CN116628282A - 数据扫描方法、装置、计算机设备及存储介质 - Google Patents

数据扫描方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN116628282A
CN116628282A CN202310694107.XA CN202310694107A CN116628282A CN 116628282 A CN116628282 A CN 116628282A CN 202310694107 A CN202310694107 A CN 202310694107A CN 116628282 A CN116628282 A CN 116628282A
Authority
CN
China
Prior art keywords
recognition algorithm
algorithm model
data scanning
model
application program
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
Application number
CN202310694107.XA
Other languages
English (en)
Inventor
莫煌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ping An Technology Shenzhen Co Ltd
Original Assignee
Ping An Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ping An Technology Shenzhen Co Ltd filed Critical Ping An Technology Shenzhen Co Ltd
Priority to CN202310694107.XA priority Critical patent/CN116628282A/zh
Publication of CN116628282A publication Critical patent/CN116628282A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Stored Programmes (AREA)

Abstract

本申请实施例属于大数据领域与金融科技领域，涉及一种数据扫描方法，包括：若接收到用户通过客户终端的应用程序触发的数据扫描请求，从数据扫描请求中解析业务场景信息；从识别算法模型中筛选出与业务场景信息匹配的目标识别算法模型；基于应用程序的程序标识信息，将目标识别算法模型下发至客户终端中的应用程序内，以使应用程序使用目标识别算法模型执行数据扫描处理。本申请还提供一种数据扫描装置、计算机设备及存储介质。此外，本申请还涉及区块链技术，业务场景信息可存储于区块链中。本申请可应用于金融领域的数据扫描场景，采用动态下发的方式将识别算法模型分发给客户终端，提高了数据扫描的处理智能性，有效降低了应用程序的体积。

Description

数据扫描方法、装置、计算机设备及存储介质
技术领域
本申请涉及大数据技术领域与金融科技领域，尤其涉及数据扫描方法、装置、计算机设备及存储介质。
背景技术
在金融科技公司的应用程序的日常使用过程中，有许多业务场景都会涉及到拍照、扫描等识别人物人脸、动物特征、环境特征等数据扫描的处理。由于每种不同的场景识别，都涉及不同的识别算法进行识别，从而需要金融科技公司的算法团队，在开发不同的识别算法模型的同时，还需要考虑将这些开发好的识别算法模型包装成各种可以用的库，比如iOS、安卓等专有平台的库才能直接使用。然而这种应用于数据扫描的识别算法模型的处理方式，由于需要事先将识别算法模型封装到SDK里面，这样会导致SDK体积变大，从而间接导致应用程序的体积增大，造成用户对于应用程序的使用体验不佳。
发明内容
本申请实施例的目的在于提出一种数据扫描方法、装置、计算机设备及存储介质，以解决现有的应用于数据扫描的识别算法模型的处理方式，由于需要事先将识别算法模型封装到SDK里面，会导致SDK体积变大，从而间接导致应用程序的体积增大，造成用户对于应用程序的使用体验不佳的技术问题。
为了解决上述技术问题，本申请实施例提供一种数据扫描方法，采用了如下所述的技术方案：
判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；其中，所述数据扫描请求携带业务场景信息；
若是，从所述数据扫描请求中解析出所述业务场景信息；
基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；
获取所述应用程序的程序标识信息；
基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。
进一步的，在所述基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型的步骤之前，还包括：
接收目标用户提交的识别算法模型；其中，所述识别算法模型的数量包括多个；
获取所述识别算法模型的业务场景标签；
基于所述业务场景标签对所述识别算法模型进行对应的业务标注处理，得到标注后的识别算法模型；
对所述标注后的识别算法模型进行存储。
