CN117114250A - 一种基于大模型的智能决策系统 - Google Patents
一种基于大模型的智能决策系统 Download PDFInfo
- Publication number
- CN117114250A CN117114250A CN202311376414.XA CN202311376414A CN117114250A CN 117114250 A CN117114250 A CN 117114250A CN 202311376414 A CN202311376414 A CN 202311376414A CN 117114250 A CN117114250 A CN 117114250A
- Authority
- CN
- China
- Prior art keywords
- decision
- result
- maker
- determining
- total
- 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 claims abstract description 23
- 230000000694 effects Effects 0.000 claims description 14
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 230000003068 static effect Effects 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供了一种基于大模型的智能决策系统,涉及智能决策领域,其系统包括:根据决策问题以及决策所需数据,构建决策路由器,并结合不同决策算法以及决策场景,设计智能决策框架;当接收到工作执行成功的消息后,将执行结果输入到智能决策框架中获取得到决策结果,根据期望形式,将决策结果进行转化并输出,可以在涉及多个工作中具有较高的准确性,且具有通用能力和实用性。
Description
技术领域
本发明涉及智能决策技术领域,特别涉及一种基于大模型的智能决策系统。
背景技术
决策系统在许多领域都有着广泛的应用。传统的辅助决策系统主要基于各模块分别计算、最终由专业人员汇总这些计算结果、分析这些结果后形成最佳决策,这种方式的辅助决策不仅效率低下,也可能因为人为的失误而产生错误决策。虽然改进后的决策系统可通过预定义的处理流程把计算模块按特定的需求进行编排,但始终不能满足更多复杂场景的需要,导致灵活性不足,且编排这些流程不仅耗时,且需要一定的专业能力。
基于人工智能技术的快速发展,尤其是大型语言模型LLMs的最新成果,使得构建灵活的、基于自然语言人机交互的、自动化的智能决策系统成为可能。基于大模型的智能决策系统在指挥与控制、金融、医疗等众多领域展现了巨大潜力。尽管最近的大型语言模型取得了巨大的成功,但在解决专业的、多样化的、涉及多模态的任务方面仍不完美。
因此,本发明提供了一种基于大模型的智能决策系统。
发明内容
本发明提供一种基于大模型的智能决策系统,用以通过决策问题和决策所需数据构建决策路由器,并结合决策算法和决策场景,构建智能决策框架,将执行结果输入智能决策框架获取决策结果,以期望形式输出,可以在涉及多个工作中具有较高的准确性,且具有通用能力和实用性。
本发明提供一种基于大模型的智能决策系统,包括:
决策框架构建模块:根据决策问题以及决策所需数据,构建决策路由器,并结合不同决策算法以及决策场景,设计智能决策框架;
决策输出模块:当接收到工作执行成功的消息后,将执行结果输入到智能决策框架中获取得到决策结果,根据期望形式,将决策结果进行转化并输出。
优选的,所述决策框架构建模块,包括:
决策问题溯源单元:溯源所有决策问题以及对应决策问题的决策场景;
决策器定义单元:对每个决策器进行数据结构定义:
DM:(N,C,R)
其中,DM为决策器信息结构,N为决策器名,C为决策器的类名,R为判断数据条件是否符合的规则定义;
关联结构确定单元:对每个决策器的决策特点和预定义问题进行关联,确定对应关联结构,构建预定义问题-决策器关联元数据集合;
最相似元素确定单元:基于决策问题与预定义问题-决策器关联元数据集合,确定决策问题的最近似元素;
PD = Sp (p | max(sim(Q, q), q = p:X, ∀p ϵ P))
其中,Sp 表示路由选择;sim是相似度比较函数,为正弦函数;PD为所选择的决策问题与对应决策器的关联信息;Q为当前决策问题的文本描述的代码;P为预定义的PD的集合;p是P中的元素;q为PD的X字段的代码;
