模流程中的算子节点的所述参数信息进行调整,生成新的参数信息,记录所述参数版本为第一参数版本,并发送算子参数调整事件触发请求;
根据所述算子参数调整事件触发请求,获取所述算子节点的所述算子编号id、所述新的参数信息和所述第一参数版本;
根据所述新的参数信息和各算子节点之间的所述节点连接关系,分别连接各算子节点对应的所述数据源和数据资源服务器id,获取源数据和计算资源,并运行所述人工智能模型建模流程,返回并记录与所述第一参数版本对应的运行监督结果为第一运行监督结果。
本实施例中,所述调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果的步骤,还包括算子模型结构调整运行的步骤,具体为:
根据所述算子属性结构,对所述人工智能模型建模流程中的各算子节点的数量、所述输入端口、所述输出端口和所述算子节点连接关系进行调整,生成新的算子节点连接关系,并发送模型结构调整事件触发请求;
根据所述模型结构调整事件触发请求,获取算子模型结构调整后的各算子节点的所述算子编号id、所述新的算子节点连接关系、所述参数信息、所述数据源和数据资源服务器id,并记录所述参数版本为第二参数版本;
根据所述参数信息和所述新的算子节点连接关系,分别连接各算子节点对应的所述数据源和数据资源服务器id,获取源数据和计算资源,并运行所述人工智能模型建模流程,返回并记录与所述第二参数版本对应的运行监督结果为第二运行监督结果。
通过应用以上技术方案,实现了通过根据算子属性结构和人工智能模型建模流程数据结构,接收用户端发出的指令创建人工智能模型建模流程,运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,分别得到与所述人工智能模型建模流程的结构和所述参数信息对应的运行监督结果,并根据所述运行监督结果和预设监督结果确定最优的人工智能模型建模流程,使用户能够基于现有可视化人工智能建模平台,根据人工智能学习的建模需求,构建人工智能模型建模流程,并通过对构建的人工智能模型的结构和算子参数进行调整,以及版本保存和模型运行结果对比,获得最优人工智能模型,解决了现有技术中存在的因可视化搭建平台并不支持对所输入模型的训练数据的预处理、数据清洗、多版本参数的调整结果不能被记录对比等技术问题导致的模型预测结果不准确、记录对比、模型参数修改后无法直观知晓新参数的调整方向是否能够帮助模型向结果最优的方向进化和模型调参困难等难题,从而提高人工智能模型建模流程中参数调整的便捷性和直观性,提升人工智能模型识别预测的效率和准确度。
与本发明实施例中的一种所述可视化建模平台的模型优化方法相对应,本发明还公开了一种可视化建模平台的模型优化系统,如图2所示,所述系统包括结构定义模块、算子生成模块、流程构建模块和流程参数调优模块;
其中,所述结构定义模块,用于根据算子属性和人工智能模型的处理流程,定义算子属性结构和人工智能模型建模流程数据结构;
所述算子生成模块,用于根据指令生成数据处理算子:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标;
所述流程构建模块,用于创建人工智能模型建模流程:根据用户端的模型创建指令和所述人工智能模型建模流程数据结构,基于所述数据处理算子构建人工智能模型建模流程;
所述流程参数调优模块,用于对所述人工智能模型建模流程的结构或各所述算子节点的参数信息进行调整,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果,并根据与所述参数版本对应的运行监督结果确定最优的所述人工智能模型建模流程,记录所述参数版本;
所述构建人工智能模型建模流程为根据各算子节点之间输入和输出的连接关系,将多个所述算子节点连接在一起形成的数据处理任务执行序列;
所述预设监督结果根据人工智能模型运行的目标结果按需进行设置。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (7)
1.一种可视化建模平台的模型优化方法,其特征在于,所述方法包括:
S101,根据算子属性和人工智能模型的处理流程,定义算子属性结构和人工智能模型建模流程数据结构;
S102,根据指令生成数据处理算子:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标;
S103,创建人工智能模型建模流程:根据用户端的模型创建指令和所述人工智能模型建模流程数据结构,基于所述数据处理算子构建人工智能模型建模流程;
S104,流程参数调优:运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,分别得到与所述人工智能模型建模流程的结构和所述参数信息对应的运行监督结果,并根据所述运行监督结果和预设监督结果确定最优的人工智能模型建模流程,记录参数版本;
其中,
所述构建人工智能模型建模流程为根据各算子节点之间输入和输出的连接关系,将多个所述算子节点连接在一起形成的数据处理任务执行序列;
所述预设监督结果根据人工智能模型运行的目标结果按需进行设置;
所述算子属性结构包括9个字段,分别为算子编号id、算子名称、算子类型、输入端口、输出端口、算子可视化组件图标、图标位置、参数信息和参数版本;
所述人工智能模型建模流程数据结构包括7个字段,分别为处理流程编号id、流程名称、流程描述信息、算子编号id、算子节点连接关系、数据源和数据资源服务器id;
所述S104,流程参数调优:运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,分别得到与所述人工智能模型建模流程的结构和所述参数信息对应的运行监督结果,并根据所述运行监督结果和预设监督结果确定最优的人工智能模型建模流程,记录所述参数版本的步骤包括流程初始运行的步骤,具体为:
