CN116737964B - 一种人工智能大脑系统 - Google Patents
一种人工智能大脑系统 Download PDFInfo
- Publication number
- CN116737964B CN116737964B CN202310976115.3A CN202310976115A CN116737964B CN 116737964 B CN116737964 B CN 116737964B CN 202310976115 A CN202310976115 A CN 202310976115A CN 116737964 B CN116737964 B CN 116737964B
- Authority
- CN
- China
- Prior art keywords
- model
- knowledge
- input information
- output
- artificial intelligence
- 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
- 210000004556 brain Anatomy 0.000 title claims abstract description 43
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 60
- 239000013598 vector Substances 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 31
- 230000006870 function Effects 0.000 claims description 12
- 230000008447 perception Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012550 audit Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 2
- 230000000737 periodic effect Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Animal Behavior & Ethology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请提供一种人工智能大脑系统,涉及人工智能技术领域,包括:输入处理模块,配置为对输入信息进行处理,得到输入信息向量;第一处理模块,配置为利用通用大模型选取最优知识模型,生成专项语句;调用最优知识模型对专项语句进行处理,得到第一输出结果;第二处理模块,配置为当第一输出结果为文本数据,将文本数据发送至输出模块;当第一输出结果为一个或多个工作流,根据每个工作流的内容,依次从知识库选择知识模型或从微服务库中选择微服务,对至少包括上一个工作流输出结果的输入进行处理;将至少包括最后一个工作流输出结果的第二输出结果发送至输出模块。本申请的人工智能大脑系统提高了输出的准确性和可解释性;并能够实现快速应用。
Description
技术领域
本申请涉及人工智能技术领域,特别涉及一种人工智能大脑系统。
背景技术
随着物联网的发展,出现了很多与物联网结合的人工智能(ArtificialIntelligence,AI)大脑系统,本质上是各类型服务管理的智能信息化,即运用物联网、大数据、云计算等技术来管理服务。是通过将基础设施组件和服务之间增加智能化应用,使其更互联、高效和智能,为用户创造更方便的操作手段、为企业赋能更高效的运营与管理机制。
AI大脑系统基于不同的智能应用组合。智能应用的需求越来越多,根据不同行业的需求选择特定的AI大脑系统,现有的大脑系统大多基于行业的需求决定,从需求出发生成对应的知识。而行业内的知识才是智能应用实现的关键,在构建好了基础知识的情况下,建立智能应用就会更加准确和快捷。
现有的AI大脑系统存在以下问题:
基于单一种类的知识库进行反馈。例如gpt类模型,使用大模型根据输入的信息进行不确定性的知识反馈;或一些App对输入的信息使用知识图谱进行检索,得到相关信息后进行反馈。而实际应用中,由于输入信息的种类较多,需要大脑对输入信息进行处理,并根据这些信息的特点,选择不同的知识进行处理并提供反馈。
对于知识的运用大多只在于检索功能,通过对系统的输入,检索其对应的知识。例如常见的知识图谱构建是使用多模态的数据进行知识抽取,知识融合和知识加工等方法;目的是针对行业内的复杂语言逻辑,可视化事物之间的外在/内在关系。这样的知识图谱使用方法较为单一,场景较为简单。