筛选单元:基于决策所需数据和最近似元素对应的所有决策器的规则,对最近似元素对应的所有决策器进行筛选;
智能框架构建单元:基于筛选后的决策器对应的不同决策算法,制定基于交叉验证策略和单决策策略的动态方法,且结合基于决策场景和决策场景-决策器映射的静态方法,构建智能决策框架。
优选的,所述关联结构确定单元,包括:
关联结构确定块:根据每个决策器决策特点和预定义问题的文字描述,确定预定义问题的关联结构:
PD:(X,DM,L)
其中,PD为预定义问题与对应决策器的关联结构,X是预定义问题的文字描述,DM为决策器信息集合,L为对应决策器信息的优先级集合。
优选的,所述筛选单元,包括:
决策所需数据确定块:以执行结果保存于指定数据库中的中间数据作为决策所需数据;
决策器确定块:以最近似元素对应的每个决策器的规则,对所述决策所需数据进行判定,对判定成功的决策器进行保留。
优选的,所述决策输出模块,包括:
标签设置单元:当接收到执行成功的消息后,基于业务场景向每个执行结果设置分类标签;
第一决策单元:将所述执行结果输入智能决策框架,且根据每个执行结果的分类标签及基于业务分类-决策器映射的静态方法,选择每个执行结果的决策器进行第一决策;
第二决策单元:同时,基于决策路由器将每个执行结果路由到对应决策器进行第二决策,其中,当同个执行结果路由到多个决策器时,确定每个决策器的优先级,若所述决策器的优先级相差在三个级别以上,选择优先级最高的决策器进行运行,输出唯一决策结果;若所述决策器的优先级相差在三个级别之内,对所有符合条件的决策器进行并行运行,对所有决策结果进行交叉验证,将验证成功的决策结果进行输出;
第一决策总结果确定单元:对所有执行结果的第一决策结果基于决策顺序排序,确定第一决策总结果;
第二决策总结果确定单元:对所有执行结果的第二决策结果基于决策顺序排序,确定第二决策总结果;
第三决策总结果确定单元:对第一决策总结果和第二决策总结果进行比对,并基于决策分歧规则,确定第三决策总结果;
第三决策结果确定单元:根据同执行结果的第一决策结果和第二决策结果,并基于决策分歧规则,确定同执行结果的第三决策结果;
第四决策总结果确定单元:对所有执行结果的第三决策结果基于决策顺序排序,确定第四决策总结果;
最终决策结果确定单元:对第三决策总结果和第四决策总结果进行比对,并基于决策分歧规则,确定最终决策结果。
优选的,所述第三决策总结果确定单元,包括:
决策均值和决策分歧值确定块:确定基于第一决策总结果的第一决策均值以及第一决策分歧值,同时,确定基于第二决策总结果的第二决策均值以及第二决策分歧值;
第一表示确定块:提取第一决策总结果中参与决策的第一决策器的类型维度并进行维度转化,得到若干第一表示;
第二表示确定块:提取第二决策总结果中参与决策的第二决策器的类型维度并进行维度转化,得到若干第二表示;
维度范围确定块:将第一表示与第二表示进行正态分布,提取第一表示、第二表示分别满足正态分布的类型,并确定基于第一决策总结果的第一维度范围以及基于第二决策总结果的第二维度范围;
活动范围确定块:确定每个第一决策器的历史使用集,确定第一活动范围,同时,确定每个第二决策器的历史使用集,确定第二活动范围;
薄弱点确定块:基于第一维度范围、第一活动范围、第二维度范围以及第二活动范围,且结合第一决策均值、第一决策分歧值、第二决策均值以及第二决策分歧值,确定基于第一决策总结果基于第二决策总结果的第一薄弱点以及第二决策总结果基于第一决策总结果的第二薄弱点;
薄弱点剔除块:确定第一薄弱点与第二薄弱点中的无关点并剔除,进而得到第三决策总结果。
优选的,所述决策均值和决策分歧值确定块,包括:
;其中,/>表示基于决策总结果中第i1个决策器下的决策结果/>与对应决策器的标准决策结果的相似度函数;/>基于决策总结果中第i1个决策器下的最大相似值;/>表示基于决策总结果的决策器的总数;/>表示基于决策总结果中第i1个决策器的决策权重;表示基于决策总结果中第i1个决策器的分歧决策值;F1表示第一决策分歧值;D1表示对应决策均值;/>表示所有分歧决策值中的最大值。
优选的,所述决策输出模块,还包括:
期望形式确定单元:基于用户请求确定用户的使用场景,并基于使用场景确定用户所需的期望形式;
转换单元:根据响应输出器将最终决策结果转换为期望形式进行输出。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种基于大模型的智能决策系统的结构图;