调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果;
将与所述参数版本对应的运行监督结果和所述监督结果进行对比分析,并根据对比分析结果确定所述最优的人工智能模型建模流程,并记录所述参数版本,以及与所述参数版本对应的所述人工智能模型建模流程的结构和各所述算子节点的参数信息。
2.如权利要求1所述的方法,其特征在于,所述S102,根据指令生成数据处理算子:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标的步骤包括;
接收用户端的所述数据处理流程创建指令,对所述数据处理流程创建指令进行解析,得到所述解析结果,所述解析结果包括所述算子编号id、所述算子名称、所述算子类型、所述输入端口、所述输出端口和所述参数信息;
根据所述解析结果和所述算子属性结构对算子生成所述数据处理算子,以及所述数据处理算子的算子可视化组件图标,并根据所述参数信息将所述参数版本设置为初始化参数版本;
存储所述数据处理算子的所述算子编号id、所述算子名称、所述算子类型、所述输入端口、所述输出端口和所述参数信息,并记录所述数据处理算子的所述参数版本。
3.如权利要求1所述的方法,其特征在于,所述S103,创建人工智能模型建模流程:根据用户端的模型创建指令和所述人工智能模型建模流程数据结构,基于所述数据处理算子构建人工智能模型建模流程的步骤包括:
接收用户端的模型创建指令,根据所述人工智能模型建模流程数据结构,对所述模型创建指令进行解析,得到所述处理流程编号id、所述流程名称、所述流程描述信息,以及所有算子节点的所述算子编号id和所述图标位置;
根据所述算子编号id,确定各算子节点对应的所述算子名称、所述算子类型、所述输入端口、所述输出端口、所述数据源和数据资源服务器id,以及各算子节点之间的所述节点连接关系;
根据所述处理流程编号id、所述流程名称、所述流程描述信息和所述算子编号id,各算子节点对应的所述数据源和数据资源服务器id,以及各算子节点之间的所述节点连接关系,创建所述人工智能模型建模流程,并根据各算子节点的所述图标位置生成所述人工智能模型建模流程的可视化图结构;
其中,所述可视化图结构是根据各算子节点之间的所述节点连接关系和所述图标位置,利用连接线将各算子节点连结起来生成的可视化二维图结构,各算子节点与所述构建人工智能模型建模流程中的数据处理任务执行序列一一对应。
4.如权利要求1所述的方法,其特征在于,所述调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果的步骤,还包括初始参数版本运行的步骤,具体为:
根据所述人工智能模型建模流程中各算子节点的所述算子编号id,获取与各算子节点的初始化参数版本对应的所述参数信息;
根据所述参数信息和各算子节点之间的所述节点连接关系,分别连接各算子节点对应的所述数据源和数据资源服务器id,获取源数据和计算资源,并运行所述人工智能模型建模流程,返回并记录与所述参数版本对应的运行监督结果为初始版本运行监督结果。
5.如权利要求1所述的方法,其特征在于,所述调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果的步骤,还包括算子参数调整运行的步骤,具体为:
根据所述算子属性结构,对所述人工智能模型建模流程中的算子节点的所述参数信息进行调整,生成新的参数信息,记录所述参数版本为第一参数版本,并发送算子参数调整事件触发请求;
根据所述算子参数调整事件触发请求,获取所述算子节点的所述算子编号id、所述新的参数信息和所述第一参数版本;
根据所述新的参数信息和各算子节点之间的所述节点连接关系,分别连接各算子节点对应的所述数据源和数据资源服务器id,获取源数据和计算资源,并运行所述人工智能模型建模流程,返回并记录与所述第一参数版本对应的运行监督结果为第一运行监督结果。
6.如权利要求1所述的方法,其特征在于,所述调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果的步骤,还包括算子模型结构调整运行的步骤,具体为:
根据所述算子属性结构,对所述人工智能模型建模流程中的各算子节点的数量、所述输入端口、所述输出端口和所述算子节点连接关系进行调整,生成新的算子节点连接关系,并发送模型结构调整事件触发请求;
根据所述模型结构调整事件触发请求,获取算子模型结构调整后的各算子节点的所述算子编号id、所述新的算子节点连接关系、所述参数信息、所述数据源和数据资源服务器id,并记录所述参数版本为第二参数版本;
根据所述参数信息和所述新的算子节点连接关系,分别连接各算子节点对应的所述数据源和数据资源服务器id,获取源数据和计算资源,并运行所述人工智能模型建模流程,返回并记录与所述第二参数版本对应的运行监督结果为第二运行监督结果。
7.一种实施权利要求1所述可视化建模平台的模型优化方法的系统,其特征在于,所述系统包括结构定义模块、算子生成模块、流程构建模块和流程参数调优模块;
其中,
所述结构定义模块,用于根据算子属性和人工智能模型的处理流程,定义算子属性结构和人工智能模型建模流程数据结构;
所述算子生成模块,用于根据指令生成数据处理算子:接收用户端发出的数据处理流程创建指令,对所述数据处理流程创建指令进行解析,并根据解析结果和所述算子属性结构生成数据处理算子,以及所述数据处理算子的算子可视化组件图标;
所述流程构建模块,用于创建人工智能模型建模流程:根据用户端的模型创建指令和所述人工智能模型建模流程数据结构,基于所述数据处理算子构建人工智能模型建模流程;
所述流程参数调优模块,用于对所述人工智能模型建模流程的结构或各所述算子节点的参数信息进行调整,记录调整后各所述算子节点的参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果,并根据与所述参数版本对应的运行监督结果确定最优的所述人工智能模型建模流程,记录所述参数版本;