传输架构是输入信息进入服务,服务获取知识并进行输出。大多数的系统都是使用一种知识和服务进行处理,不能重复使用知识或服务。服务根据所输入的信息选取相对应的知识进行处理后生成知识输出,再进入到服务模块后形成服务输出,以单向的形式实现大脑应用。这样无法最大程度理解输入的信息,也不能根据知识对输入信息进行最合理的处理。服务输出结果也无法使用知识对结果进行验证和解释。无法将多个微服务关联起来,也无法在提高微服务能力的同时减少开发周期。
知识库的更新往往是定期对知识库内的数据或知识模型进行更新和升级,没有较强的时效性,而且不能在大脑运行过程中对不确定性的知识做准确处理。
综上所述,现有的AI大脑系统普遍存在知识库选择单一、知识系统功能单一、知识之间,知识与服务,服务之间没有关联性以及知识库缺乏更新,导致AI大脑系统的准确性和可解释性较低。
发明内容
有鉴于此,本申请提供一种人工智能大脑系统,以解决现有的AI大脑系统存在的准确性和可解释性较低的技术问题。
本申请实施例提供一种人工智能大脑系统,包括:
知识库,配置为存储多个知识模型;
微服务库,配置为存储多个微服务;
输入处理模块,配置为对输入信息进行处理,得到输入信息向量;
第一处理模块,配置为利用通用大模型选取知识库中的最优知识模型,生成最优知识模型的专项语句;调用最优知识模型对专项语句进行处理,得到第一输出结果;
第二处理模块,配置为当第一输出结果为文本数据,将文本数据发送至输出模块;当第一输出结果为一个或多个工作流,根据每个工作流的内容,依次从知识库选择知识模型或从微服务库中选择微服务,对至少包括上一个工作流输出结果的输入进行处理;将至少包括最后一个工作流输出结果的第二输出结果发送至输出模块;
所述输出模块,配置为将第一输出结果或第二输出结果按照预设格式进行输出。
作为一种可能的实施方式,所述输入信息包括:文本、语音,图像和视频中的至少一个;所述输入处理模块具体配置为:
当输入信息为语音,利用专项感知模型对语音进行处理,得到对应的文本;
利用通用大模型对文本或语音对应的文本进行分词处理,得到文本的句子表示向量,将文本的句子表示向量作为输入信息向量;
当第一输入信息为视频,对视频进行采样处理,得到若干个图像;
利用专项感知模型对图像或者视频采集的多个图像进行处理,得到一个或多个特征图,将特征图向量作为输入信息向量。
作为一种可能的实施方式,所述知识库中的知识模型包括:通用大模型、专项知识模型、知识图谱和面向知识处理的领域特定语言模型。
作为一种可能的实施方式,所述知识库中的知识模型内的知识均为经过人工审核的确定性知识。
作为一种可能的实施方式,利用通用大模型选取知识库中的最优知识模型,生成最优知识模型的专项语句;包括:
利用通用大模型判断知识库中的哪个知识模型解决输入信息中包含的问题的效果最佳,如果判断结果是知识图谱,则确定最优知识模型为知识图谱,利用输入信息向量生成知识图谱的专项语句;如果判断结果是通用大模型,则确定最优知识模型为通用大模型,利用输入信息向量生成通用大模型的专项语句;如果判断结果是专项知识模型,则确定最优知识模型为专项知识模型,利用输入信息向量生成专项知识模型的专项语句;如果判断结果是面向知识处理的领域特定语言模型,则确定最优知识模型为面向知识处理的领域特定语言模型,利用输入信息向量生成领域特定语言模型的专项语句。
作为一种可能的实施方式,所述微服务为一个封装了处理模型和引擎的控件;所述处理模型包括:通用大模型、人工智能生成模型和面向服务执行的领域特定语言模型,所述通用大模型和人工智能生成模型的引擎均为推断引擎;所述面向服务执行的领域特定语言模型的引擎为运行引擎。
作为一种可能的实施方式,所述预设格式包括:网页、应用程序、扩展现实数据格式和文本中的至少一个。
作为一种可能的实施方式,所述系统还包括:更新模块,配置为对知识库进行更新。
作为一种可能的实施方式,所述更新模块具体配置为:
对通用大模型和/或专项知识模型记录的不确定性输出结果进行人工审核,审核通过后将输出结果加入确定性知识中;
将输入信息和人工智能大脑系统的输出结果加入训练样本集,利用训练样本集对知识库中的各知识模型进行持续学习;
定期知识库中各知识模型的版本。
作为一种可能的实施方式,所述输入处理模块还配置为:响应于用户界面操作,得到输入信息向量或第一输出结果;所述用户界面由低代码编辑生成,所述用户界面操作为界面按钮的点击操作和/或者输入框的输入操作。
本申请的人工智能大脑系统提高了输出的准确性和可解释性;并能够实现快速和多功能应用。
附图说明
图1为本申请实施例提供的人工智能大脑系统的功能结构图;
图2为本申请实施例提供的知识库的示意图;
图3为本申请实施例提供的确定性知识的示意图;
图4为本申请实施例提供的微服务库的示意图。
具体实施方式
