CN117093782A - 一种电力人工智能模型系统及方法 - Google Patents
一种电力人工智能模型系统及方法 Download PDFInfo
- Publication number
- CN117093782A CN117093782A CN202311363718.2A CN202311363718A CN117093782A CN 117093782 A CN117093782 A CN 117093782A CN 202311363718 A CN202311363718 A CN 202311363718A CN 117093782 A CN117093782 A CN 117093782A
- Authority
- CN
- China
- Prior art keywords
- user
- model
- information
- algorithm
- algorithm 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 30
- 230000000694 effects Effects 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000013523 data management Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 106
- 239000013598 vector Substances 0.000 claims description 48
- 230000006399 behavior Effects 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 12
- 238000004873 anchoring Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 description 9
- 241000699666 Mus <mouse, genus> Species 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008094 contradictory effect Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 241000699670 Mus sp. Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007774 longterm Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于人工智能技术领域,提供了一种电力人工智能模型系统及方法,系统包括:算法模型数据库,用户数据管理模块,智能推荐模块,智能交易模块,和反馈优化模块;其中,智能交易模块,被配置为基于用户选择的算法模型,根据用户的具体使用情况进行自动计费,结合算法模型识别效果和用户反馈的评分结果,确定最终的结算费用,自动生成交易订单;本发明在进行费用结算时,综合考虑了模型的使用效果和用户的评分结果,确定费用结算的比例,实现面对不同用户和不同模型的阶梯式费用结算,提高了费用结算的准确性和合理性。
Description
技术领域
本发明属于电力人工智能技术领域,尤其涉及一种电力人工智能模型系统及方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
电力人工智能模型系统是集成多家模型算法,基于系统自有的硬件资源对企业或个人提供模块化算法服务的一个平台。平台内集成了大量的人工智能算法模型,比如:在电力领域的人工智能运营平台中,可以提供多种不同的用于设备巡检、仪表数据识别或电力设备故障检测等的人工智能算法模型。用户通过该平台能够进行不同算法模型的试用、交易和评价等操作。
但是,目前的电力人工智能模型系统往往存在以下问题:
(1)现有技术中,电力人工智能模型系统会根据用户输入的关键词,为用户匹配推荐算法模型,但是,用户输入的关键词中可能包含多个不同的关键词,这些关键词的重要程度是不一样的;现有技术并未考虑不同关键词所占重要程度的比重,因此,可能会导致推荐结果不准确,无法实现精准推荐。
(2)每一个模型在使用时都离不开输入数据;用户在调用或使用模型时,需要上传自己的数据到系统服务器,而这些数据属于企业或个人独有的,具有保密需求,由于计算机网络开放性、终端互联性的特点,个人数据安全难以保证;另外,系统的开放性特点使得模型自身的数据安全也无法得到有效保证,无法防止外界对模型的恶意攻击、传播和使用,因此可能导致模型数据的泄露,造成不可预估的经济损失。
(3)现有技术中,系统的计费方式往往分为固定计费和单次计费两种模式;在进行单次计费模式下,根据用户对模型的调用次数进行累计计费,但是对于用户调用模型后是否成功使用或者用户在使用模型的过程中是否遇到了异常等情况,都无法识别出来,用户只要使用了模型就需要支付相同的费用;这种单次计费方式不能根据用户的需求和实际使用情况进行差异化的费用计算,同时在进行费用最终结算时也没有考虑模型的效果和用户的反馈评价等,容易导致计费和结算的不合理和不准确,影响用户体验。
(4)算法模型交易完成后,用户通常会对模型的使用效果进行评价,系统可以根据用户的反馈评价信息,对模型进行优化调整;但是,并不能保证所有的反馈评价信息都是真实有效的(例如:当用户试用完模型之后,随意提交反馈),这样会造成大量的噪声和干扰数据,影响模型的最终效果评定。
发明内容
为克服上述现有技术的不足,本发明提供了一种电力人工智能模型系统及方法,该系统能够考虑用户需求信息和模型权重对用户进行精准化的模型智能推荐,同时对用户使用算法模型进行差异化的计费和阶梯式结算,并通过对用户的反馈评价信息进行置信度评估,得到用户对算法模型使用效果的准确评价。
为实现上述目的,一方面,本发明的一个或多个实施例提供了如下技术方案:
一种电力人工智能模型系统,包括:
算法模型数据库,被配置为用于存储电力人工智能算法模型;
用户数据管理模块,被配置为用于获取用户基本信息、用户对算法模型的历史使用痕迹信息和操作习惯信息,并存储至用户数据库;
智能推荐模块,被配置为基于用户输入的需求信息构建关键词特征向量,对关键词特征向量与算法模型数据库中各个算法模型的特征向量矩阵计算相似度,得到推荐的算法模型列表,同时自动预估每一个推荐的算法模型的使用费用; 其中,各个算法模型的特征向量中的元素为模型标签及标签权重的乘积;