进一步的，所述对所述标注后的识别算法模型进行存储的步骤，具体包括：
获取第一识别算法模型的指定业务场景标签；其中，所述第一识别算法模型为所有所述标注后的识别算法模型中的任意一个模型；
获取与模型存储类型对应的模型存储区块；
从所述模型存储区块中获取与所述指定业务场景标签对应的指定存储子区块；
将所述第一识别算法模型存储至所述指定存储子区块内。
进一步的，所述获取所述识别算法模型的业务场景标签的步骤，具体包括：
对所述识别算法模型进行功能测试，得到对应的功能测试结果；
判断所述功能测试结果是否为功能测试通过；
若是，执行所述获取所述识别算法模型的业务场景标签的步骤。
进一步的，所述数据扫描方法，还包括：
判断是否接收到对于第二识别算法模型的更新请求；其中，所述第二识别算法模型为所有所述识别算法模型中的任意一个模型；
若是，获取与所述第二识别算法模型对应的更新数据；
基于所述更新数据对所述第二识别算法模型进行更新，得到更新后的第三识别算法模型；
存储所述第三识别算法模型。
进一步的，所述存储所述第三识别算法模型的步骤，具体包括：
生成所述第三识别算法模型的版本号；
确定与所述第三识别算法模型对应的其他版本的第四识别算法模型；
对所述第三识别算法模型与所述第四识别算法模型进行关联存储。
进一步的，所述数据扫描方法，还包括：
获取各个所述识别算法模型的使用信息；
从所述使用信息中获取各个所述识别算法模型的使用频率；
从所有所述识别算法模型中筛选出使用频率小于预设阈值的第五识别算法模型；
获取与所述第五识别算法模型对应的最近一次的使用时间；
判断所述使用时间是否符合预设的时间条件；
若是，对所述第五识别算法模型进行剔除处理。
为了解决上述技术问题，本申请实施例还提供一种数据扫描装置，采用了如下所述的技术方案：
第一判断模块，用于判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；其中，所述数据扫描请求携带业务场景信息；
解析模块，用于若是，从所述数据扫描请求中解析出所述业务场景信息；
第一筛选模块，用于基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；
第一获取模块，用于获取所述应用程序的程序标识信息；
下发模块，用于基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。
为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；其中，所述数据扫描请求携带业务场景信息；
若是，从所述数据扫描请求中解析出所述业务场景信息；
基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；
获取所述应用程序的程序标识信息；
基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。
为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；其中，所述数据扫描请求携带业务场景信息；
若是，从所述数据扫描请求中解析出所述业务场景信息；
基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；
获取所述应用程序的程序标识信息；
基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；若是，从所述数据扫描请求中解析出所述业务场景信息；然后基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；后续获取所述应用程序的程序标识信息；最后基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。本申请实施例能够依据不同的业务场景来筛选出相匹配的目标识别算法模型，再采用动态下发的方式将目标识别算法模型直接分发给客户终端，使得前端的应用程序不需要重新发版的情况下便能使用目标识别算法模型直接进行数据扫描，从而可以保证业务场景信息对应的数据扫描处理的顺利快速进行，提高了数据扫描的处理效率与处理智能性。另外，由于识别算法模型采用了动态下发的方式，从而不再占用客户终端的应用程序的内存，从而可以有效降低应用程序的体积，提高了用户的使用体验。
附图说明
为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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是本申请可以应用于其中的示例性系统架构图；
图2根据本申请的数据扫描方法的一个实施例的流程图；
图3是根据本申请的数据扫描装置的一个实施例的结构示意图；
图4是根据本申请的计算机设备的一个实施例的结构示意图。
具体实施方式
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户终端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户终端、社交平台软件等。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上显示的页面提供支持的后台服务器。