此处参考附图描述本申请的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本申请的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本申请的实施例,并且与上面给出的对本申请的大致描述以及下面给出的对实施例的详细描述一起用于解释本申请的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本申请的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本申请进行了描述,但本领域技术人员能够确定地实现本申请的很多其它等效形式。
当结合附图时,鉴于以下详细说明,本申请的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本申请的具体实施例;然而,应当理解,所申请的实施例仅仅是本申请的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本申请模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本申请。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本申请的相同或不同实施例中的一个或多个。
首先对本申请实施例涉及的技术用语进行简单介绍。
通用大模型:是大算力和强算法结合后的模型。通用大模型参数规模最高可达百万亿级别,数据集达到TB量级,目前大多数的通用大模型还是面向单类型数据,面向多模态场景(同时支持文字、图像、声音、视频、触觉等两种及以上形态)的通用大模型相对较少,特别是处理两种以上数据的通用大模型。通用大模型本质是一个函数,只是这个函数极其复杂,维度极其多,但依然是由参数和变量组成,通过数据来训练模型,数据就是变量,而参数就是通过变量的变换学到的最终的常量。例如GPT-3模型具有1750亿个参数,PaLM-E模型具有5620 亿个参数。
知识图谱:是结构化的语义知识库,用于迅速描述行业内的复杂语言逻辑,可视化事物之间的外在/内在关系。聚合大量知识,从而实现知识的快速响应和推理。知识图谱的基本单位是“实体(Entity)-关系(Relationship)-实体(Entity)”构成的三元组,这也是知识图谱的核心。知识图谱的原始数据类型一般来说有三类:结构化数据:如关系数据库;非结构化数据:如图片、音频、视频;半结构化数据:如XML、JSON。传统知识图谱的储存是通过RDF(资源描述框架)这样的规范存储或使用图数据库来进行存储;构建知识图谱是一个迭代更新的过程,根据知识获取逻辑,每一轮迭代包含三个阶段:
信息抽取:从各种类型的数据源中提取出实体、属性以及实体间的相互关系,在此基础上形成本体化的知识表达;
知识融合:在获得新知识之后,需要对其进行整合,以消除矛盾和歧义,比如某些实体可能有多种表达,某个特定称谓也许对应于多个不同的实体等;
知识加工:对于经过融合的新知识,需要经过质量评估之后(部分需要人工参与甄别),才能将合格的部分加入到知识库中,以确保知识库的质量。
领域特定语言DSL(Domain Specific Language):为了解决某一类任务而专门设计的计算机语言并以低代码的形式表现。特定领域开发是用来解决重复发生的问题的方法,针对每次发生的问题,通过进行总结和分析,它们之间相同的方面可以一次性的解决。而经常变化的方面,可以采用一种特殊的语言表达。针对这个特殊语言,可以建立模型或者表达式,然后插入到固定部分。固定部分一般采用传统的设计和实现方式,可以为框架,平台,解释器或者编程接口。提供可扩展性,具有高度的抽象性和可复用性。而特定领域语言专门用来创建变化的部分,使整个解决方案可具有可应用性。
DSL通常采用自定义语法,也可以选择其他语言的语法(常见选择有XML)。宿主应用的代码会采用文本解析技术对使用DSL编写的脚本进行解析。例如:正则表达式、SQL、Awk,以及Struts系统和Hibernate系统所使用的XML配置文件。
专项模型:分为专项感知模型和专项知识模型,专项感知模型是针对不同数据类型和不同业务需求的专项模型,将输入的数据转换为特定需求的输出,例如在执行检测任务时,将输入的图片进行目标检测,并将目标检测结果输入到知识模块中。专项知识模型是针对不同知识的专项模型,使用知识构建模型实现推断和决策功能,例如AlphaGo。
在介绍了本申请涉及的技术用语后,接下来,对本申请实施例的设计思想进行简单介绍。
目前的AI大脑系统无法实现输出的再处理,准确性和可解释性的性能较低,并且需要定制化开发,无法实现快速搭建。