智能交易模块,被配置为基于用户选择的算法模型,根据用户的具体使用情况进行自动计费,结合算法模型的识别效果和用户反馈的评分结果,确定最终的结算费用,自动生成交易订单;
反馈优化模块,被配置为接收用户对所述算法模型的反馈评价信息,基于用户本次反馈评价时的操作行为数据,利用用户的操作习惯模型,对本次反馈评价信息的置信度进行评估,基于所述算法模型的所有反馈评价信息及其置信度评估结果,对所述算法模型进行优化。
进一步地,还包括:
模型调用模块,用于响应于用户的模型调用请求,对算法模型数据库中的算法模型进行调用;具体的调用过程如下:
基于用户发送的临时密钥解密得到用户标识信息和用户想要调用的目标模型;基于用户标识信息进行用户身份验证,验证通过后,获取目标模型的密钥并进行解密,将解密后的所述目标模型进行模型压缩,再基于所述临时密钥进行加密后传输至用户;其中,用户根据登录信息、当前系统时间和用户标识信息生成本次登陆系统期间的临时密钥。
进一步地,得到推荐的算法模型列表的具体过程如下:
从用户的业务需求信息中提取关键词,并进行量化,形成关键词特征向量;
根据算法模型数据库中各个算法模型的标签及标签所占权重,构建每一个算法模型的特征向量;
对关键词特征向量与每一个算法模型的特征向量,计算相似度;
基于相似度对匹配算法模型进行排序,选取相似度最高的设定数量的算法模型,得到推荐的算法模型列表。
进一步地,自动预估每一个推荐的算法模型的使用费用,具体过程为:
获取某一类算法模型历史设定时间段内的请求数量、数据处理量、模型调用时间和资源使用时间数据,并进行预处理,作为历史特征数据;
基于回归模型,使用PolynomialFeatures方法对历史特征数据进行多元化处理;
利用处理后的历史特征数据对多项式回归模型进行训练,得到该类算法模型的计费预测模型;
获取与推荐的算法模型属于同一类的计费预测模型,基于所述推荐的算法模型的历史使用数据,预测得到该模型的使用费用。
进一步地,智能交易模块根据用户的具体使用情况进行自动计费,具体过程为:
基于预置的成本数据及属性数据,计算初始成本费用;
获取用户类型及使用频率信息,确定该用户使用算法模型时的折扣比例;
获取用户本次使用算法模型时的GPU资源使用时间、CPU资源使用时间、存储资源使用时间和出现任务异常的时间,计算得到使用费用;
基于初始成本费用、使用费用和折扣比例,计算得到本次使用算法模型的最终费用。
进一步地,对本次反馈评价信息的置信度进行评估,具体过程为:
选择用户的鼠标点击频率、拖拽次数及拖拽距离,键盘的按键频率,以及页面停留时长作为评价指标,并为每种操作行为分配权重;
将本次反馈评价时的操作行为数据,与操作习惯模型中对应的操作行为量化值进行相似度计算;对所有操作行为数据的相似度计算进行加权平均,得到本次反馈信息的置信度。
进一步地,还包括:样本数据库,用于存储不同场景下的算法模型应用实例数据,包括:应用场景、算法模型、模型应用效果、使用费用及模型优化数据。
另一方面,本发明的一个或多个实施例提供了如下技术方案:
一种电力人工智能模型系统的工作方法,包括:
响应于用户的算法模型调用请求,从用户数据库获取用户基本信息、用户对算法模型的历史使用痕迹信息和操作习惯信息;
基于用户输入的需求信息构建关键词特征向量,对关键词特征向量与算法模型数据库中各个算法模型的特征向量矩阵计算相似度,得到推荐的算法模型列表,同时自动预估每一个推荐的算法模型的使用费用;其中,各个算法模型的特征向量中的元素为模型标签及标签权重的乘积;
基于用户选择的算法模型,根据用户的具体使用情况进行自动计费,结合算法模型识别效果和用户反馈的评分结果,确定最终的结算费用,自动生成交易订单;
接收用户对所述算法模型的反馈评价信息,基于用户本次反馈评价时的操作行为数据,利用用户的操作习惯模型,对本次反馈评价信息的置信度进行评估,基于所述算法模型的所有反馈评价信息及其置信度评估结果,对所述算法模型进行优化。
进一步地,对该次模型反馈评价信息的置信度进行评估后,还进行二次评估:在反馈评价信息的调查问卷中设定多个锚定指标,对于待评价的某次反馈信息,根据用户针对所述多个锚定指标的反馈情况,判断本次反馈信息是否可靠,若不可靠,则置信度低。
以上一个或多个技术方案存在以下有益效果:
(1)本发明提出了一种电力人工智能模型优化推荐方法,解决了现有推荐方法并不适用于电力人工智能模型系统中算法模型推荐的问题,根据算法模型库中的各个算法模型标签及其权重,得到特征向量矩阵,进而计算与关键词特征向量之间的相似度,对算法模型库中的算法模型进行排序,提高了为不同业务的电力用户群体推荐算法模型的准确性,实现了不同业务的电力用户需求。
(2)本发明提出了一种电力人工智能模型线上调用方法,基于压缩加密技术进行数据安全防护,用户每次登录时构建包含设定信息的临时秘钥;基于临时秘钥对用户数据及所需模型进行压缩加密,解决了模型调用过程中用户数据和模型数据容易泄露的问题,保证了每次登录都有唯一的密钥,实现了一次一密,保证了算法模型的调用安全;基于临时密钥对客户端的模型下载请求,以及服务器返回的压缩后的模型进行加密,使得仅该用户在该客户端,并且须在指定时间内才能够使用目标模型,保证了服务器上模型的安全。
(3)本发明提出了一种电力人工智能模型的差异化计费和阶梯式费用结算方法,结合不同用户的具体使用情况,同时考虑任务异常和折扣比例,对算法模型的使用费用进行差异化计算,同时基于使用频率计算每一次使用模块化算法服务的折扣比率,实现了折扣比率的自动计算,保证费用折扣是依赖使用频次而趋于稳定的递降值;在进行费用结算时,本发明综合考虑了模型的使用效果和用户的评分结果,确定费用结算的比例,实现面对不同用户和不同模型的阶梯式费用结算,提高了费用结算的准确性和合理性。
(4)本发明创造性的提出了一种用户反馈评价信息的双重可信度评估方法,基于用户反馈评价时的操作行为数据,利用用户的操作习惯模型,对反馈评价信息进行一次评估;然后通过设定的锚定指标对反馈评价信息进行二次评估;解决了单次评估结果可能存在不准确的问题;利用双重评估结果进行交叉验证,提高了对用户反馈评价信息的评估准确性。
(5)本发明还构建了算法模型的计费预测模型,基于算法模型的历史使用痕迹信息进行模型使用费用预估,能够更加准确的预估模型的具体使用费用,为用户选择模型提供了准确的数据支撑。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明一个或多个实施例中的电力人工智能模型系统结构示意图;
图2为本发明一个或多个实施例中的计费方法示意图;
图3为本发明一个或多个实施例中的电力人工智能模型系统工作过程示意图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
