CN116974652A - 基于saas平台的智能交互方法、装置、设备及存储介质 - Google Patents
基于saas平台的智能交互方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116974652A CN116974652A CN202311227460.3A CN202311227460A CN116974652A CN 116974652 A CN116974652 A CN 116974652A CN 202311227460 A CN202311227460 A CN 202311227460A CN 116974652 A CN116974652 A CN 116974652A
- Authority
- CN
- China
- Prior art keywords
- saas
- source application
- application
- applications
- learning model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 230000003993 interaction Effects 0.000 title claims abstract description 19
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 101001072091 Homo sapiens ProSAAS Proteins 0.000 title claims abstract 18
- 102100036366 ProSAAS Human genes 0.000 title claims abstract 18
- 230000002787 reinforcement Effects 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012384 transportation and delivery Methods 0.000 claims description 15
- 230000000694 effects Effects 0.000 claims description 14
- 238000007726 management method Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 239000008186 active pharmaceutical agent Substances 0.000 description 11
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000013068 supply chain management Methods 0.000 description 3
- 240000007087 Apium graveolens Species 0.000 description 2
- 235000015849 Apium graveolens Dulce Group Nutrition 0.000 description 2
- 235000010591 Appio Nutrition 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 102100025471 Epiphycan Human genes 0.000 description 1
- 101001056751 Homo sapiens Epiphycan Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012377 drug delivery Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/445—Program loading or initiating
- G06F9/44568—Immediately runnable code
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Stored Programmes (AREA)
Abstract
本发明公开了一种基于SAAS平台的智能交互方法、装置、设备及存储介质，涉及SAAS平台领域，包括：定义了事务群结构，其中包含多个SAAS应用，指定一个为源应用，其他为目标应用；收集历史事务信息，并对其进行打分，基于此信息训练强化学习模型，其中源应用的操作作为输入，目标应用的操作作为预测输出；训练完成的模型部署于自动化中心，该中心监听源应用的触发事件，并根据模型预测，在目标应用中执行相应操作；完成操作后，状态信息返回源应用。本发明实现了不同SAAS应用间的智能、自动交互，提高了效率并减少了手动干预。
Description
技术领域
本发明涉及SAAS平台领域，更具体地说，涉及一种基于SAAS平台的智能交互方法、装置、设备及存储介质。
背景技术
SAAS（Software as a Service，软件即服务）是一种软件分发模式，其中应用程序通过互联网提供给最终用户。与传统的软件购买和部署模式不同，SAAS用户不需要购买和安装应用程序在自己的计算机或数据中心。相反，他们通过订阅或按需购买的方式访问服务，并通过Web浏览器使用它。