需要说明的是，本申请实施例所提供的数据扫描方法一般由服务器/终端设备执行，相应地，数据扫描装置一般设置于服务器/终端设备中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的数据扫描方法的一个实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。本申请实施例提供的数据扫描方法能够应用于任一种需要进行数据扫描的场景中，则该方法能够应用于这些场景的产品中，例如，金融保险领域中的数据扫描场景。所述的数据扫描方法，包括以下步骤：
步骤S201，判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；其中，所述数据扫描请求携带业务场景信息。
在本实施例中，数据扫描方法运行于其上的电子设备(例如图1所示的服务器/终端设备)，可以通过有线连接方式或者无线连接方式获取数据扫描请求。需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。其中，业务场景包信息包括识别人物人脸，扫描动物特征、扫描环境特征等场景信息。应用程序也可称为App。
步骤S202，若是，从所述数据扫描请求中解析出所述业务场景信息。
在本实施例中，可通过对数据扫描请求进行解析得到解析数据，再从解析数据中解析出数据扫描请求携带的业务场景信息。
步骤S203，基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型。
在本实施例中，对于每一种业务场景，会涉及不同的算法进行识别，预先会分别构建与各种业务场景分别对应的识别算法模型并进行存储，以便后续可以进行调用。其中，由于SDK预先封装，只能把对应功能的模型封装进去，比如人脸、动物识别、OCR认证等，封装后，功能只能固定，无法进行有效拓展，功能展示较为单一。本申请通过在服务端，即后端增加各种业务场景的识别算法模型，根据客户终端，即前端App的场景需求进行不同的识别算法模型下发，可大大增加作为扫描工具的识别算法模型的多样性，使扫描工具更加智能化。
步骤S204，获取所述应用程序的程序标识信息。
在本实施例中，上述程序标识信息可指应用程序的程序名称。
步骤S205，基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。
在本实施例中，通过将目标识别算法模型下发至所述客户终端中的所述应用程序内，使得前端的应用程序不需要重新发版的情况下，可以保证业务场景信息对应的数据扫描处理的顺利快速进行。
本申请首先判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；若是，从所述数据扫描请求中解析出所述业务场景信息；然后基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；后续获取所述应用程序的程序标识信息；最后基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。本申请能够依据不同的业务场景来筛选出相匹配的目标识别算法模型，再采用动态下发的方式将目标识别算法模型直接分发给客户终端，使得前端的应用程序不需要重新发版的情况下便能使用目标识别算法模型直接进行数据扫描，从而可以保证业务场景信息对应的数据扫描处理的顺利快速进行，提高了数据扫描的处理效率与处理智能性。另外，由于识别算法模型采用了动态下发的方式，从而不再占用客户终端的应用程序的内存，从而可以有效降低应用程序的体积，提高了用户的使用体验。
在一些可选的实现方式中，在步骤S203之前，上述电子设备还可以执行以下步骤：
接收目标用户提交的识别算法模型；其中，所述识别算法模型的数量包括多个。
在本实施例中，目标用户可指算法团队，识别算法模型为算法团队根据实际的业务需求开发生成的识别算法模型。
获取所述识别算法模型的业务场景标签。
在本实施例中，上述识别算法模型的业务场景标签是指识别算法模型所适用的业务场景的标签。举例地，业务场景包括识别人物人脸，扫描动物特征、扫描环境特征等场景，且对于每一种业务场景，会涉及不同的算法进行识别，从而会分别构建与各种业务场景分别对应的识别算法模型。
基于所述业务场景标签对所述识别算法模型进行对应的业务标注处理，得到标注后的识别算法模型。
在本实施例中，可使用业务场景标签对对应的识别算法模型进行打标签处理，以构建业务场景标签与识别算法模型之间的数据映射关系。
对所述标注后的识别算法模型进行存储。
在本实施例中，上述对所述标注后的识别算法模型进行存储的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请通过接收目标用户提交的识别算法模型；然后获取所述识别算法模型的业务场景标签；之后基于所述业务场景标签对所述识别算法模型进行对应的业务标注处理，得到标注后的识别算法模型；后续对所述标注后的识别算法模型进行存储。本申请通过对目标用户提交的识别算法模型进行业务标注后再进行存储，使得后续可以根据业务标注信息来快速地进行对于不同的识别算法模型的查询，有利于提高识别算法模型的调用效率。
在本实施例的一些可选的实现方式中，所述对所述标注后的识别算法模型进行存储，包括以下步骤：
获取第一识别算法模型的指定业务场景标签。