根据图1,本实施例提供了一种电力人工智能模型系统,整个系统分为应用层、平台层、网络层和资源层;其中,应用层包括人工智能运营系统的门户,后台管理和服务监测等功能单元;其中,门户单元包括基础管理、在线体验、模型征集、样本服务、需求征集、算法模型商城以及开发者社区等等,后台管理包括文章管理、需求管理和模型管理等,服务监测包括运营服务监测、模型/样本服务监测和服务资源性能监测等。
平台层是整个人工智能运营系统的服务中心,主要包括:算法模型数据库、用户数据管理模块、智能推荐模块、智能交易模块、反馈优化模块、安全防护模块和样本数据库。
网络层主要用于实现数据和指令的交互,包括电力光缆和专用网络等。
资源层主要包括算例资源、样本资源和模型资源等。
本实施例的平台层的各部分组成具体如下:
(1)算法模型数据库,被配置为用于存储人工智能算法模型;
本实施例中,人工智能算法模型为电力系统(输电、配电或变电)领域常用的算法模型,比如:用于进行图像识别(人脸识别、仪表读数识别)的模型,用于进行线路或设备故障识别的模型,用于进行文本识别的模型等等。
(2)用户数据管理模块,被配置为用于获取用户基本信息、用户对算法模型的历史使用痕迹信息和操作习惯信息,并存储至用户数据库;
本实施例中,用户基本信息包括用户的基本信息,用户的类型是企业还是个人等;用户对算法模型的历史使用痕迹信息包括用户历史使用的算法模型,使用每一个算法模型时的操作记录、购买记录和使用或试用记录等;用户的操作习惯信息包括用户使用模型时的鼠标、键盘点击频次,对算法模型的操作过程等等。
本实施例中,可以对用户进行分群,根据用户画像以及自定义筛选条件来创建用户群,根据用户信息来确定其所属用户群。用户分群允许用户对大数量的用户数据进行划分,以得到一个更加精确、灵活、轻便的用户群,从而进行更加精细化的运营工作,比如算法模型的智能推荐。
用户分群会根据维护的用户画像进行筛选,主要包括用户基本信息、用户统计信息、规则信息等。基本信息就是用户的原生信息,包括性别、年龄等,是用户在进入系统是自己填入的基本信息;统计信息是对用户的行为进行分析得到的,例如最近购买的时间、最近访问的时间等;规则信息是根据业务定义的规则,从而以此来判断用户是否满足规则。例如最近 30 天购买次数大于 3 次的用户将其定义为高频用户。
(3)智能推荐模块,被配置为基于用户需求信息从算法模型数据库中自动匹配出推荐的算法模型列表,同时自动预估每一个推荐的算法模型的使用费用。
本实施例中,获取用户的需求信息(比如需要哪一类的算法模型、模型的精度要求等),通过分词技术和语义分析,提取关键词,并进行量化,形成关键词特征向量;
根据算法模型数据库中各个算法模型的标签及标签所占权重,构建每一个算法模型的特征向量;
对关键词特征向量与每一个算法模型的特征向量,计算相似度;相似度的计算方法采用现有技术即可实现。
基于相似度对匹配算法模型进行排序,选取相似度最高的设定数量的算法模型,得到推荐的算法模型列表。比如,对相似度达到0.5-1的算法模型进行排序,最高者在前。
本实施例中,基于算法模型列表,对列表中的每一个模型预估使用费用; 具体地,算法模型的使用费用包括:固定费用模式下的使用费用和单次计费模式下的单次使用费用。其中,每一个推荐模型的单次使用费用结合历史使用痕迹信息自动预估得到;具体过程为:
收集与指定模型服务相关的数据,包括使用记录、资源使用情况、时间周期、申请资源额度等信息,对收集到的数据进行清洗和处理,包括去除异常值、填充缺失值等操作,确保数据的准确性和完整性。如若某特征值缺失则进行默认值赋值以进行下一步流程;
从清洗后的数据中获取请求数量、数据处理量、模型调用时间和资源使用时间数据,作为历史特征数据,这些数据可以让预测模型更精准;
基于回归模型,使用PolynomialFeatures方法对历史特征数据进行多元化处理;利用处理后的历史特征数据对多项式回归模型进行训练,使用一部分历史特征数据进行预测模型评估,比较预测结果与实际费用的差异,若差异显著再调整参数或算法可以进行模型调优,最终得到该类算法模型的计费预测模型;获取与推荐模型属于同一类的计费预测模型,基于该类推荐模型的历史使用数据,预测得到该推荐模型的单次使用费用。
本实施例的费用预估考虑到了模型的具体使用情况,能够根据每一类模型的使用特点预估得到更加准确的使用费用。
本实施例的智能推荐模块为用户匹配了推荐模型的列表,同时给出了每一个推荐模型的识别效果和预估费用,其中,每一个模型的基本信息中会自带识别效果;使得用户在选择模型时能够更加直观的了解到多方面的综合信息,有利于选择到更加适合自己的模型,减少了模型选择的时间。
(4)智能交易模块,被配置为基于用户选择的算法模型,根据用户的具体使用情况进行自动计费,结合对算法模型识别效果和用户反馈的评分结果,确定最终的结算费用,自动生成交易订单。
本实施例中,对用户选择的模型自动生成交易订单,因为算法模型的使用费用包括:固定费用模式下的使用费用和单次计费模式下的单次使用费用,所以如果用户选择了固定费用模式,则费用是固定的,按照预设的固定费用进行费用结算;如果用户选择了单次计费模式,则根据用户具体使用模型时的数据,实时计算单次使用费用,结合图2,具体过程如下:
(4-1)基于预置的成本数据及属性数据,计算初始成本费用;
本实施例中,厂商接入算法模块时需要根据系统预定义人工成本、周期成本或材料成本等数据,在模块化算法服务接入初始,针对模块化算法服务预置各个属性值包括所需资源、依赖服务等;上述参数设置完成后,便可以接入平台;
根据预先设置的数据进行初始成本费用的计算,具体计算公式如下:
初始成本费用值=man_v*m+time_v*t+GPU个数*g+men大小*m2+消息队列固定费用;
其中,man_v、time_v分别为维护该模块化算法服务的人工成本和周期成本;
m表示人工成本初始折扣系数(如无折扣为1), t表示周期成本初始折扣系数(如无折扣为1), g表示使用GPU的单位定价(如1个GPU使用定价为20), m2表示使用内存的单位定价(如1G使用定价为5), men大小表示服务最少需要的内存大小,固定费用是平台参数的配置,根据市场调研定期维护新值。
(4-2)获取用户类型及使用频率信息,确定该用户使用算法模型时的折扣比例;
本实施例中,将用户使用模块化算法服务的记录存储至NOSQL,以便进行离线任务分析,分析的主要目的是得出用户是个人用户还是公司用户(因个人用户一般为非商业用途,会通过在人工配置权重中对非公司用户进行粒度较小的折扣配置)、使用频率、申请的GPU资源、CPU资源和内存资源、每次服务的使用时长等维度信息,基于此对用户进行该维度上的标签定义。