随着云计算和SAAS模型的广泛采纳，企业和个人用户越来越依赖多种SAAS应用来完成日常工作。然而，这也带来了一个明显的问题：这些SAAS应用往往是独立开发的，它们之间的互操作性较差，难以实现真正的自动化和数据整合。
除此之外，随着业务逻辑和工作需求的日益复杂化，如何根据用户的实时操作、业务环境以及其他关联应用的状态来智能地生成和调整交互流程，也是当前SAAS领域的一个空白。
发明内容
本发明提供一种基于SAAS平台的智能交互方法、装置、设备及存储介质，以解决背景技术中提到的问题。
为了达到上述目的，本发明采取以下技术方案：
一种基于SAAS平台的智能交互方法，包括如下步骤：
S1: 定义事务群，所述事务群内包含多个SAAS应用；将事务群中的某一指定的SAAS应用作为源应用，将事务群内其他SAAS应用作为目标应用；
S2：收集历史事务信息，历史事务信息内包含多个项目集，每个项目集为一个项目在多个SAAS应用上的事务记录；对每个项目集进行完成效果打分；
S3：利用历史事务信息训练一个强化学习模型，其中以完成效果作为训练用奖励，以源应用的操作为强化学习模型的输入量，以目标应用的操作为强化学习模型的预测输出量；
S4：将训练完成的强化学习模型部署至自动化中心，自动化中心监听来自源应用的触发事件；所述触发事件为源应用中的特定操作；
S5: 自动化中心将源应用中的特定操作输入强化学习模型，强化学习模型输出在多个目标应用中确定对应的预定操作；
S6: 对于每个目标应用，自动化中心按照所述预定操作执行相应的任务；
S7: 在任一个目标应用操作完成后，自动化中心收集对应操作完成的状态信息，并将其返回到源应用。
在一些实施例中，所述源应用为视频广告管理平台，所述目标应用为多个视频内容平台；
所述项目集为一个投放成本区间内的广告的投放记录；即，把一个投放成本区间内的广告看作是S2中的同一个项目，这样这个区间内能够累积足够多的广告用来进行机器学习模型的学习。
所述完成效果打分基于广告在所有平台的点击量、观看次数、观看时长中的一种或多种；即，可以只根据其中一种进行打分，打分的值和点击量或观看次数或观看时长呈正比。也可以将点击量、观看次数、观看时长进行加权求和，综合考虑。
所述源应用的操作为在视频广告管理平台上的某个投放成本区间内创建一个广告投放项目，针对一个投放成本区间内的广告训练一个所述强化学习模型。
在一些实施例中，S4中所述返回到源应用的方式基于图标提示或弹窗通知。
在一些实施例中，所述自动化中心内包含：
接口适配器模块：用于与事务群内的SAAS应用的API进行通信；
事件监听与触发模块：用于捕获来自源应用的触发事件；
机器学习模块：设置有强化学习模型，用于输入源应用的触发事件，输出目标应用的对应操作；
执行模块：用于根据机器学习模块输出的对应操作执行目标应用的操作；
响应与反馈模块：用于收集目标应用的执行状态并返回给源应用。
在一些实施例中，所述源应用为公司的内部库存和订单管理系统。
在一些实施例中，所述目标应用为多个在线销售平台，所述项目集为某个商品的销售过程，所述项目集的完成效果为所述商品的销售额。
本发明还公开一种基于SAAS平台的智能交互装置，包括：
多个SAAS应用，其中包括至少一个源应用和多个目标应用；
自动化中心，包括：
接口适配器模块：用于与事务群内的SAAS应用的API进行通信；
事件监听与触发模块：用于捕获来自源应用的触发事件；
机器学习模块：设置有强化学习模型，用于输入源应用的触发事件，输出目标应用的对应操作；
执行模块：用于根据机器学习模块输出的对应操作执行目标应用的操作；
响应与反馈模块：用于收集目标应用的执行状态并返回给源应用。
本发明还公开一种处理设备，包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如上述一种基于SAAS平台的智能交互方法。
一种计算机可读存储介质，其上存储有计算机程序；所述计算机程序被处理器执行时实现如上述一种基于SAAS平台的智能交互方法。
本发明相对于现有技术的优点在于，本发明针对SAAS平台提供了一种智能交互方法及相应装置。首要的有益效果在于，它可以实现多个SAAS平台之间的自动工作流处理。通过定义事务群并收集历史事务信息，该方法确保了跨应用事务的连贯性和高效性。更为重要的是，本发明采用了强化学习模型，这意味着系统不仅可以执行预设的操作，还可以针对复杂的事务场景，经由学习和迭代，提供最佳的处理效果。例如，在销售环境中，该系统能够自动判断如何优化销售策略，从而最大化销售额。此外，自动化中心的模块化设计，如接口适配器、事件监听、机器学习和执行模块，都为该系统提供了强大的可扩展性和灵活性。当一个任务完成时，自动化中心能够收集状态信息并及时反馈给源应用，无论是通过图标提示还是弹窗通知，都为用户提供了明确的操作反馈。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作描述。
如图1所示为本发明总体流程图。本发明公开了一种基于SAAS平台的智能交互方法，包括如下步骤：
一种基于SAAS平台的智能交互方法，包括如下步骤：
S1: 定义事务群，所述事务群内包含多个SAAS应用；将事务群中的某一指定的SAAS应用作为源应用，将事务群内其他SAAS应用作为目标应用；