在本实施例中，其中，所述第一识别算法模型为所有所述标注后的识别算法模型中的任意一个模型。上述获取第一识别算法模型的指定业务场景标签的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
获取与模型存储类型对应的模型存储区块。
在本实施例中，预先会将存储空间按照不同的数据存储类型划分为对应的多个存储区块，一种数据存储类型对应一个存储区块。各个存储区块用于存储与该存储区块对应的数据类型所匹配的数据。其中，上述存储空间可包括本地、云端或区块链中的一种。
从所述模型存储区块中获取与所述指定业务场景标签对应的指定存储子区块。
在本实施例中，预先将模型存储区块按照各种业务场景标签进行再划分为多个存储子区块。一种业务场景标签对应一个存储子区块，各个存储子区块用于存储与该存储子区块对应的业务场景标签所匹配的模型。
将所述第一识别算法模型存储至所述指定存储子区块内。
本申请通过获取第一识别算法模型的指定业务场景标签；然后获取与模型存储类型对应的模型存储区块；之后从所述模型存储区块中获取与所述指定业务场景标签对应的指定存储子区块；后续将所述第一识别算法模型存储至所述指定存储子区块内。本申请通过将模型存储区块按照各种业务场景标签进行再划分为多个存储子区块，从而后续会智能地基于第一识别算法模型的指定业务场景标签，将第一识别算法模型存储至模型存储区块中与所述指定业务场景标签对应的指定存储子区块内，提高了识别算法模型的存储智能性与存储规范性，有利于后续可以快速地进行对于不同的识别算法模型的查询，从而有效提高识别算法模型的调用效率。
在一些可选的实现方式中，所述获取所述识别算法模型的业务场景标签，包括以下步骤：
对所述识别算法模型进行功能测试，得到对应的功能测试结果。
在本实施例中，可获取预设的功能测试数据，再使用该功能测试数据对所述识别算法模型进行功能测试，从而生成对应的功能测试结果。其中，功能测试数据为预先采集的用于对识别算法模型进行功能测试的业务数据。
判断所述功能测试结果是否为功能测试通过。
在本实施例中，功能测试结果包括功能测试通过或功能测试未通过。
若是，执行所述获取所述识别算法模型的业务场景标签的步骤。
在本实施例中，如果功能测试结果为功能测试通过，则表明识别算法模型为功能完善的可以直接使用的模型，则后续可以对该识别算法模型进行的相应的存储与调用处理。而如果功能测试结果为功能测试未通过，则表明识别算法模型为开发未完善的且不可以直接使用的模型，则后续可以需要对该识别算法模型进行相应的优化调整处理以使其满足相应的识别功能需求。
本申请通过对所述识别算法模型进行功能测试，得到对应的功能测试结果；然后判断所述功能测试结果是否为功能测试通过；若是，执行所述获取所述识别算法模型的业务场景标签的步骤。本申请在对目标用户提交的识别算法模型进行存储之前，还会智能地对识别算法模型进行功能测试，只有在识别算法模型通过功能测试时，后续才会执行对于该识别算法模型的存储处理，避免出现对于无效模型的存储工作从而增大无用工作量，提高了模型存储的规范性。
在一些可选的实现方式中，上述电子设备还可以执行以下步骤：
判断是否接收到对于第二识别算法模型的更新请求；其中，所述第二识别算法模型为所有所述识别算法模型中的任意一个模型。
在本实施例中，上述更新请求可为由人工触发的或者由模型更新系统触发的模型更新请求。
若是，获取与所述第二识别算法模型对应的更新数据。
在本实施例中，上述更新请求还携带模型更新系统的地址，可通过访问该地址，再从该地址对应的模型更新系统查询并下载与所述第二识别算法模型对应的更新数据。
基于所述更新数据对所述第二识别算法模型进行更新，得到更新后的第三识别算法模型。
存储所述第三识别算法模型。
在本实施例中，现有的应用于数据扫描的识别算法模型的处理方式无法进行在线升级及修复：由于SDK为事先封装再分发，导致识别模型在分发到各端后都为固定状态，一旦各端线上出现问题，或者在线功能无法满足现状，只能通过对SDK再次分装并分发给各端才能解决问题，无法实现在线升级修复。通常算法团队开发出识别算法模型后直接封装到分发给各端的SDK中，导致SDK功能单一，SDK体积冗余，且无法进行在线升级和问题修复，如果要更新，只能更新整个SDK，App重新发版才能完成，不利于增加用户体验。如果将识别算法模型直接分发给后端，依靠后端动态向前端App下发，既可以实现模型的自动升级和线上问题的热修复，同时也降低了前端App包大小，能较大程度提升用户体验。其中，如果单一模型不满足需求时，可将多个模型分配到后端，后端根据前端App不同业务场景进行下发，即可以在前端App不重新发版的情况下，保证各种智能扫描拍摄场景。另外，现有的状态是识别算法模型被直接封装到SDK中，导致算法模型与前端代码交织在一起，这一方面要求算法团队需要具有前端开发能力，进行各端开发对模型进行调用，不利于发挥团队专业能力；另一方面，模型直接封装到SDK内将导致上述识别算法模型出现无法热更新修复，体积庞大的问题。因此，将模型与前端技术隔离，既能保证团队的专业能力，提升开发效率，也能实现扫描功能的多样性与智能化。此外，上述存储所述第三识别算法模型的具体实施过程，本申请将在后续的具体实施例中对此进行进一步的细节描述，在此不作过多阐述。
本申请通过判断是否接收到对于第二识别算法模型的更新请求；若是，获取与所述第二识别算法模型对应的更新数据；之后基于所述更新数据对所述第二识别算法模型进行更新，得到更新后的第三识别算法模型；后续存储所述第三识别算法模型。本申请在不更新应用程序的情况下，会自动智能地完成对于识别算法模型的模型更新处理，从而不需要人工进行对于识别算法模型的更新操作，提高了开发人员的工作体验，提高了识别算法模型的更新效率。