所述构建人工智能模型建模流程为根据各算子节点之间输入和输出的连接关系,将多个所述算子节点连接在一起形成的数据处理任务执行序列;
所述预设监督结果根据人工智能模型运行的目标结果按需进行设置;
所述算子属性结构包括9个字段,分别为算子编号id、算子名称、算子类型、输入端口、输出端口、算子可视化组件图标、图标位置、参数信息和参数版本;
所述人工智能模型建模流程数据结构包括7个字段,分别为处理流程编号id、流程名称、流程描述信息、算子编号id、算子节点连接关系、数据源和数据资源服务器id;
所述S104,流程参数调优:运行所述人工智能模型建模流程,并对所述人工智能模型建模流程的结构和参数信息进行调整,分别得到与所述人工智能模型建模流程的结构和所述参数信息对应的运行监督结果,并根据所述运行监督结果和预设监督结果确定最优的人工智能模型建模流程,记录所述参数版本的步骤包括流程初始运行的步骤,具体为:
调整所述人工智能模型建模流程的结构或各所述算子节点的参数信息,记录调整后各所述算子节点的所述参数版本,并基于调整后的所述人工智能模型建模流程的结构或各所述算子节点的参数信息,运行所述人工智能模型建模流程,分别得到与所述参数版本对应的运行监督结果;
将与所述参数版本对应的运行监督结果和所述监督结果进行对比分析,并根据对比分析结果确定所述最优的人工智能模型建模流程,并记录所述参数版本,以及与所述参数版本对应的所述人工智能模型建模流程的结构和各所述算子节点的参数信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310346581.3A CN116360764B (zh) | 2023-04-03 | 2023-04-03 | 一种可视化建模平台的模型优化方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310346581.3A CN116360764B (zh) | 2023-04-03 | 2023-04-03 | 一种可视化建模平台的模型优化方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116360764A CN116360764A (zh) | 2023-06-30 |
CN116360764B true CN116360764B (zh) | 2023-12-05 |
Family
ID=86936596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310346581.3A Active CN116360764B (zh) | 2023-04-03 | 2023-04-03 | 一种可视化建模平台的模型优化方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116360764B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130851A (zh) * | 2020-08-04 | 2020-12-25 | 中科天玑数据科技股份有限公司 | 一种用于人工智能的建模方法、电子设备和存储介质 |
CN112558931A (zh) * | 2020-12-09 | 2021-03-26 | 中国电子科技集团公司第二十八研究所 | 一种面向用户工作流模式的智能模型构建及运行方法 |
CN112597239A (zh) * | 2020-12-30 | 2021-04-02 | 厦门渊亭信息科技有限公司 | 可视化建模方法、装置和电子设备 |
CN114139728A (zh) * | 2021-12-06 | 2022-03-04 | 神州数码系统集成服务有限公司 | 可视化全流程机器学习平台、控制方法、客户端及应用 |
CN115169810A (zh) * | 2022-06-09 | 2022-10-11 | 国电南瑞科技股份有限公司 | 一种面向电网调控的人工智能系统构建方法及装置 |
CN115455135A (zh) * | 2022-06-30 | 2022-12-09 | 北京九章云极科技有限公司 | 可视化自动建模方法、装置、电子设备和存储介质 |
CN116360891A (zh) * | 2023-04-03 | 2023-06-30 | 北京柏睿数据技术股份有限公司 | 一种可视化人工智能建模的算子自定义的方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107030691B (zh) * | 2017-03-24 | 2020-04-14 | 华为技术有限公司 | 一种看护机器人的数据处理方法及装置 |
-
2023
- 2023-04-03 CN CN202310346581.3A patent/CN116360764B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130851A (zh) * | 2020-08-04 | 2020-12-25 | 中科天玑数据科技股份有限公司 | 一种用于人工智能的建模方法、电子设备和存储介质 |
CN112558931A (zh) * | 2020-12-09 | 2021-03-26 | 中国电子科技集团公司第二十八研究所 | 一种面向用户工作流模式的智能模型构建及运行方法 |
CN112597239A (zh) * | 2020-12-30 | 2021-04-02 | 厦门渊亭信息科技有限公司 | 可视化建模方法、装置和电子设备 |