S2：收集历史事务信息，历史事务信息内包含多个项目集，每个项目集为一个项目在多个SAAS应用上的事务记录；对每个项目集进行完成效果打分；
S3：利用历史事务信息训练一个强化学习模型，其中以完成效果作为训练用奖励，以源应用的操作为强化学习模型的输入量，以目标应用的操作为强化学习模型的预测输出量；
S4：将训练完成的强化学习模型部署至自动化中心，自动化中心监听来自源应用的触发事件；所述触发事件为源应用中的特定操作；
S5: 自动化中心将源应用中的特定操作输入强化学习模型，强化学习模型输出在多个目标应用中确定对应的预定操作；
S6: 对于每个目标应用，自动化中心按照所述预定操作执行相应的任务；
S7: 在任一个目标应用操作完成后，自动化中心收集对应操作完成的状态信息，并将其返回到源应用。
在一些实施例中，S4中所述返回到源应用的方式基于图标提示或弹窗通知。
在一些实施例中，所述自动化中心内包含：
接口适配器模块：用于与事务群内的SAAS应用的API进行通信；
事件监听与触发模块：用于捕获来自源应用的触发事件；
机器学习模块：设置有强化学习模型，用于输入源应用的触发事件，输出目标应用的对应操作；
执行模块：用于根据机器学习模块输出的对应操作执行目标应用的操作；
响应与反馈模块：用于收集目标应用的执行状态并返回给源应用。
在一些实施例中，如果流程相对简单，可以直接预定义从触发事件到目标应用的操作过程，从而可以直接根据预定义的流程来执行操作过程，而无需使用机器学习来判断。
以下是一种软硬件实现方案：
硬件方案：
中央处理单元 (CPU)：高性能多核处理器如Intel Xeon或AMD EPYC系列，用于支持并行处理和大量计算任务，特别是机器学习模型的训练和执行。
内存 (RAM)：最少128GB，确保高效处理大量数据并支持机器学习模型。
存储：NVMe SSD，确保数据的快速读写。
网络：高速以太网卡，支持至少10GbE，确保与SaaS应用的API之间高效、低延迟的通信。
GPU：NVIDIA或AMD的高性能图形处理单元，加速机器学习模型的训练和推理。
软件方案：
接口适配器模块：
软件框架：使用OpenAPI或gRPC框架，这些框架支持与多种SaaS应用的API进行通信。
实现：使用Python或Java，考虑到它们广泛的库和框架支持。
事件监听与触发模块：
软件框架：Apache Kafka或RabbitMQ，这些是分布式消息中间件，可以实时地处理和转发消息。
实现：使用Node.js或Java，它们具有良好的事件驱动机制和丰富的生态系统支持。
机器学习模块：
框架：TensorFlow或PyTorch，两者都是目前领先的机器学习框架，特别支持强化学习。
训练环境：使用NVIDIA CUDA工具集，为GPU提供并行计算能力，加速模型训练。
执行模块：
软件框架：Celery，这是一个分布式任务队列，可以处理大量的并发任务。
实现：使用Python或Java，它们可以与Celery框架很好地集成。
响应与反馈模块：
软件框架：WebSocket，提供全双工通讯，使得实时反馈成为可能。
实现：使用Node.js或Go，它们在实时通讯和高性能方面都有很好的表现。
以下实施例，考虑多渠道销售自动化与优化的案例。
一个大型电子商务公司，它通过多个在线平台进行销售，如Amazon、eBay、自家网站、Facebook Shop等。公司的工作人员一般从公司自身的内部库存和订单管理系统出发，来对各个在线平台上的账户进行管理，因此，将源应用设置为：公司的内部库存和订单管理系统，将其他在线平台设置为目标应用。
当有新的库存到达、商品售罄或需要促销时，都会产生相应的操作，其中可以自定义触发事件。
目标应用：
Amazon 销售渠道。
eBay 销售渠道。
自家网站销售渠道。
Facebook Shop 销售渠道。
强化学习的应用：
历史工作信息：包括每种商品的库存记录、在各个平台上的销售记录、库存变化、促销效果等。
完成效果打分：基于每个平台上的销售量、销售速度、顾客反馈等因素，为每个项目集（如某个特定商品的多平台销售策略）打分。具体打分可以将多因素打分加权平均，亦或是至考虑一段时间，比如一个月内的销售额作为完成效果打分。
当新的库存到达或需要进行促销时（可以将其设为源应用的触发事件），模型会为各个销售渠道推荐库存分配和促销策略。
例如，新到了1000个特定玩具，强化学习模型以一个周期（比如一个月）内的特定玩具销售数据作为一个项目集（因此有多个项目集）训练完成后，会给出对应的销售建议，比如建议在Amazon上列出500个、在eBay上列出250个、在自家网站上列出150个、在Facebook Shop上列出100个，自动化中心将对应的销售量作为库存通过API自动反应到各个网站上。
在一些实施例中，所述源应用为视频广告管理平台（一个专用于创建和管理广告内容的SAAS应用），所述目标应用为多个视频内容平台（如爱奇艺、腾讯视频等，用于投放广告）；
所述项目集为一个投放成本区间内的广告的投放记录；即，把一个投放成本区间内的广告看作是S2中的同一个项目，这样这个区间内能够累积足够多的广告用来进行机器学习模型的学习。
所述完成效果打分基于广告在所有平台的点击量、观看次数、观看时长中的一种或多种；即，可以只根据其中一种进行打分，打分的值和点击量或观看次数或观看时长呈正比。也可以将点击量、观看次数、观看时长进行加权求和，综合考虑。