在本实施例的一些可选的实现方式中所述存储所述第三识别算法模型，包括以下步骤：
生成所述第三识别算法模型的版本号。
在本实施例中，可通过获取第二识别算法模型的更新次数，再基于更新次数生成所述第三识别算法模型的版本号。其中，版本号的数值等于更新次数的数值加1.举例地，如果更新次数为1，则对应的版本号为V2，如果更新次数为2，则对应的版本号为V3。
确定与所述第三识别算法模型对应的其他版本的第四识别算法模型。
在本实施例中，预先会对一个识别算法模型的所有历史版本的识别算法模型进行存储。
对所述第三识别算法模型与所述第四识别算法模型进行关联存储。
在本实施例中，关联存储是指将所述第三识别算法模型与所述第四识别算法模型存储至同一个存储区域内，以便后续可以对不同版本的识别算法模型进行快速获取、版本回溯回滚等处理。
本申请通过生成所述第三识别算法模型的版本号；然后确定与所述第三识别算法模型对应的其他版本的第四识别算法模型；后续对所述第三识别算法模型与所述第四识别算法模型进行关联存储。本申请通过使用版本号对第三识别算法模型进行标识，并会智能地将所有版本的第三识别算法模型进行关联存储，以便后续可以对不同版本的识别算法模型进行快速获取、版本回溯回滚等处理，提高了对于更新处理后的识别算法模型的存储智能性。
在本实施例的一些可选的实现方式中，上述电子设备还可以执行以下步骤：
获取各个所述识别算法模型的使用信息。
在本实施例中，预先会收集各个所述识别算法模型的使用信息并进行存储。其中，使用信息至少包括使用频率、使用时间记录等信息。
从所述使用信息中获取各个所述识别算法模型的使用频率。
从所有所述识别算法模型中筛选出使用频率小于预设阈值的第五识别算法模型。
在本实施例中，对于上述预设阈值的取值不做具体限定，可根据实际的使用需求进行设置。
获取与所述第五识别算法模型对应的最近一次的使用时间。
在本实施例中，可通过从第五识别算法模型的使用信息中查询出与该第五识别算法模型对应的最近一次的使用时间。
判断所述使用时间是否符合预设的时间条件。
在本实施例中，对于上述时间条件的选取不做具体限定，可根据实际的使用需求进行设置。例如为最近一次的使用时间距离当前时间超过预设的时间长度。预设的时间长度可根据具体需求进行设置，例如可设为3个月。
若是，对所述第五识别算法模型进行剔除处理。
在本实施例中，如果第五识别算法模型对应的最近一次的使用时间符合预设的时间条件，则表明第五识别算法模型属于极其不常用的识别算法模型，则通过对该第五识别算法模型进行剔除处理，从而可以有效降低识别算法模型的存储空间，避免识别算法模型的存储空间出现过大的问题。
本申请通过获取各个所述识别算法模型的使用信息；然后从所述使用信息中获取各个所述识别算法模型的使用频率；之后从所有所述识别算法模型中筛选出使用频率小于预设阈值的第五识别算法模型；后续获取与所述第五识别算法模型对应的最近一次的使用时间，并判断所述使用时间是否符合预设的时间条件；若是，对所述第五识别算法模型进行剔除处理。本申请会智能地基于识别算法模型的使用信息的使用确定出不常用的识别算法模型，进而对不常用的识别算法模型进行剔除处理，以可以有效降低识别算法模型的存储空间，避免识别算法模型的存储空间出现过大的问题，提高了识别算法模型的存储智能性。
需要强调的是，为进一步保证上述业务场景信息的私密和安全性，上述业务场景信息还可以存储于一区块链的节点中。
本申请所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(Random Access Memory，RAM)等。
应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
进一步参考图3，作为对上述图2所示方法的实现，本申请提供了一种数据扫描装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图3所示，本实施例所述的数据扫描装置300包括：第一判断模块301、解析模块302、第一筛选模块303、第一获取模块304以及下发模块305。其中：
第一判断模块301，用于判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；其中，所述数据扫描请求携带业务场景信息；
解析模块302，用于若是，从所述数据扫描请求中解析出所述业务场景信息；
第一筛选模块303，用于基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；
第一获取模块304，用于获取所述应用程序的程序标识信息；
下发模块305，用于基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的数据扫描方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，数据扫描装置还包括：
接收模块，用于接收目标用户提交的识别算法模型；其中，所述识别算法模型的数量包括多个；
第二获取模块，用于获取所述识别算法模型的业务场景标签；
标注模块，用于基于所述业务场景标签对所述识别算法模型进行对应的业务标注处理，得到标注后的识别算法模型；