为解决上述技术问题,本申请提出了一种AI大脑系统,包括:知识库、微服务库、输入处理模块、第一处理模块、第二处理模块和输出模块;知识库,配置为存储多个知识模型;微服务库,配置为存储多个微服务;输入处理模块,配置为对输入信息进行处理,得到输入信息向量;第一处理模块,配置为利用通用大模型选取知识库中的最优知识模型,生成最优知识模型的专项语句;调用最优知识模型对专项语句进行处理,得到第一输出结果;第二处理模块,配置为当第一输出结果为文本数据,将文本数据发送至输出模块;当第一输出结果为一个或多个工作流,根据每个工作流的内容,依次从知识库选择知识模型或从微服务库中选择微服务,对至少包括上一个工作流输出结果的输入进行处理;将至少包括最后一个工作流输出结果的第二输出结果发送至输出模块;所述输出模块,配置为将第一输出结果或第二输出结果按照预设格式进行输出。
本申请的AI大脑系统提供了包括多种知识模型的知识库,并根据输入信息的特点,选择不同的知识模型进行处理并提供反馈。针对不同确定性的知识选择相对应的知识库可以实现更针对性的输出,从而解决知识选择的单一性问题。
本申请的AI大脑系统的知识模型可以实现检索,推断和决策功能,实现对知识的充分应用,根据不同的表现形式实现不同类型的输出。根据知识的类型选择相对应的知识库可以实现更准确的输出,从而解决知识功能单一性问题。
本申请的AI大脑系统在经过知识模型得到知识输出后还可以再次使用其它知识模型对此输出进一步处理,从而解决知识之间没有关联性问题。在经过微服务得到服务输出后还可以再次使用知识库的模型对此输出进行再一次处理,从而解决知识与服务无法反向传递的问题。经过微服务得到服务输出后还可以再次使用其它微服务对此输出进行再一次处理,从而解决服务之间没有关联问题。从而可以更快地构建不同行业的AI大脑系统,根据知识与服务之间的搭建,快速实现智能应用。
本申请的AI大脑系统提供了对于知识库的更新方法,在使用AI大脑系统的过程中能够让系统更加贴合实际的使用场景,提高知识的准确性。
本申请的优势在于:
1、提出包含多种知识模型的知识库,能够实现知识的检索、推理和决策功能;
2、知识与知识,知识与服务,服务与服务之间的关联;通过对输出的进一步处理,提高了知识输出的准确性,提升了服务输出的可解释性;在AI大脑系统的快速构建的同时,实现了智能应用的多功能性。
3、知识更新方式,在系统运行过程中,将不确定性的知识更新为确定性知识,能够有效提升对确定性知识的处理能,是的系统能够更贴合实际的应用场景。
在介绍了本申请实施例的应用场景和设计思想之后,下面对本申请实施例提供的技术方案进行说明。
如图1所示,本申请实施例提供了一种人工智能大脑系统,包括:知识库、微服务库、输入处理模块、第一处理模块、第二处理模块和输出模块;
知识库,配置为存储多个知识模型;
微服务库,配置为存储多个微服务;
输入处理模块,配置为对输入信息进行处理,得到输入信息向量;
第一处理模块,配置为利用通用大模型选取知识库中的最优知识模型,生成最优知识模型的专项语句;调用最优知识模型对专项语句进行处理,得到第一输出结果;
第二处理模块,配置为当第一输出结果为文本数据,将文本数据发送至输出模块;当第一输出结果为一个或多个工作流,根据每个工作流的内容,依次从知识库选择知识模型或从微服务库中选择微服务,对至少包括上一个工作流输出结果的输入进行处理;将至少包括最后一个工作流输出结果的第二输出结果发送至输出模块;
输出模块,配置为将第一输出结果或第二输出结果按照预设格式进行输出。
示例性的,如图2所示,本实施例的知识库中的知识模型包括:通用大模型、专项知识模型、知识图谱和面向知识处理的领域特定语言模型K-DSL。
通用大模型是在对输入信息进行处理,实现拆分语义、语义理解和推理决策的功能。专项知识模型是使用知识进行推断和决策。知识图谱是从多个数据源中提取信息的技术,根据其内部内储存的事物之间外在/内在关系,实现对知识的处理,以数据结构的形式处理确定性知识,包括知识的检索、推理和决策功能,其中包含物联网,图数据库,则库,基础知识图谱库,RDBMS,NoSQL,OLAP等。K-DSL就是用于某个应用程序领域的计算机语言,以低代码的形式实现知识的管理和决策,例如:机理模型,PaC(Policy as Code)等。
具体的,各知识模型包含了各自的引擎,通用大模型包含了模型推断引擎,专项知识模型包含了推断引擎,K-DSL包含了运行引擎,知识图谱包含了推理引擎、规则引擎、数据分析引擎、数据可视化引擎。
本实施例中,如图3所示,所述通用大模型、专项知识模型、知识图谱和面向知识处理的领域特定语言模型中均包含了经过人工审核的确定性知识。知识是指反映了客观世界中事物之间的关系,不同事物或者相同事物间的不同关系形成了不同的知识。确定性知识是指知识是准确可靠以及清楚的。不确定性知识是指知识是不完全,不可靠以及模糊的,或者知识来自多个相冲突的知识源等。但是,通用大模型和专项知识模型的输出结果有可能是不确定的;而知识图谱和面向知识处理的领域特定语言模型的输出结果都是确定的。