根据历史数据信息,通过统计任务计算用户在平台的使用痕迹进行使用频率输出,基于使用频率数据确定费用的折扣比率,具体计算方法为:
;
其中,;
Sum(n) = F(1)+...+F(n);
上述公式中,n表示模块化算法服务的使用频率,F(n)用来计算每一次使用模块化算法服务的迭代值,Sum(n)表示每一次使用的迭代值的合计。
上述公式中,n表示服务的使用频次,F(n)用来计算每一次使用服务的迭代值,之后F(n)作为计算折扣的入参,Sum(n)表示每一次使用的迭代值的合计主要也是用于计算折扣的入参,这样保证了折扣是依赖使用频次而趋于稳定的一个递降值。
(4-3)获取用户本次使用算法模型时的GPU资源使用时间、CPU资源使用时间、存储资源使用时间和出现任务异常的时间,计算得到使用费用;
本实施例中,将用户操作信息如启动服务、暂停服务、停止服务等分发至实时流计算平台,结合当前资源使用信息实时计算费用信息推送给用户,具体来说是从用户申请资源后启动服务开始按照每秒钟GPU使用价格(平台预定义)和内存使用价格(平台预定义)以及CPU使用价格(平台预定义)乘以使用时间,得到实时费用。
若中间产生任务异常则可以对费用进行使用时间进行等比例(如出现异常将实时费用自动下调至0.1)调控再计算价格进而得到最终费用信息。
因异常影响了用户服务体验,同时虽然产生异常但依旧占用了资源,故需要从费用中减去这部分按照预置比例计算的费用。该部分费用的计算方式为:异常时间*比例*固定费用;
其中,异常时间是指从算法服务启用后若产生异常的时间到手动结束服务调用或服务回复的这一段时间数值;该处比例是系统预设值如异常时间0至10分钟为0.1,10分钟至20分钟为0.15等等,或者为固定费用,如按每分钟收费,费用为每分钟0.5元。
(4-4)基于初始成本费用、使用费用和折扣比例,计算得到本次使用算法模型的最终费用。
最终费用信息=(基础费用+GPU单位时间费用*时间+CPU单位时间费用*时间+存储大小*每一个存储单位(按M统计)消耗费用-异常时间*比例*固定费用)*人工配置权重*折扣比率。
其中,折扣比率是根据折扣计算公式所得,人工配置权重是依据服务提供商对算法服务的促销策略定制的比例权重值或者面向不同类型用户制定的比例权重,譬如为了推广特定的算法模型可将此值配置的较小这样降低费用值。GPU单位时间费用、CPU单位时间费用和存储单位费用均是预先设置好的,这些基础计量费用是根据运营调研和服务在测试环境运行单位时间的消耗得到后在录入算法模型时配置的必选属性。
将最终费用进行折扣计算后生成最终计算价格,得到本次使用算法模型的最终费用。
(4-5)进行费用结算时,获取用户对算法模型调用过程的评分结果,以及算法模型的识别效果;对两种结果进行归一化后,加权求和,得到最终的成效值;基于最终成效值与设定目标值的关系确定费用结算的比例;基于计费得到的最终费用和费用结算的比例,进行最终的费用结算。
具体地,用户使用完模型后,会填写反馈评价信息,反馈评价信息包括了评分部分和评价部分,评分部分主要是对模型使用情况进行打分,比如,对模型使用情况的总和评分;评价部分主要是一些非打分选项,比如:针对某个模型对于某个图像的识别结果,需要用户反馈识别是否正确。
本步骤仅获取评分部分反馈结果;考虑到用户反馈具有一定的主观性,因此模型效果所占的权重大于用户反馈的评分结果所占的权重,比如:模型效果所占的权重为80%,用户反馈的评分结果所占的权重为20%。
另外,为了防止用户恶意低评价,针对模型会实时统计用户评价均值,若当前用户评分与均值相比偏离较大,则动态增加模型效果的权重,减少用户反馈的评分结果所占的权重,保证最终成效值的准确性;当然,具体的增加和减少策略,本领域技术人员可以根据实际情况自行设定。
将计算得到的最终成效值与设定的成效目标值(通常为1)进行对比,根据最终成效值占成效目标值的百分比,阶梯性的确定结算比例;
本实施例中,按照最终成效值与设定目标值越接近,费用结算的比例越高的原则,预先确定不同的最终成效值与费用结算比例的对应关系;基于得到的最终成效值,结合所述对应关系,得到费用结算的比例。
比如:若最终成效达到目标值(固定为1)的50%及以下,则结算金额为计费金额的60%;若最终成效达到目标值的50%-60%,则结算金额为计费金额的65%;若最终成效达到目标值的60%-70%,则结算金额为计费金额的70%;若最终成效达到目标值的70%-80%,则结算金额为计费金额的75%;若最终成效达到目标值的80%-85%,则结算金额为计费金额的80%;若最终成效达到目标值的85%-90%,则结算金额为计费金额的85%;若最终成效达到目标值的90%-95%,则结算金额为计费金额的90%。上述仅为示例,具体规则本领域技术人员可以根据实际情况自行设定。
模型识别效果是随着模型升级逐渐提高的,因此,模型识别效果越好,对应的结算费用也就越高。
本实施例阶梯式的费用结算方式,充分考虑了不同模型的识别效果(识别精度)不同,不同用户对模型使用后的满意程度不同等因素,使得费用结算更加合理,提高了用户体验度。
(5)反馈优化模块,被配置为接收用户对所述算法模型的反馈评价信息,基于用户本次反馈评价时的操作行为数据,利用用户的操作习惯模型,对本次反馈评价信息的置信度进行评估,基于算法模型的所有反馈评价信息及其置信度评估结果,对算法模型进行优化。
本实施例中,在交易完成后,接收用户对该模型的反馈评价信息,此处反馈评价信息包括了评分部分和评价部分所有的评价信息,基于用户本次反馈评价时的操作行为数据,利用用户的操作习惯模型,对该次模型反馈评价信息的置信度进行评估,基于评估结果对算法模型进行优化。
具体地,反馈评价信息通过调查问卷形式收集,调查问卷中包括多个评价指标,每个评价指标对应一个问题。用户本次反馈评价时的操作行为数据为用户登陆系统后的所有行为数据,包括:
对键盘和鼠标的操作行为数据,比如:鼠标的单、双击频率,拖拽次数及距离,键盘的按键频率和敲击频率等等。
对所调用的算法模型的操作行为数据,比如:如页面停留时长,根据页面文本量的阅读速度,翻页习惯、界面设置等等。
本实施例中,用户的操作习惯模型包括用户的多种操作行为,以及用户针对每一种操作行为的量化值;其中,通过教程引导用户进行使用模型和操作模型的行为操作,建立操作习惯;用户针对每一种操作行为的量化值根据用户经过教程引导后的历史操作行为确定。例如,多种操作行为包括鼠标单击频率、键盘按键频率、翻页速度等,具体根据用户的历史操作行为而定,优选针对该用户的典型操作行为。
可通过对用户进行使用培训,在教程引导阶段令其多次认真使用系统,建立该用户初步的操作习惯。在初步操作习惯建立后,分析其每次操作的细节,用户经过长期使用可以得到该用户的操作习惯模型。