第一存储模块，用于对所述标注后的识别算法模型进行存储。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的数据扫描方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中,第一存储模块包括：
第一获取子模块，用于获取第一识别算法模型的指定业务场景标签；其中，所述第一识别算法模型为所有所述标注后的识别算法模型中的任意一个模型；
第二获取子模块，用于获取与模型存储类型对应的模型存储区块；
第三获取子模块，用于从所述模型存储区块中获取与所述指定业务场景标签对应的指定存储子区块；
第一存储子模块，用于将所述第一识别算法模型存储至所述指定存储子区块内。
本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的数据扫描方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二获取子模块包括：
测试单元，用于对所述识别算法模型进行功能测试，得到对应的功能测试结果；
判断单元，用于判断所述功能测试结果是否为功能测试通过；
执行单元，用于若是，执行所述获取所述识别算法模型的业务场景标签的步骤。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的数据扫描方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，数据扫描装置还包括：
第二判断模块，用于判断是否接收到对于第二识别算法模型的更新请求；其中，所述第二识别算法模型为所有所述识别算法模型中的任意一个模型；
第三获取模块，用于若是，获取与所述第二识别算法模型对应的更新数据；
更新模块，用于基于所述更新数据对所述第二识别算法模型进行更新，得到更新后的第三识别算法模型；
第二存储模块，用于存储所述第三识别算法模型。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的数据扫描方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，第二存储模块包括：
生成子模块，用于生成所述第三识别算法模型的版本号；
确定子模块，用于确定与所述第三识别算法模型对应的其他版本的第四识别算法模型；
第二存储子模块，用于对所述第三识别算法模型与所述第四识别算法模型进行关联存储。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的数据扫描方法的步骤一一对应，在此不再赘述。
在本实施例的一些可选的实现方式中，数据扫描装置还包括：
第四获取模块，用于获取各个所述识别算法模型的使用信息；
第五获取模块，用于从所述使用信息中获取各个所述识别算法模型的使用频率；
第二筛选模块，用于从所有所述识别算法模型中筛选出使用频率小于预设阈值的第五识别算法模型；
第六获取模块，用于获取与所述第五识别算法模型对应的最近一次的使用时间；
第三判断模块，用于判断所述使用时间是否符合预设的时间条件；
剔除模块，用于若是，对所述第五识别算法模型进行剔除处理。
在本实施例中，上述模块或单元分别用于执行的操作与前述实施方式的数据扫描方法的步骤一一对应，在此不再赘述。
为解决上述技术问题，本申请实施例还提供计算机设备。具体请参阅图4，图4为本实施例计算机设备基本结构框图。
所述计算机设备4包括通过系统总线相互通信连接存储器41、处理器42、网络接口43。需要指出的是，图中仅示出了具有组件41-43的计算机设备4，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable GateArray，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器41至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器41可以是所述计算机设备4的内部存储单元，例如该计算机设备4的硬盘或内存。在另一些实施例中，所述存储器41也可以是所述计算机设备4的外部存储设备，例如该计算机设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)等。当然，所述存储器41还可以既包括所述计算机设备4的内部存储单元也包括其外部存储设备。本实施例中，所述存储器41通常用于存储安装于所述计算机设备4的操作系统和各类应用软件，例如数据扫描方法的计算机可读指令等。此外，所述存储器41还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器42在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器42通常用于控制所述计算机设备4的总体操作。本实施例中，所述处理器42用于运行所述存储器41中存储的计算机可读指令或者处理数据，例如运行所述数据扫描方法的计算机可读指令。