所述源应用的操作为在视频广告管理平台上的某个投放成本区间内创建一个广告投放项目，针对一个投放成本区间内的广告训练一个所述强化学习模型。
训练完成后，自动化中心能够监听来自源应用的触发事件，并通过训练好的强化学习模型来决定在目标应用中执行的操作。
触发事件为源应用（视频广告管理平台）中的特定操作，比如发布一个新的广告，根据该广告的投放成本匹配强化学习模型后，根据该强化学习模型的预测，选择平台进行投放，以尽力达到最高的完成效果打分。
状态信息包括包括广告是否完成投放。
通过这种方式，视频广告管理平台能够根据历史数据和强化学习模型的预测来自动化和优化广告的投放策略，从而提高广告投放的效果。
除此之外，本发明还可以有如下简单的应用场景：
一个团队使用Trello管理项目，使用Slack进行团队沟通，和使用Google Drive存储文件。
自动化中心预先与Trello、Slack和Google Drive的API建立连接，并且已配置好相关的授权和权限。
根据强化学习模型的输入和输出（亦或是在这种简单情况下，采用人工预定义从输入到输出的映射关系），当从Trello接收到一个“新任务创建”事件时，会进行一系列预定义的操作。比如：一位团队成员在Trello上创建了一个新任务：“完成项目A的报告”。Trello的API发送一个事件通知到自动化中心。自动化中心解析这个通知，提取出任务的详细信息并输入强化学习模型，接下来，自动化中心执行强化学习模型输出的操作：
在Slack上，向项目A的团队频道发送一个通知：“[Trello通知] 新任务已创建：完成项目A的报告。”
在Google Drive上，创建一个名为“项目A的报告”的新文件夹。
当上述操作都完成后，自动化中心将操作的执行状态回馈给Trello，并在原任务上标记一个绿色的“已同步”标签或标记，告诉用户跨平台操作已完成。
实现的基础：
API整合：大多数现代SAAS应用都提供了API，允许第三方应用访问和操作它们的数据。例如，Trello、Slack和Google Drive都有丰富的API。
Webhooks SAAS平台 Push Notifications：这允许SAAS应用在某些事件发生时向外部发送通知。
OAuth SAAS平台 Permissions：通过OAuth授权机制，用户可以授予自动化中心访问其SAAS应用数据的权限，而不必共享用户名和密码。
Serverless Functions: 对于简化操作和降低成本，自动化中心可以利用云平台上的无服务器计算功能（例如AWS Lambda、Google Cloud Functions）来执行自动化任务。
以下为一些其他可能的案例：
企业资源规划与供应链管理：
事务群：
企业资源规划(ERP)系统如：SAP、Oracle ERP；
供应链管理软件如：Infor SCM、JDA；
源应用：SAP；
目标应用：Infor SCM、JDA；
项目集：一个企业的产品从原料采购、生产、仓储到最终分销的完整事务记录。
医疗诊断与药物配送：
事务群：电子病历系统如：Epic、Cerner；
药物库存与配送系统如：McKesson、AmerisourceBergen
源应用：Epic；
目标应用：McKesson、AmerisourceBergen；
项目集：一个患者从医生开处方，到药物从药房调度、配送到患者手中的完整事务记录。
在线教育与资源管理：
事务群：
在线教育平台如：Coursera、edX；
资源管理系统如：Dropbox、Google Drive；
源应用：Coursera；
目标应用：Dropbox、Google Drive；
项目集：一个在线课程从创建、发布、学生参与到学习资料分发和存储的完整事务记录。
每个案例中的源应用都是事务的发起点，目标应用则是需要执行相应操作的应用，而项目集为在所有相关应用上的事务记录。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于SAAS平台的智能交互方法，其特征在于，包括如下步骤：
S1: 定义事务群，所述事务群内包含多个SAAS应用；将事务群中的某一指定的SAAS应用作为源应用，将事务群内其他SAAS应用作为目标应用；
S2：收集历史事务信息，历史事务信息内包含多个项目集，每个项目集为一个项目在多个SAAS应用上的事务记录；对每个项目集进行完成效果打分；
S3：利用历史事务信息训练一个强化学习模型，其中以完成效果作为训练用奖励，以源应用的操作为强化学习模型的输入量，以目标应用的操作为强化学习模型的预测输出量；
S4：将训练完成的强化学习模型部署至自动化中心，自动化中心监听来自源应用的触发事件；所述触发事件为源应用中的特定操作；
S5: 自动化中心将源应用中的特定操作输入强化学习模型，强化学习模型输出在多个目标应用中确定对应的预定操作；
S6: 对于每个目标应用，自动化中心按照所述预定操作执行相应的任务；
S7: 在任一个目标应用操作完成后，自动化中心收集对应操作完成的状态信息，并将其返回到源应用。
2.根据权利要求1所述基于SAAS平台的智能交互方法，其特征在于，所述源应用为视频广告管理平台，所述目标应用为多个视频内容平台；
所述项目集为一个投放成本区间内的广告的投放记录；
所述完成效果打分基于广告在所有平台的点击量、观看次数、观看时长中的一种或多种；
所述源应用的操作为在视频广告管理平台上的某个投放成本区间内创建一个广告投放项目，针对一个投放成本区间内的广告训练一个所述强化学习模型。