通常而言,认真使用模型的用户与试用、浏览等非正式使用的用户相比,在鼠标移动速率、移动距离、点击频率、页面停留、页面切换等诸多方面都会有较大差异,而前者给出的反馈评价较后者更为可信。就同一个用户而言,若同一人使用该系统,会登录自己的账号,那么账户uid、对应的操作习惯、界面设置等应当都是一一对应的,如果其中有一项或多项不对应则认为是有问题,可能存在他人登陆使用的情形,也可能因为向他人展示或浏览等使用场景导致没有认真操作和反馈。当一名用户单次操作时展露的行为习惯与其一贯表现不符时,则认为其此次操作给出的反馈置信度较低。
基于以上原理,本实施例基于用户本次反馈评价时的操作行为数据,利用用户的操作习惯模型,对该次模型反馈评价信息的置信度进行评估的具体过程如下:
(5-1)选择用户的鼠标点击频率、拖拽次数及拖拽距离,键盘的按键频率,以及页面停留时长作为评价指标,并为每种操作行为分配权重;
(5-2)将本次反馈评价时的操作行为数据,与操作习惯模型中对应的操作行为量化值进行相似度计算;对所有操作行为数据的相似度计算进行加权平均,得到本次反馈信息的置信度。
作为进一步的方案,本实施例还针对用户每次的反馈信息进行二次评估:通过在成效反馈调查问卷中设定多个锚定指标,对于待评价的某次反馈信息,根据用户针对所述多个锚定指标的反馈情况,判断本次反馈信息是否可靠,若不可靠,则置信度低。
多个锚定指标可以是答案明确且显而易见的指标、问题和选项均相同但表述不同的多个指标或者问题相同但选项顺序不同的多个指标等等,在此不做限定。对于答案明确且显而易见的指标,如果用户选择的答案不正确则认为本次反馈信息置信度较低,对于后两种锚定指标,若选择的答案前后矛盾则本次反馈信息置信度较低。
二次评估的结果作为一种验证方式,两者交叉验证,若前后两次的评估结果不一致,则以二次评估的结果为准。
基于算法模型的所有反馈评价信息及其置信度评估结果,对算法模型进行优化;比如:如果置信度较高的评价信息中,正面的评价信息较多,则说明模型的精度或使用效果是可以的;如果置信度较高的评价信息中,负面的评价信息较多,则说明模型的精度或使用效果不能够达到用户的需求,需要对算法模型进行优化。通过此过程可以及时的发现不满足用户需求的算法模型并及时对模型进行优化。
(6)模型调用模块,被配置为用于响应于用户端的模型调用请求,基于用户端发送的临时密钥解密得到客户端标识信息和用户端想要调用的目标模型;获取所述目标模型的密钥并进行解密,将解密后的所述目标模型进行模型压缩,再基于所述临时密钥进行加密后传输至用户端;其中,用户端根据客户登录信息、当前系统时间和客户端标识信息生成本次登陆系统期间的临时密钥。
服务器解析获取临时密钥后,还可以将临时密钥中的时间修改为目标模型可供使用的时间段,然后更新临时密钥;将压缩后的目标模型采用新的临时密钥进行加密,然后传输至用户端;这样用户可以仅在设定的时间段内使用模型。
本实施例中,用户端调用模型时,会上传一些输入数据,为了保证这些数据的安全,可以适用临时秘钥对这些输入数据进行加密;具体地,输入数据往往是图像数据,采用临时秘钥对图像数据进行加密的过程具体如下:
①将图像数据转换RGB颜色模式,获取l*h*3的图像矩阵,其中,l为图像的行数,h为图像的列数,3对应R、G、B三个通道;将临时密钥转换为密钥矩阵,密钥矩阵大小为h*l。
②随机生成掩码行向量,掩码行向量为随机排列的l*h*3个整数,数值范围从1至l*h*3,将图像矩阵中的元素按照掩码行向量进行掩码处理,得到掩码图像。具体地,将图像矩阵的每一行串联起来,得到一个长度为l*h*3的图像行向量,同时创建新的图像行向量;逐个按顺序将掩码行向量中的每个元素值作为序号,查找图像行向量中对应该序号的像素值;从第一个元素开始,依次写入新的图像行向量;将新的图像行向量转换为l*h*3的矩阵,得到掩码图像。例如,掩码行向量中第3个元素值为30,意味着将图像行向量中的第30个元素值作为新的图像行向量的第3个元素值。
③将掩码行向量转换为l*h*3的矩阵,得到掩码矩阵;
④将掩码矩阵和掩码图像每一层分别与密钥矩阵进行乘运算,得到加密的图像数据。
通过临时密钥对输入图像数据进行加密处理,可以充分保证用户使用模型过程中的用户数据安全。
(7)样本数据库,被配置为用于存储不同场景下的算法模型应用实例数据,包括:应用场景、算法模型、模型应用效果、使用费用及模型优化数据。
本实施例的智能运营系统能够基于用户需求提供更加准确全面的智能化模型推荐,每一个算法模型的计费方式考虑到用户具体使用情况的差异性,使得计费方式更加准确合理;基于用户操作习惯数据对用户反馈的评价信息进行置信度评估,实现了用户反馈信息的可信度评价。基于用户对锚定指标的反馈内容是否正确或是否前后矛盾,能够对用户本次的反馈信息给出整体评价,通过两个层面的信息交叉认证实现了用户反馈信息的二次评估,提高了用户反馈信息评价的准确性。
实施例二
在一个或多个实施方式中,公开了一种实施例一中的人工智能运营系统的工作方法,结合图3,具体包括如下过程:
响应于用户的算法模型调用请求,从用户数据库获取用户基本信息、用户对算法模型的历史使用痕迹信息和操作习惯信息;
基于用户输入的需求信息构建关键词特征向量,对关键词特征向量与算法模型数据库中各个算法模型的特征向量矩阵计算相似度,得到推荐的算法模型列表,同时自动预估每一个推荐的算法模型的使用费用;其中,各个算法模型的特征向量中的元素为模型标签及标签权重的乘积;
基于用户选择的算法模型,根据用户的具体使用情况进行自动计费,结合算法模型识别效果和用户反馈的评分结果,确定最终的结算费用,自动生成交易订单;
接收用户对所述算法模型的反馈评价信息,基于用户本次反馈评价时的操作行为数据,利用用户的操作习惯模型,对本次反馈评价信息的置信度进行评估,基于所述算法模型的所有反馈评价信息及其置信度评估结果,对所述算法模型进行优化。
其中,对该次模型反馈评价信息的置信度进行评估后,还进行二次评估:在反馈评价信息的调查问卷中设定多个锚定指标,对于待评价的某次反馈信息,根据用户针对所述多个锚定指标的反馈情况,判断本次反馈信息是否可靠,若不可靠,则置信度低。
另外,用户进行模型调用时,采用压缩加密的方式,保证用户和模型数据的安全;具体过程为:响应于用户的模型调用请求,基于用户发送的临时密钥解密得到用户标识信息和用户想要调用的目标模型;基于用户标识信息进行用户身份验证,验证通过后,获取目标模型的密钥并进行解密,将解密后的所述目标模型进行模型压缩,再基于所述临时密钥进行加密后传输至用户;其中,用户根据登录信息、当前系统时间和用户标识信息生成本次登陆系统期间的临时密钥。