所述网络接口43可包括无线网络接口或有线网络接口，该网络接口43通常用于在所述计算机设备4与其他电子设备之间建立通信连接。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；若是，从所述数据扫描请求中解析出所述业务场景信息；然后基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；后续获取所述应用程序的程序标识信息；最后基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。本申请实施例能够依据不同的业务场景来筛选出相匹配的目标识别算法模型，再采用动态下发的方式将目标识别算法模型直接分发给客户终端，使得前端的应用程序不需要重新发版的情况下便能使用目标识别算法模型直接进行数据扫描，从而可以保证业务场景信息对应的数据扫描处理的顺利快速进行，提高了数据扫描的处理效率与处理智能性。另外，由于识别算法模型采用了动态下发的方式，从而不再占用客户终端的应用程序的内存，从而可以有效降低应用程序的体积，提高了用户的使用体验。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的数据扫描方法的步骤。
与现有技术相比，本申请实施例主要有以下有益效果：
本申请实施例中，首先判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；若是，从所述数据扫描请求中解析出所述业务场景信息；然后基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；后续获取所述应用程序的程序标识信息；最后基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。本申请实施例能够依据不同的业务场景来筛选出相匹配的目标识别算法模型，再采用动态下发的方式将目标识别算法模型直接分发给客户终端，使得前端的应用程序不需要重新发版的情况下便能使用目标识别算法模型直接进行数据扫描，从而可以保证业务场景信息对应的数据扫描处理的顺利快速进行，提高了数据扫描的处理效率与处理智能性。另外，由于识别算法模型采用了动态下发的方式，从而不再占用客户终端的应用程序的内存，从而可以有效降低应用程序的体积，提高了用户的使用体验。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
显然，以上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，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种数据扫描方法，其特征在于，包括下述步骤：
判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；其中，所述数据扫描请求携带业务场景信息；
若是，从所述数据扫描请求中解析出所述业务场景信息；
基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；
获取所述应用程序的程序标识信息；
基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。
2.根据权利要求1所述的数据扫描方法，其特征在于，在所述基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型的步骤之前，还包括：
接收目标用户提交的识别算法模型；其中，所述识别算法模型的数量包括多个；
获取所述识别算法模型的业务场景标签；
基于所述业务场景标签对所述识别算法模型进行对应的业务标注处理，得到标注后的识别算法模型；
对所述标注后的识别算法模型进行存储。
3.根据权利要求2所述的数据扫描方法，其特征在于，所述对所述标注后的识别算法模型进行存储的步骤，具体包括：
获取第一识别算法模型的指定业务场景标签；其中，所述第一识别算法模型为所有所述标注后的识别算法模型中的任意一个模型；
获取与模型存储类型对应的模型存储区块；
从所述模型存储区块中获取与所述指定业务场景标签对应的指定存储子区块；
将所述第一识别算法模型存储至所述指定存储子区块内。
4.根据权利要求2所述的数据扫描方法，其特征在于，所述获取所述识别算法模型的业务场景标签的步骤，具体包括：
对所述识别算法模型进行功能测试，得到对应的功能测试结果；
判断所述功能测试结果是否为功能测试通过；
若是，执行所述获取所述识别算法模型的业务场景标签的步骤。
5.根据权利要求1所述的数据扫描方法，其特征在于，所述数据扫描方法，还包括：
判断是否接收到对于第二识别算法模型的更新请求；其中，所述第二识别算法模型为所有所述识别算法模型中的任意一个模型；
若是，获取与所述第二识别算法模型对应的更新数据；
基于所述更新数据对所述第二识别算法模型进行更新，得到更新后的第三识别算法模型；
存储所述第三识别算法模型。
6.根据权利要求5所述的数据扫描方法，其特征在于，所述存储所述第三识别算法模型的步骤，具体包括：
生成所述第三识别算法模型的版本号；
确定与所述第三识别算法模型对应的其他版本的第四识别算法模型；
对所述第三识别算法模型与所述第四识别算法模型进行关联存储。
7.根据权利要求1所述的数据扫描方法，其特征在于，所述数据扫描方法，还包括：
获取各个所述识别算法模型的使用信息；
从所述使用信息中获取各个所述识别算法模型的使用频率；
从所有所述识别算法模型中筛选出使用频率小于预设阈值的第五识别算法模型；