本申请的AI大脑系统支持各种类型的输入,例如:文本、语音,图像和视频;所述输入处理模块具体配置为:
当输入信息为语音,利用专项感知模型对语音进行处理,得到对应的文本;
利用通用大模型对文本或语音对应的文本进行分词处理,得到文本的句子表示向量,将文本的句子表示向量作为输入信息向量;
当第一输入信息为视频,对视频进行采样处理,得到若干个图像;
利用专项感知模型对图像或者视频采集的多个图像进行处理,得到一个或多个特征图,将特征图向量作为输入信息向量。
作为一种可能的实施方式,利用通用大模型选取知识库中的最优知识模型,生成最优知识模型的专项语句;包括:
利用通用大模型判断知识库中的哪个知识模型解决输入信息中包含的问题的效果最佳,如果判断结果是知识图谱,则确定最优知识模型为知识图谱,利用输入信息向量生成知识图谱的专项语句;如果判断结果是通用大模型,则确定最优知识模型为通用大模型,利用输入信息向量生成通用大模型的专项语句;如果判断结果是专项知识模型,则确定最优知识模型为专项知识模型,利用输入信息向量生成专项知识模型的专项语句;如果判断结果是面向知识处理的领域特定语言模型,则确定最优知识模型为面向知识处理的领域特定语言模型,利用输入信息向量生成领域特定语言模型的专项语句。
如图4所示,所述微服务为一个封装了处理模型和引擎的控件;所述处理模型包括:通用大模型、人工智能生成模型和面向服务执行的领域特定语言模型,所述通用大模型和人工智能生成模型的引擎均为推断引擎;所述面向服务执行的领域特定语言模型的引擎为运行引擎。
通用大模型基于推断引擎,使用通用大模型进行推断输出结果;AI生成模型也是基于推断引擎,根据训练出的AI模型,定制化的生成对应结果;E-DSL基于运行引擎,例如WAC(Workflow as Code),以低代码的形式处理所需的服务。
具体的,当第一输出结果为多个工作流,对于每个工作流,其输入包括上一个工作流的输出结果,还可以包括输入信息或者之前的其它工作流的输出结果。最后一个工作流的输出结果发送至输出模块,其它工作流的输出结果也可以通过输出模块进行输出。每个工作流可以通过知识库的模型实现,也可以通过微服务库的微服务实现,这样可以有效提升输出的准确性,并且在构建不同行业大脑系统时也会更方便快捷,其中,工作流是工作流程的计算模型,即将工作流程中的工作如何前后组织在一起的逻辑和规则在计算机中以恰当的模型进行表示并对其实施计算。
具体的,所述预设格式包括:网页、应用程序、扩展现实(XR)数据格式和文本中的至少一个,可以根据输出结果的内容对输出格式进行定义。
此外,所述输入处理模块具体还配置为:响应于用户界面操作,得到输入信息向量或第一输出结果;所述用户界面由低代码编辑生成,所述用户界面操作为点击界面按钮或者输入框输入信息。
低代码(I-DSL)是一种可视化的应用开发方法,用较少的代码、以较快的速度来交付应用程序,将程序员不想开发的代码做到自动化,称之为低代码。低代码能够基于图形化拖拽、参数化配置等更为高效的方式,实现快速构建、数据编排、连接生态、中台服务。可以通过少量代码或不用代码实现数字化转型中的场景应用创新。
可选的,可以将一些常用的功能操作集成为按钮和输入框,例如查询按钮,用户只需点击按钮,即可直接调用封装好的查询模块,查询模块中的知识模型已经预先确定,不需要选择最优模型。
此外,还可以通过输入框供用户输入信息;例如,若用户通过输入框输入:“请将候车厅的温度控制在25度”,则输入处理模块直接输出第一输出结果,即处理“请将候车厅的温度控制在25度”的一个或多个工作流,其中处理工作流的模型和/或微服务均已确定,不需要选择。
此外,所述系统还包括:更新模块,配置为对知识库进行更新。
作为一种可能的实施方式,所述更新模块具体配置为:
对通用大模型和/或专项知识模型记录的不确定性输出结果进行人工审核,审核通过后将输出结果加入确定性知识中;
在AI大脑服务运行的过程中以人置于循环迭代(Human in the loop,HIL)的形式积累数据,然后使用这些数据对模型进行持续学习;即持续将输入信息加入训练样本集,利用训练样本集对知识库中的各模型进行持续学习;通过大脑系统在运行过程中积累起来的包含人工反馈的数据,持续学习训练,更新知识库,形成行业专有知识库;
定期更新知识库的知识模型的版本,更新数据以及更新程序。
下面结合一具体应用场景对本申请的具体实现进行描述。
本实施例的AI大脑系统应用于火车站的候车大厅的温度控制。
若输入信息为“当前候车厅的温度是多少”;若输入形式为语音,则需要通过专项感知模型将语音转化为文本数据。对句子:“当前候车厅的温度是多少”进行分词处理,得到:当前、候车厅、温度和多少四个分词,组成输入信息向量。然后利用通用大模型的内部逻辑选取回答这个问题的效果最好的模型是知识图谱,利用知识图谱对输入信息向量进行处理,得到的输出结果是:当前候车厅的温度是25度,则以文本的格式进行输出。