上述方法的具体实现过程已经在实施例一中进行了详细的说明,此处不再详述。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (20)
1.一种电力人工智能模型系统,其特征在于,包括:
算法模型数据库,被配置为用于存储电力人工智能算法模型;
用户数据管理模块,被配置为用于获取用户基本信息、用户对算法模型的历史使用痕迹信息和操作习惯信息,并存储至用户数据库;
智能推荐模块,被配置为基于用户输入的需求信息构建关键词特征向量,对关键词特征向量与算法模型数据库中各个算法模型的特征向量矩阵计算相似度,得到推荐的算法模型列表,同时自动预估每一个推荐的算法模型的使用费用; 其中,各个算法模型的特征向量中的元素为模型标签及标签权重的乘积;
智能交易模块,被配置为基于用户选择的算法模型,根据用户的具体使用情况进行自动计费,结合算法模型的识别效果和用户反馈的评分结果,确定最终的结算费用,自动生成交易订单;
反馈优化模块,被配置为接收用户对所述算法模型的反馈评价信息,基于用户本次反馈评价时的操作行为数据,利用用户的操作习惯模型,对本次反馈评价信息的置信度进行评估,基于所述算法模型的所有反馈评价信息及其置信度评估结果,对所述算法模型进行优化。
2.如权利要求1所述的一种电力人工智能模型系统,其特征在于,还包括:
模型调用模块,用于响应于用户的模型调用请求,对目标算法模型进行压缩,然后通过临时秘钥对目标算法模型进行加密后,将加密后的算法模型传输至用户。
3.如权利要求2所述的一种电力人工智能模型系统,其特征在于,模型调用的具体程如下:
基于用户发送的临时密钥解密得到用户标识信息和用户想要调用的目标模型;基于用户标识信息进行用户身份验证,验证通过后,获取目标模型的密钥并进行解密,将解密后的所述目标模型进行模型压缩,再基于所述临时密钥进行加密后传输至用户;其中,用户根据登录信息、当前系统时间和用户标识信息生成本次登陆系统期间的临时密钥。
4.如权利要求2所述的一种电力人工智能模型系统,其特征在于,将当前系统时间更换为用户使用模型的时间段,对临时秘钥进行更新;使用更新后的秘钥对压缩后的目标模型进行加密。
5.如权利要求1所述的一种电力人工智能模型系统,其特征在于,得到推荐的算法模型列表的具体过程如下:
从用户的业务需求信息中提取关键词,并进行量化,形成关键词特征向量;
根据算法模型数据库中各个算法模型的标签及标签所占权重,构建每一个算法模型的特征向量;
对关键词特征向量与每一个算法模型的特征向量,计算相似度;
基于相似度对匹配算法模型进行排序,选取相似度最高的设定数量的算法模型,得到推荐的算法模型列表。
6.如权利要求5所述的一种电力人工智能模型系统,其特征在于,各个算法模型标签的权重确定过程为:
获取历史浏览记录、搜索记录或需求记录中与算法模型标签相关的关键词,形成关键词库;
采用词频-逆文档频率方法,计算算法模型标签在关键词库中的词频和逆文档频率,进而得到对应权重值。
7.如权利要求5所述的一种电力人工智能模型系统,其特征在于,所述相似度根据两个向量之间的夹角余弦值来表征。
8.如权利要求1所述的一种电力人工智能模型系统,其特征在于,自动预估每一个推荐的算法模型的使用费用,具体过程为:
获取某一类算法模型历史设定时间段内的请求数量、数据处理量、模型调用时间和资源使用时间数据,并进行预处理,作为历史特征数据;
基于回归模型,使用PolynomialFeatures方法对历史特征数据进行多元化处理;
利用处理后的历史特征数据对多项式回归模型进行训练,得到该类算法模型的计费预测模型;
获取与推荐的算法模型属于同一类的计费预测模型,基于所述推荐的算法模型的历史使用数据,预测得到该模型的使用费用。
9.如权利要求1所述的一种电力人工智能模型系统,其特征在于,智能交易模块根据用户的具体使用情况进行自动计费,具体过程为:
基于预置的成本数据及属性数据,计算初始成本费用;
获取用户类型及使用频率信息,确定该用户使用算法模型时的折扣比例;
获取用户本次使用算法模型时的GPU资源使用时间、CPU资源使用时间、存储资源使用时间和出现任务异常的时间,计算得到使用费用;
基于初始成本费用、使用费用和折扣比例,计算得到本次使用算法模型的最终费用。
10.如权利要求9所述的一种电力人工智能模型系统,其特征在于,还包括:
进行费用结算时,获取用户对算法模型调用过程的评分结果,以及所述算法模型的识别效果;对两种结果进行归一化后,加权求和,得到最终的成效值;基于最终成效值与设定目标值的关系确定费用结算的比例;基于计费得到的最终费用和费用结算的比例,进行最终的费用结算。
11.如权利要求10所述的一种电力人工智能模型系统,其特征在于,若用户反馈的评分结果与模型评分均值之间的差距大于设定阈值,则按照预定的规则下调用户评分结果在计算最终成效值时的权重。
12.如权利要求10所述的一种电力人工智能模型系统,其特征在于,本次使用算法模型的最终费用具体为:
最终费用信息=(基础费用+GPU单位时间费用*时间+CPU单位时间费用*时间+存储大小*每一个存储单位消耗费用-异常时间*比例*固定费用)*人工配置权重*折扣比例;
其中,人工配置权重为设定值。
13.如权利要求1所述的一种电力人工智能模型系统,其特征在于,所述用户本次反馈评价时的操作行为数据为用户登陆系统后的所有行为数据,包括对键盘和鼠标的操作行为数据,以及对所调用的算法模型的操作行为数据。
14.如权利要求1所述的一种电力人工智能模型系统,其特征在于,所述用户的操作习惯模型包括用户的多种操作行为,以及用户针对每一种操作行为的量化值,其中,通过教程引导用户进行使用模型和操作模型的行为操作,建立操作习惯;用户针对每一种操作行为的量化值根据用户经过教程引导后的历史操作行为确定。
15.如权利要求1或14所述的一种电力人工智能模型系统,其特征在于,对本次反馈评价信息的置信度进行评估,具体过程为:
选择用户的鼠标点击频率、拖拽次数及拖拽距离,键盘的按键频率,以及页面停留时长作为评价指标,并为每种操作行为分配权重;
将本次反馈评价时的操作行为数据,与操作习惯模型中对应的操作行为量化值进行相似度计算;对所有操作行为数据的相似度计算进行加权平均,得到本次反馈信息的置信度。
16.如权利要求1所述的一种电力人工智能模型系统,其特征在于,对本次模型反馈评价信息的置信度进行评估后,还进行二次评估:在反馈评价信息的调查问卷中设定多个锚定指标,对于待评价的某次反馈信息,根据用户针对所述多个锚定指标的反馈情况,判断本次反馈信息是否可靠,若不可靠,则置信度低。