图2为智能决策框架结构图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供一种基于大模型的智能决策系统,如图1所示,包括:
决策框架构建模块:根据决策问题以及决策所需数据,构建决策路由器,并结合不同决策算法以及决策场景,设计智能决策框架;
决策输出模块:当接收到工作执行成功的消息后,将执行结果输入到智能决策框架中获取得到决策结果,根据期望形式,将决策结果进行转化并输出。
该实施例中,决策问题是根据用户请求进行分析得到的,决策所需数据是由外部插件计算后存储于数据库中的中间数据,决策路由器是用来将不同执行结果路由到对应决策器的,决策算法是指马尔科夫算法,知识推理机等,决策场景是指对应决策问题的决策方向,比如,经济方向、设计方向等,智能决策框架如图2所示,通过注入不同算法实现的决策器达到可按不同决策场景决策的目的。
该实施例中,工作是指用户请求确定的执行工作,决策结果是将所有执行结果输入智能决策框架,以不同决策方法进行混合决策得到的,期望形式是根据不同使用场景将决策结果转化为应用期望的形式。
上述技术方案的有益效果是:通过决策问题和决策所需数据构建决策路由器,并结合决策算法和决策场景,构建智能决策框架,将执行结果输入智能决策框架获取决策结果,以期望形式输出,可以在涉及多个工作中具有较高的准确性,且具有通用能力和实用性。
本发明实施例提供一种基于大模型的智能决策系统,所述决策框架构建模块,包括:
决策问题溯源单元:溯源所有决策问题以及对应决策问题的决策场景;
决策器定义单元:对每个决策器进行数据结构定义:
DM:(N,C,R)
其中,DM为决策器信息结构,N为决策器名,C为决策器的类名,R为判断数据条件是否符合的规则定义;
关联结构确定单元:对每个决策器的决策特点和预定义问题进行关联,确定对应关联结构,构建预定义问题-决策器关联元数据集合;
最相似元素确定单元:基于决策问题与预定义问题-决策器关联元数据集合,确定决策问题的最近似元素;
PD = Sp (p | max(sim(Q, q), q = p:X, ∀p ϵ P))
其中,Sp 表示路由选择;sim是相似度比较函数,为正弦函数;PD为所选择的决策问题与对应决策器的关联信息;Q为当前决策问题的文本描述的代码;P为预定义的PD的集合;p是P中的元素;q为PD的X字段的代码;
筛选单元:基于决策所需数据和最近似元素对应的所有决策器的规则,对最近似元素对应的所有决策器进行筛选;
智能框架构建单元:基于筛选后的决策器对应的不同决策算法,制定基于交叉验证策略和单决策策略的动态方法,且结合基于决策场景和决策场景-决策器映射的静态方法,构建智能决策框架。
该实施例中,决策问题是历史决策问题。
该实施例中,决策特点是指决策器处理问题和数据的特点,比如知识推理机决策器适用于处理确定性且已构建知识图谱的问题,预定义问题是根据历史处理问题确定的,是提前确定好的,预定义问题-决策器关联元数据集合是每个预定义问题存在关联的决策器集合,一个问题可以对应多个决策器,且每个决策器标注优先级。
该实施例中,最相似元素是预定义问题-决策器关联元数据集合中与决策问题最近似的的预定义问题。
该实施例中,筛选是确定最近似元素对应的所有决策器的规则中与决策所需数据相一致的决策器。
该实施例中,交叉验证策略是指运行所有筛选后的决策器并验证决策结果,输出所有决策结果、交叉验证结果,且运行多决策器时采用并行计算以提高效率,单决策策略是指选择优先级最高的决策器并运行,输出唯一的决策结果,决策场景-决策器映射是提前设置好的不同决策场景对应不同决策器的映射。
上述技术方案的有益效果是:通过溯源所有决策问题以及对应决策问题的决策场景,每个决策器的决策特点和预定义问题进行关联,确定关联结构,构建预定义问题-决策器关联元数据集合,确定决策问题的最相似元素,基于决策所需数据对最相似元素的决策器进行筛选,基于筛选后的决策器对应的不同决策算法,制定动态方法,且结合基于决策场景和决策场景-决策器映射的静态方法,构建智能决策框架,采用混合决策的方法,可以满足大部分应用场景的需要,并根据不同场景选择最后的决策器,提高决策准确性。
本发明实施例提供一种基于大模型的智能决策系统,所述关联结构确定单元,包括:
关联结构确定块:根据每个决策器决策特点和预定义问题的文字描述,确定预定义问题的关联结构:
PD:(X,DM,L)
其中,PD为预定义问题与对应决策器的关联结构,X是预定义问题的文字描述,DM为决策器信息集合,L为对应决策器信息的优先级集合。