若输入信息为:“将候车厅的温度保持在25度”,利用通用大模型对输入信息向量进行处理,得到的两个工作流;第一个工作流是:获取候车厅的人数,第二个工作流是:根据人数生成空调的控制程序;对于第一个工作流,从微服务库中选择图像识别的微服务,对摄像头采集候车厅的图像进行处理,得到候车厅的人数;将第一个工作流得到的候车厅的人数以及输入信息向量一起输入知识库的K-DSL,生成空调的控制程序,将控制程序通过输出模块发送至空调。
以上实施例仅为本申请的示例性实施例,不用于限制本申请,本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内,对本申请做出各种修改或等同替换,这种修改或等同替换也应视为落在本申请的保护范围内。
Claims (6)
1.一种人工智能大脑系统,其特征在于,包括:
知识库,配置为存储多个知识模型;
微服务库,配置为存储多个微服务;
输入处理模块,配置为对输入信息进行处理,得到输入信息向量;
第一处理模块,配置为利用通用大模型选取知识库中的最优知识模型,生成最优知识模型的专项语句;调用最优知识模型对专项语句进行处理,得到第一输出结果;
第二处理模块,配置为当第一输出结果为文本数据,将文本数据发送至输出模块;当第一输出结果为一个或多个工作流,根据每个工作流的内容,依次从知识库选择知识模型或从微服务库中选择微服务,对至少包括上一个工作流输出结果的输入进行处理;将至少包括最后一个工作流输出结果的第二输出结果发送至输出模块;
所述输出模块,配置为将第一输出结果或第二输出结果按照预设格式进行输出;
所述输入信息包括:文本、语音,图像和视频中的至少一个;所述输入处理模块具体配置为:
当输入信息为语音,利用专项感知模型对语音进行处理,得到对应的文本;
利用通用大模型对文本或语音对应的文本进行分词处理,得到文本的句子表示向量,将文本的句子表示向量作为输入信息向量;
当第一输入信息为视频,对视频进行采样处理,得到若干个图像;
利用专项感知模型对图像或者视频采集的多个图像进行处理,得到一个或多个特征图,将特征图向量作为输入信息向量;
所述知识库中的知识模型包括:通用大模型、专项知识模型、知识图谱和面向知识处理的领域特定语言模型;所述通用大模型对输入信息进行处理,实现拆分语义、语义理解和推理决策的功能;所述专项知识模型是使用知识进行推断和决策;所述面向知识处理的领域特定语言模型是用于应用程序领域的计算机语言,以低代码的形式实现知识的管理和决策;
利用通用大模型选取知识库中的最优知识模型,生成最优知识模型的专项语句;包括:
利用通用大模型判断知识库中的哪个知识模型解决输入信息中包含的问题的效果最佳,如果判断结果是知识图谱,则确定最优知识模型为知识图谱,利用输入信息向量生成知识图谱的专项语句;如果判断结果是通用大模型,则确定最优知识模型为通用大模型,利用输入信息向量生成通用大模型的专项语句;如果判断结果是专项知识模型,则确定最优知识模型为专项知识模型,利用输入信息向量生成专项知识模型的专项语句;如果判断结果是面向知识处理的领域特定语言模型,则确定最优知识模型为面向知识处理的领域特定语言模型,利用输入信息向量生成面向知识处理的领域特定语言模型的专项语句;
所述微服务为一个封装了处理模型和引擎的控件;所述处理模型包括:通用大模型、人工智能生成模型和面向服务执行的领域特定语言模型;所述通用大模型和人工智能生成模型的引擎均为推断引擎;所述面向服务执行的领域特定语言模型的引擎为运行引擎;其中,当处理模型为通用大模型,通用大模型基于推断引擎进行推断输出结果;当处理模型为人工智能生成模型,人工智能生成模型基于推断引擎,根据训练出的人工智能模型定制化的生成对应结果;当处理模型为面向服务执行的领域特定语言模型,为面向服务执行的领域特定语言模型基于运行引擎,以低代码的形式处理所需的服务。
2.根据权利要求1所述的人工智能大脑系统,其特征在于,所述知识库中的知识模型内的知识均为经过人工审核的确定性知识。
3.根据权利要求1所述的人工智能大脑系统,其特征在于,所述预设格式包括:网页、应用程序、扩展现实数据格式和文本中的至少一个。
4.根据权利要求1所述的人工智能大脑系统,其特征在于,所述系统还包括:更新模块,配置为对知识库进行更新。
5.根据权利要求4所述的人工智能大脑系统,其特征在于,所述更新模块具体配置为:
对通用大模型和/或专项知识模型记录的不确定性输出结果进行人工审核,审核通过后将输出结果加入确定性知识中;
将输入信息和人工智能大脑系统的输出结果加入训练样本集,利用训练样本集对知识库中的各知识模型进行持续学习;
定期知识库中各知识模型的版本。