获取与所述第五识别算法模型对应的最近一次的使用时间；
判断所述使用时间是否符合预设的时间条件；
若是，对所述第五识别算法模型进行剔除处理。
8.一种数据扫描装置，其特征在于，包括：
第一判断模块，用于判断是否接收到用户通过客户终端的应用程序触发的数据扫描请求；其中，所述数据扫描请求携带业务场景信息；
解析模块，用于若是，从所述数据扫描请求中解析出所述业务场景信息；
第一筛选模块，用于基于所述业务场景信息，从预存储的多个识别算法模型中筛选出与所述业务场景信息匹配的目标识别算法模型；
第一获取模块，用于获取所述应用程序的程序标识信息；
下发模块，用于基于所述程序标识信息，将所述目标识别算法模型下发至所述客户终端中的所述应用程序内，以使所述应用程序使用所述目标识别算法模型执行与所述数据扫描请求对应的数据扫描处理。
9.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如权利要求1至7中任一项所述的数据扫描方法的步骤。
10.一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上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如权利要求1至7中任一项所述的数据扫描方法的步骤。
CN202310694107.XA 2023-06-12 2023-06-12 数据扫描方法、装置、计算机设备及存储介质 Pending CN116628282A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310694107.XA CN116628282A (zh) 2023-06-12 2023-06-12 数据扫描方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310694107.XA CN116628282A (zh) 2023-06-12 2023-06-12 数据扫描方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN116628282A true CN116628282A (zh) 2023-08-22

Family

ID=87638181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310694107.XA Pending CN116628282A (zh) 2023-06-12 2023-06-12 数据扫描方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116628282A (zh)

Similar Documents

Publication Publication Date Title
CN112860662B (zh) 自动化生产数据血缘关系建立方法、装置、计算机设备及存储介质
CN115564000A (zh) 二维码生成方法、装置、计算机设备及存储介质
CN114281707A (zh) 造数方法、业务应用测试方法及其相关设备
CN116956326A (zh) 权限数据的处理方法、装置、计算机设备及存储介质
CN117251228A (zh) 功能管理方法、装置、计算机设备及存储介质
CN117094729A (zh) 请求处理方法、装置、计算机设备及存储介质
CN116661936A (zh) 页面数据的处理方法、装置、计算机设备及存储介质
CN117217684A (zh) 指标数据的处理方法、装置、计算机设备及存储介质
CN115576837A (zh) 一种批量造数方法、装置、计算机设备及存储介质
CN116628282A (zh) 数据扫描方法、装置、计算机设备及存储介质
CN116737437A (zh) 数据分析方法、装置、计算机设备及存储介质
CN117422523A (zh) 产品上线方法、装置、计算机设备及存储介质
CN117076781A (zh) 保单数据的处理方法、装置、计算机设备及存储介质
CN117235260A (zh) 基于人工智能的文本标注方法、装置、设备及存储介质
CN117390241A (zh) 数据展示方法、装置、计算机设备及存储介质
CN118227491A (zh) 测试用例的生成方法、装置、计算机设备及存储介质
CN117395310A (zh) 任务处理方法、装置、计算机设备及存储介质
CN115080045A (zh) 链路生成方法、装置、计算机设备及存储介质
CN116643884A (zh) 基于规则引擎的数据计算方法、装置、设备及存储介质
CN116738948A (zh) 数据处理方法、装置、计算机设备及存储介质
CN117034173A (zh) 数据处理方法、装置、计算机设备及存储介质
CN116860644A (zh) 自动化测试方法、装置、计算机设备及存储介质
CN117278623A (zh) 请求数据的处理方法、装置、计算机设备及存储介质
CN117278263A (zh) 认证处理方法、装置、计算机设备及存储介质
CN117390119A (zh) 任务处理方法、装置、计算机设备及存储介质

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