该实施例中,优先级集合中每个元素在1~9之间,数字越小优先级越高。
上述技术方案的有益效果是:通过每个决策器决策特点和预定义问题的文字描述,确定预定义问题的关联结构,为后续构建预定义问题-决策器关联元数据集合奠定了基础。
本发明实施例提供一种基于大模型的智能决策系统,所述筛选单元,包括:
决策所需数据确定块:以执行结果保存于指定数据库中的中间数据作为决策所需数据;
决策器确定块:以最近似元素对应的每个决策器的规则,对所述决策所需数据进行判定,对判定成功的决策器进行保留。
上述技术方案的有益效果是:通过最近似元素对应的每个决策器的规则,对决策所需数据进行判定,对判定成功的决策器进行保留,为后续构建智能决策框架奠定了基础。
本发明实施例提供一种基于大模型的智能决策系统,所述决策输出模块,包括:
标签设置单元:当接收到执行成功的消息后,基于业务场景向每个执行结果设置分类标签;
第一决策单元:将所述执行结果输入智能决策框架,且根据每个执行结果的分类标签及基于业务分类-决策器映射的静态方法,选择每个执行结果的决策器进行第一决策;
第二决策单元:同时,基于决策路由器将每个执行结果路由到对应决策器进行第二决策,其中,当同个执行结果路由到多个决策器时,确定每个决策器的优先级,若所述决策器的优先级相差在三个级别以上,选择优先级最高的决策器进行运行,输出唯一决策结果;若所述决策器的优先级相差在三个级别之内,对所有符合条件的决策器进行并行运行,对所有决策结果进行交叉验证,将验证成功的决策结果进行输出;
第一决策总结果确定单元:对所有执行结果的第一决策结果基于决策顺序排序,确定第一决策总结果;
第二决策总结果确定单元:对所有执行结果的第二决策结果基于决策顺序排序,确定第二决策总结果;
第三决策总结果确定单元:对第一决策总结果和第二决策总结果进行比对,并基于决策分歧规则,确定第三决策总结果;
第三决策结果确定单元:根据同执行结果的第一决策结果和第二决策结果,并基于决策分歧规则,确定同执行结果的第三决策结果;
第四决策总结果确定单元:对所有执行结果的第三决策结果基于决策顺序排序,确定第四决策总结果;
最终决策结果确定单元:对第三决策总结果和第四决策总结果进行比对,并基于决策分歧规则,确定最终决策结果。
该实施例中,业务场景是提前设置好的。
该实施例中,决策顺序是指执行结果对应工作的顺序,第一决策总结果是第一决策结果依据决策顺序进行决策叠加得到的,第二决策总结果、第四决策总结果与第一决策总结果确定方法类似。
该实施例中,决策分歧规则是指当同执行结果的决策结果出现分歧时,保留相同部分,对分歧部分进行权重分析,选择权重值较大的分歧部分进行保留,第三决策总结果是第一决策总结果和第二决策总结果保留相同部分,分歧部分进行权重分析,保留权重值较大的分歧部分得到的,权重分析是确定分歧部分占决策总结果的比重,最终决策结果与第一决策结果的确定方法类似。
上述技术方案的有益效果是:通过业务分类-决策器映射的静态方法对每个执行结果选择对应决策器进行第一决策,同时,将每个执行结果路由到对应决策器进行第二决策,基于第一决策结果和第二决策结果,分别确定第一决策总结果和第二决策总结果,并确定第三决策总结果,基于同执行结果的第一决策结果和第二决策结果,确定第三决策结果,并确定第四决策总结果,基于第三决策总结果和第四决策总结果,确定最终决策结果,使用混合决策的方法,提高了决策的准确性。
本发明实施例提供一种基于大模型的智能决策系统,所述第三决策总结果确定单元,包括:
决策均值和决策分歧值确定块:确定基于第一决策总结果的第一决策均值以及第一决策分歧值,同时,确定基于第二决策总结果的第二决策均值以及第二决策分歧值;
第一表示确定块:提取第一决策总结果中参与决策的第一决策器的类型维度并进行维度转化,得到若干第一表示;
第二表示确定块:提取第二决策总结果中参与决策的第二决策器的类型维度并进行维度转化,得到若干第二表示;
维度范围确定块:将第一表示与第二表示进行正态分布,提取第一表示、第二表示分别满足正态分布的类型,并确定基于第一决策总结果的第一维度范围以及基于第二决策总结果的第二维度范围;
活动范围确定块:确定每个第一决策器的历史使用集,确定第一活动范围,同时,确定每个第二决策器的历史使用集,确定第二活动范围;
薄弱点确定块:基于第一维度范围、第一活动范围、第二维度范围以及第二活动范围,且结合第一决策均值、第一决策分歧值、第二决策均值以及第二决策分歧值,确定基于第一决策总结果基于第二决策总结果的第一薄弱点以及第二决策总结果基于第一决策总结果的第二薄弱点;