6.根据权利要求1所述的人工智能大脑系统,其特征在于,所述输入处理模块还配置为:响应于用户界面操作,得到输入信息向量或第一输出结果;所述用户界面由低代码编辑生成,所述用户界面操作为界面按钮的点击操作和/或者输入框的输入操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310976115.3A CN116737964B (zh) | 2023-08-04 | 2023-08-04 | 一种人工智能大脑系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310976115.3A CN116737964B (zh) | 2023-08-04 | 2023-08-04 | 一种人工智能大脑系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116737964A CN116737964A (zh) | 2023-09-12 |
CN116737964B true CN116737964B (zh) | 2023-11-17 |
Family
ID=87908309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310976115.3A Active CN116737964B (zh) | 2023-08-04 | 2023-08-04 | 一种人工智能大脑系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116737964B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008119270A1 (fr) * | 2007-03-30 | 2008-10-09 | Tencent Technology (Shenzhen) Company Limited | Système robot de discussion en ligne, procédé et dispositif de discussion automatique |
CN110955762A (zh) * | 2019-11-01 | 2020-04-03 | 上海百事通信息技术股份有限公司 | 一种智能问答平台 |
CN113010632A (zh) * | 2019-12-20 | 2021-06-22 | 中兴通讯股份有限公司 | 智能问答方法、装置、计算机设备和计算机可读介质 |
CN113515613A (zh) * | 2021-06-25 | 2021-10-19 | 华中科技大学 | 一种集成闲聊、知识和任务问答的智能机器人 |
CN115238101A (zh) * | 2022-09-23 | 2022-10-25 | 中国电子科技集团公司第十研究所 | 一种面向多类型知识库的多引擎智能问答系统 |
CN116127095A (zh) * | 2023-01-04 | 2023-05-16 | 北京工业大学 | 一种序列模型与知识图谱结合的问答方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220415202A1 (en) * | 2020-02-20 | 2022-12-29 | Gopalakrishnan Venkatasubramanyam | Smart-learning and knowledge retrieval system with integrated chatbots |
-
2023
- 2023-08-04 CN CN202310976115.3A patent/CN116737964B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008119270A1 (fr) * | 2007-03-30 | 2008-10-09 | Tencent Technology (Shenzhen) Company Limited | Système robot de discussion en ligne, procédé et dispositif de discussion automatique |
CN110955762A (zh) * | 2019-11-01 | 2020-04-03 | 上海百事通信息技术股份有限公司 | 一种智能问答平台 |
CN113010632A (zh) * | 2019-12-20 | 2021-06-22 | 中兴通讯股份有限公司 | 智能问答方法、装置、计算机设备和计算机可读介质 |
CN113515613A (zh) * | 2021-06-25 | 2021-10-19 | 华中科技大学 | 一种集成闲聊、知识和任务问答的智能机器人 |