17.如权利要求1所述的一种电力人工智能模型系统,其特征在于,还包括:样本数据库,用于存储不同场景下的算法模型应用实例数据,包括:应用场景、算法模型、模型应用效果、使用费用及模型优化数据。
18.一种如权利要求1-17任一项所述的电力人工智能模型系统的工作方法,其特征在于,包括:
响应于用户的算法模型调用请求,从用户数据库获取用户基本信息、用户对算法模型的历史使用痕迹信息和操作习惯信息;
基于用户输入的需求信息构建关键词特征向量,对关键词特征向量与算法模型数据库中各个算法模型的特征向量矩阵计算相似度,得到推荐的算法模型列表,同时自动预估每一个推荐的算法模型的使用费用;其中,各个算法模型的特征向量中的元素为模型标签及标签权重的乘积;
基于用户选择的算法模型,根据用户的具体使用情况进行自动计费,结合算法模型识别效果和用户反馈的评分结果,确定最终的结算费用,自动生成交易订单;
接收用户对所述算法模型的反馈评价信息,基于用户本次反馈评价时的操作行为数据,利用用户的操作习惯模型,对本次反馈评价信息的置信度进行评估,基于所述算法模型的所有反馈评价信息及其置信度评估结果,对所述算法模型进行优化。
19.如权利要求18所述的电力人工智能模型系统的工作方法,其特征在于,其特征在于,对该次模型反馈评价信息的置信度进行评估后,还进行二次评估:在反馈评价信息的调查问卷中设定多个锚定指标,对于待评价的某次反馈信息,根据用户针对所述多个锚定指标的反馈情况,判断本次反馈信息是否可靠,若不可靠,则置信度低。
20.如权利要求18所述的电力人工智能模型系统的工作方法,其特征在于,其特征在于,还包括:响应于用户的模型调用请求,基于用户发送的临时密钥解密得到用户标识信息和用户想要调用的目标模型;基于用户标识信息进行用户身份验证,验证通过后,获取目标模型的密钥并进行解密,将解密后的所述目标模型进行模型压缩,再基于所述临时密钥进行加密后传输至用户;其中,用户根据登录信息、当前系统时间和用户标识信息生成本次登陆系统期间的临时密钥。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363718.2A CN117093782B (zh) | 2023-10-20 | 2023-10-20 | 一种电力人工智能模型系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363718.2A CN117093782B (zh) | 2023-10-20 | 2023-10-20 | 一种电力人工智能模型系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117093782A true CN117093782A (zh) | 2023-11-21 |
CN117093782B CN117093782B (zh) | 2024-03-12 |
Family
ID=88777420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311363718.2A Active CN117093782B (zh) | 2023-10-20 | 2023-10-20 | 一种电力人工智能模型系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117093782B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118069816A (zh) * | 2024-04-17 | 2024-05-24 | 深圳市前海数据服务有限公司 | 一种基于nlp技术的智能数据服务机器人系统 |
CN118113685A (zh) * | 2024-04-22 | 2024-05-31 | 长春设备工艺研究所 | 一种基于大数据的模型数据库管理系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161393A1 (en) * | 2015-12-08 | 2017-06-08 | Samsung Electronics Co., Ltd. | Terminal, server and event suggesting methods thereof |
WO2020057022A1 (zh) * | 2018-09-18 | 2020-03-26 | 深圳壹账通智能科技有限公司 | 关联推荐方法、装置、计算机设备和存储介质 |
CN112989025A (zh) * | 2021-04-13 | 2021-06-18 | 山东科技大学 | 一种基于主题模型和用户行为数据的文本写作实时推荐方法 |
CN115049398A (zh) * | 2022-04-20 | 2022-09-13 | 上海交通大学宁波人工智能研究院 | 一种完备的数据资产可信管理和价值流转系统和方法 |
CN115719183A (zh) * | 2022-11-29 | 2023-02-28 | 国网湖北省电力有限公司营销服务中心(计量中心) | 基于权重动态分级的电力客户自反馈服务评价方法及系统 |
CN115905688A (zh) * | 2022-11-08 | 2023-04-04 | 南京鼎山信息科技有限公司 | 一种基于人工智能和智能家居的参考信息生成方法 |
CN116049543A (zh) * | 2022-12-23 | 2023-05-02 | 佰聆数据股份有限公司 | 综合能效服务业务混合推荐方法、系统及存储介质 |
WO2023108980A1 (zh) * | 2021-12-15 | 2023-06-22 | 平安科技(深圳)有限公司 | 基于文本对抗样例的信息推送方法及装置 |
-
2023
- 2023-10-20 CN CN202311363718.2A patent/CN117093782B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161393A1 (en) * | 2015-12-08 | 2017-06-08 | Samsung Electronics Co., Ltd. | Terminal, server and event suggesting methods thereof |
WO2020057022A1 (zh) * | 2018-09-18 | 2020-03-26 | 深圳壹账通智能科技有限公司 | 关联推荐方法、装置、计算机设备和存储介质 |
CN112989025A (zh) * | 2021-04-13 | 2021-06-18 | 山东科技大学 | 一种基于主题模型和用户行为数据的文本写作实时推荐方法 |