3.根据权利要求1所述基于SAAS平台的智能交互方法，其特征在于，S4中所述返回到源应用的方式基于图标提示或弹窗通知。
4.根据权利要求1所述基于SAAS平台的智能交互方法，其特征在于，所述自动化中心内包含：
接口适配器模块：用于与事务群内的SAAS应用的API进行通信；
事件监听与触发模块：用于捕获来自源应用的触发事件；
机器学习模块：设置有强化学习模型，用于输入源应用的触发事件，输出目标应用的对应操作；
执行模块：用于根据机器学习模块输出的对应操作执行目标应用的操作；
响应与反馈模块：用于收集目标应用的执行状态并返回给源应用。
5.一种基于SAAS平台的智能交互装置，其特征在于，包括：
多个SAAS应用，其中包括至少一个源应用和多个目标应用；
自动化中心，包括：
接口适配器模块：用于与事务群内的SAAS应用的API进行通信；
事件监听与触发模块：用于捕获来自源应用的触发事件；
机器学习模块：设置有强化学习模型，用于输入源应用的触发事件，输出目标应用的对应操作；
执行模块：用于根据机器学习模块输出的对应操作执行目标应用的操作；
响应与反馈模块：用于收集目标应用的执行状态并返回给源应用。
6.一种处理设备，其特征在于，
包括：
存储器；
处理器；以及
计算机程序；
其中，所述计算机程序存储在所述存储器中，并被配置为由所述处理器执行以实现如权利要求1-4中任一项所述的方法。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序；所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227460.3A CN116974652A (zh) | 2023-09-22 | 2023-09-22 | 基于saas平台的智能交互方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311227460.3A CN116974652A (zh) | 2023-09-22 | 2023-09-22 | 基于saas平台的智能交互方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116974652A true CN116974652A (zh) | 2023-10-31 |
Family
ID=88473359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311227460.3A Pending CN116974652A (zh) | 2023-09-22 | 2023-09-22 | 基于saas平台的智能交互方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116974652A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102253827A (zh) * | 2010-03-22 | 2011-11-23 | Sap门户以色列有限公司 | 具有学习机制的糅合基础结构 |
| CN107871244A (zh) * | 2016-09-28 | 2018-04-03 | 腾讯科技（深圳）有限公司 | 一种广告效果的检测方法和装置 |
| US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
| CN112862516A (zh) * | 2021-01-14 | 2021-05-28 | 北京达佳互联信息技术有限公司 | 资源投放方法、装置、电子设备及存储介质 |
| CN113302638A (zh) * | 2018-10-29 | 2021-08-24 | 强力交易投资组合2018有限公司 | 用于改进自动执行能源、计算、存储和其他资源的现货和远期市场中的分布式账本和其他交易的机器和系统的方法和系统 |
| CN115002274A (zh) * | 2022-05-07 | 2022-09-02 | Oppo广东移动通信有限公司 | 控制方法及装置、电子设备及计算机可读存储介质 |
-
2023
- 2023-09-22 CN CN202311227460.3A patent/CN116974652A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102253827A (zh) * | 2010-03-22 | 2011-11-23 | Sap门户以色列有限公司 | 具有学习机制的糅合基础结构 |
| US20200348662A1 (en) * | 2016-05-09 | 2020-11-05 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
| CN107871244A (zh) * | 2016-09-28 | 2018-04-03 | 腾讯科技（深圳）有限公司 | 一种广告效果的检测方法和装置 |
| CN113302638A (zh) * | 2018-10-29 | 2021-08-24 | 强力交易投资组合2018有限公司 | 用于改进自动执行能源、计算、存储和其他资源的现货和远期市场中的分布式账本和其他交易的机器和系统的方法和系统 |