CN114139728A (zh) * | 2021-12-06 | 2022-03-04 | 神州数码系统集成服务有限公司 | 可视化全流程机器学习平台、控制方法、客户端及应用 |
CN115169810A (zh) * | 2022-06-09 | 2022-10-11 | 国电南瑞科技股份有限公司 | 一种面向电网调控的人工智能系统构建方法及装置 |
CN115455135A (zh) * | 2022-06-30 | 2022-12-09 | 北京九章云极科技有限公司 | 可视化自动建模方法、装置、电子设备和存储介质 |
CN116360891A (zh) * | 2023-04-03 | 2023-06-30 | 北京柏睿数据技术股份有限公司 | 一种可视化人工智能建模的算子自定义的方法和系统 |
Non-Patent Citations (3)
Title |
---|
ow to Manage, Track, and Visualize Hyperparameters of Machine Learning Models?;Kamil Kaczmarek;https://neptune.ai/blog/how-to-manage-track-visualize-hyperparameters;全文 * |
使用可视化建模构建模型;腾讯云;https://cloud.tencent.com/document/product/851/44432;全文 * |
分布式与自动化大数据智能分析算法与编程计算平台;朱光辉;中国博士学位论文全文数据库信息科技辑;I138-20 * |
Also Published As
Publication number | Publication date |
---|---|
CN116360764A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106933208B (zh) | 分布式工业性能监控和分析 | |
CN106933206B (zh) | 分布式工业系统中的独立于源的查询 | |
CN106933204B (zh) | 分布式工业性能监控和分析 | |
CN106933207B (zh) | 用于分布式工业性能监控的数据分析服务 | |
CN106933205B (zh) | 分布式工业性能监控和分析平台 | |
Dalibor et al. | A cross-domain systematic mapping study on software engineering for digital twins | |
US20160328249A1 (en) | Plugin Interface and Framework for Integrating External Algorithms with Sample Data Analysis Software | |
JP2018206362A (ja) | 工程解析装置、工程解析方法、及び工程解析プログラム | |
CN112199086A (zh) | 自动编程控制系统、方法、装置、电子设备及存储介质 | |
US20200265353A1 (en) | Intelligent workflow advisor for part design, simulation and manufacture | |
CN113656897A (zh) | 中央空调智能设计方法、系统及装置 | |
Krummacker et al. | Digital Twin Development: Mathematical Modeling | |
CN116360764B (zh) | 一种可视化建模平台的模型优化方法和系统 | |
CN117289925A (zh) | 一种基于组件技术的软件建模方法及系统 | |
CN113508343A (zh) | 更新工业模型的数据的方法和装置 | |
CN113204330B (zh) | 一种基于人工智能的程序开发设计方法及系统 | |
CN113626022A (zh) | 物模型创建方法、装置、存储介质及电子设备 | |
Polack et al. | On Developing and Validating Dynamic Systems: Simulation Engineering. | |
i Casas et al. | Using specification and description language to define and implement discrete simulation models. | |
CN111126961A (zh) | 一种复杂产品全生命周期数字主线服务系统 | |
Panigrahi et al. | Spider monkey particle swarm optimization (SMPSO) with coverage criteria for optimal test case generation in object-oriented systems | |
CN116382666B (zh) | 一种基于人工智能模型的项目执行方法和系统 | |
Yousef et al. | Automatically Generated Feature Model from Requirements: Toward an Enhanced Formalism | |
CN117151247B (zh) | 机器学习任务建模的方法、装置、计算机设备和存储介质 | |
Pan et al. | Sequential design command prediction using BIM event logs |
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 |