CN115238101A (zh) * | 2022-09-23 | 2022-10-25 | 中国电子科技集团公司第十研究所 | 一种面向多类型知识库的多引擎智能问答系统 |
CN116127095A (zh) * | 2023-01-04 | 2023-05-16 | 北京工业大学 | 一种序列模型与知识图谱结合的问答方法 |
Non-Patent Citations (2)
Title |
---|
Research on the Collaboration Model of the Multi-agent based on Dialogue;Deng Lujuan 等;2012 Fifth International Symposium on Computational Intelligence and Design;全文 * |
面向任务型的对话系统研究进展;杨帆 等;中文信息学报;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116737964A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111026842B (zh) | 自然语言处理方法、自然语言处理装置及智能问答系统 | |
US11308940B2 (en) | Counterfactual annotated dialogues for conversational computing | |
CN114547072A (zh) | 自然语言查询转换sql方法、系统、设备及存储介质 | |
CN116775183A (zh) | 基于大语言模型的任务生成方法、系统、设备及存储介质 | |
CN113254507B (zh) | 一种数据资产目录智能构建盘点方法 | |
CN116594768A (zh) | 面向大模型的通用工具协同和精细化学习系统及方法 | |
US11763095B2 (en) | Creating apps from natural language descriptions | |
CN117743315B (zh) | 一种为多模态大模型系统提供高质量数据的方法 | |
CN117520514A (zh) | 一种问答任务处理方法、装置、设备及可读存储介质 | |
US20230359825A1 (en) | Knowledge graph entities from text | |
CN115803734A (zh) | 使用动作解释的自然语言丰富 | |
Calderón et al. | Distributed supervised sentiment analysis of tweets: Integrating machine learning and streaming analytics for big data challenges in communication and audience research | |
CN116974554A (zh) | 代码数据处理方法、装置、计算机设备和存储介质 | |
CN111831624A (zh) | 数据表创建方法、装置、计算机设备及存储介质 | |
CN108932225B (zh) | 用于将自然语言需求转换成为语义建模语言语句的方法和系统 | |
CN117520209B (zh) | 代码评审方法、装置、计算机设备和存储介质 | |
CN112988982B (zh) | 一种计算机比较空间的自主学习方法及系统 | |
CN109656952B (zh) | 查询处理方法、装置及电子设备 | |
CN116737964B (zh) | 一种人工智能大脑系统 | |
CN116091045A (zh) | 一种基于知识图谱的通信网络运维方法和运维装置 | |
Saini et al. | Domobot: An ai-empowered bot for automated and interactive domain modelling | |
CN115269862A (zh) | 一种基于知识图谱的电力问答与可视化系统 | |
CN114648121A (zh) | 一种数据处理方法、装置、电子设备和存储介质 | |
CN117934997B (zh) | 用于corner case样本生成的大语言模型系统及方法 | |
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 |
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 |