| CN112862516A (zh) * | 2021-01-14 | 2021-05-28 | 北京达佳互联信息技术有限公司 | 资源投放方法、装置、电子设备及存储介质 |
| CN115002274A (zh) * | 2022-05-07 | 2022-09-02 | Oppo广东移动通信有限公司 | 控制方法及装置、电子设备及计算机可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lei et al. | A statistical analysis of the effects of Scrum and Kanban on software development projects | |
| Lian et al. | Analysing the effects of Lean manufacturing using a value stream mapping-based simulation generator | |
| CN107656801A (zh) | 一种基于事件的流程处理方法及系统 | |
| US20160034995A1 (en) | Method and system for automated indentification and engagement of service providers | |
| CN101223544A (zh) | 通用广告服务体系结构 | |
| CN104956330A (zh) | 具有资源感知的工作量分配 | |
| CN101432694A (zh) | 业务流程元模型 | |
| CN107341643A (zh) | 可视化的流程展示方法及系统 | |
| US20120053978A1 (en) | Self-contained web-based communications platform for work assignments | |
| US20040002891A1 (en) | Internet-enabled system and method for modeling economics environments | |
| Govindarajan et al. | Beyond the idea: How to execute innovation in any organization | |
| Hertz et al. | A simulation-based decision support system for industrial field service network planning | |
| CN109978392A (zh) | 敏捷软件开发管理方法、装置、电子设备、存储介质 | |
| CN115719207A (zh) | 超自动化平台系统 | |
| Dasser | Marketing, the change catalyst for digital business transformation: Lessons learned from the modernisation of a B2B marketing organisation | |
| US20240220878A1 (en) | Artificial intelligence systems and methods configured to predict team management decisions | |
| US20220067659A1 (en) | Research and development system and method | |
| CN113420987A (zh) | 需求排期方法、装置、服务器及计算机可读存储介质 | |
| Han et al. | A multi-agent-based system for two-stage scheduling problem of offshore project | |
| Ikonen | Lean thinking in software development: Impacts of kanban on projects | |
| CN116974652A (zh) | 基于saas平台的智能交互方法、装置、设备及存储介质 | |
| CN113420988A (zh) | 需求处理系统、方法、计算机设备及可读存储介质 | |
| Sheth et al. | Report from the NSF workshop on workflow and process automation in information systems | |
| CN109214620A (zh) | 企业技术创新平台的创建方法及企业技术创新平台系统 | |
| Schoech et al. | Optimising plant layout decisions based on emulation models–technical framework and practical insights |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231031 |