WO2023108980A1 (zh) * | 2021-12-15 | 2023-06-22 | 平安科技(深圳)有限公司 | 基于文本对抗样例的信息推送方法及装置 |
CN115049398A (zh) * | 2022-04-20 | 2022-09-13 | 上海交通大学宁波人工智能研究院 | 一种完备的数据资产可信管理和价值流转系统和方法 |
CN115905688A (zh) * | 2022-11-08 | 2023-04-04 | 南京鼎山信息科技有限公司 | 一种基于人工智能和智能家居的参考信息生成方法 |
CN115719183A (zh) * | 2022-11-29 | 2023-02-28 | 国网湖北省电力有限公司营销服务中心(计量中心) | 基于权重动态分级的电力客户自反馈服务评价方法及系统 |
CN116049543A (zh) * | 2022-12-23 | 2023-05-02 | 佰聆数据股份有限公司 | 综合能效服务业务混合推荐方法、系统及存储介质 |
Non-Patent Citations (2)
Title |
---|
吕学强;王腾;李雪伟;董志安;: "基于内容和兴趣漂移模型的电影推荐算法研究", 计算机应用研究, no. 03 * |
王传清;翁彦琴;袁国华;: "面向用户的科技期刊智能内容生产模型构建", 中国科技期刊研究, no. 05 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118069816A (zh) * | 2024-04-17 | 2024-05-24 | 深圳市前海数据服务有限公司 | 一种基于nlp技术的智能数据服务机器人系统 |
CN118113685A (zh) * | 2024-04-22 | 2024-05-31 | 长春设备工艺研究所 | 一种基于大数据的模型数据库管理系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117093782B (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117093782B (zh) | 一种电力人工智能模型系统及方法 | |
US10417650B1 (en) | Distributed and automated system for predicting customer lifetime value | |
Rosset et al. | Customer lifetime value modeling and its use for customer retention planning | |
CN112633962B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
CN110991875A (zh) | 一种平台用户质量评估系统 | |
CN115408586B (zh) | 一种智能渠道运营数据分析方法、系统、设备及存储介质 | |
US20200250623A1 (en) | Systems and techniques to quantify strength of a relationship with an enterprise | |
Chowdhury et al. | CEAM: the effectiveness of cyclic and ephemeral attention models of user behavior on social platforms | |
CN112116387A (zh) | 一种基于因果关系的信息预测方法 | |
CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
CN110796379B (zh) | 业务渠道的风险评估方法、装置、设备及存储介质 | |
CN112488865A (zh) | 基于金融时间节点的金融风险预测方法、装置和电子设备 | |
Yang et al. | Feature Missing-aware Routing-and-Fusion Network for Customer Lifetime Value Prediction in Advertising | |
Zhang et al. | Not too late to identify potential churners: early churn prediction in telecommunication industry | |
Droftina et al. | A diffusion model for churn prediction based on sociometric theory | |
WO2023205713A2 (en) | Systems and methods for improved user experience participant selection | |
CN116664306A (zh) | 风控规则的智能推荐方法、装置、电子设备及介质 | |
CN116228431A (zh) | 一种异常交易账户确定方法、装置及电子设备 | |
JP5172826B2 (ja) | 対象を定めた広告に適したリアルタイム視聴者推定およびコマーシャル選択を実施する方法および装置 | |
CN114925275A (zh) | 产品推荐方法、装置、计算机设备及存储介质 | |
Deligiannis et al. | Predictive personalization of conversational customer communications with data protection by design | |
CN115222177A (zh) | 业务数据处理方法、装置、计算机设备和存储介质 | |
Li et al. | Assessment of product resilience towards the changing customer requirements | |
CN111598390A (zh) | 服务器高可用性评估方法、装置、设备和可读存储介质 | |
CN117788188B (zh) | 基于云计算的自动化核算方法及系统 |
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 |