薄弱点剔除块:确定第一薄弱点与第二薄弱点中的无关点并剔除,进而得到第三决策总结果。
该实施例中,类型维度指的是决策器的类型,每个决策器的类型都具有其的唯一表示,所以,进行维度转化也就是将对应存在的决策器类型进行符号表示,并将对应符号的转化值(数值)进行正态分布,来提取满足标准比如是80%,也就是在该范围内的个数,比如,第一表示有10个,第二表示有10个,且满足正态分布的第一决策器的个数为8个,且类型为5,此时对应的第一维度范围为[类型1 类型2 类型3 类型4 类型5],也就是该范围包含存在的决策器的5种类型,且第二维度范围与之类似。
该实施例中,历史使用集指的是第一决策器所对应的历史执行工作,且涉及到的执行工作的工作类型,所有工作类型的组合即为第一活动范围,且第二活动范围的原理类似,此处不再赘诉。
该实施例中,通过类型比较,来确定第一决策总结果中存在的薄弱点,也就是薄弱的决策种类,且第二决策总结果中存在的薄弱点的确定方式与之类似。
比如,第一维度范围:类型1 类型2 类型3 类型4 类型5
第一活动范围:工作类型a1 工作类型a2 工作类型a3 工作类型a4 工作类型a6
第二维度范围:类型11 类型12 类型13 类型16
第二活动范围:工作类型b1 工作类型b2 工作类型b3
此时,如果类型1--工作类型a1(--表示关联)、类型2--工作类型a2,类型3--工作类型a3、类型4--工作类型a4,类型11--工作类型b1、类型12--工作类型b2、类型13--工作类型b3,工作类型a6--类型16,此时,类型5就是基于第一决策总结果基于第二决策总结果的第一薄弱点,类型16是第二决策总结果基于第一决策总结果的第二薄弱点,但是,此时的工作类型a6相对于类型16是关联的,所以,类型5为最后的无关点,也就是将与类型5相关的结果从第一决策总结果中删除,进而得到第三决策总结果。
该实施例中,在确定出范围之后,根据决策均值、决策分歧值以及对应决策器的类型,建立决策器类型与工作类型之间的关联,当类型1的决策器执行工作类型为a1的任务时,如果类型1的决策器对工作类型为a1的任务的决策值与决策均值的比值在第一预设范围,且与决策分歧的比值在第二预设范围,则判定存在关联,且第一预设范围为(0.8,1.2),第二预设范围的取值为(0.3,1),其中,类型1的决策器对工作类型为a1的任务的决策值JC的计算方式如下:
其中,为类型1的决策器对工作类型为a1的任务进行决策的参与指标量;/>为类型1的决策器对工作类型为a1的任务进行决策的预设指标量。
也就是历史使用集其实可以很好的将不同的决策器的工作类型囊括出来,与之工作类型所不匹配但是却由对应决策器分析出来,即可视为薄弱点,但是又可以基于第二决策器很好的分析出来,此时不视为无关点,如果第二决策器也不能很好的分析出来,则视为无关点,主要是为了缓解存在的分析。
上述技术方案的有益效果是:通过决策总结果的类型维度进行维度转化,确定若干表示进行正态分布,提取正态分布类型并确定维度范围,基于维度范围、活动范围、决策均值和决策分歧值,确定薄弱点,并将无关点剔除,得到决策总结果,提高了决策结果的准确性。
本发明实施例提供一种基于大模型的智能决策系统,所述决策均值和决策分歧值确定块,包括:
;其中,/>表示基于决策总结果中第i1个决策器下的决策结果/>与对应决策器的标准决策结果的相似度函数;/>基于决策总结果中第i1个决策器下的最大相似值;/>表示基于决策总结果的决策器的总数;/>表示基于决策总结果中第i1个决策器的决策权重;表示基于决策总结果中第i1个决策器的分歧决策值;F1表示第一决策分歧值;D1表示对应决策均值;/>表示所有分歧决策值中的最大值。
上述技术方案的有益效果是:通过决策结果与标准决策结果的相似度函数以及最大相似值确定决策均值,基于所有决策器的分歧决策值确定决策分歧值,为后续确定决策薄弱点奠定了基础。
本发明实施例提供一种基于大模型的智能决策系统,所述决策输出模块,还包括:
期望形式确定单元:基于用户请求确定用户的使用场景,并基于使用场景确定用户所需的期望形式;
转换单元:根据响应输出器将最终决策结果转换为期望形式进行输出。
该实施例中,使用场景是指应用场景,比如,应用场景是数字场景,期望形式为数字形式。
上述技术方案的有益效果是:通过用户请求,并确定用户所需的期望形式,将最终决策结果转化为期望形式进行输出,可以适用于不同使用场景。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于大模型的智能决策系统,其特征在于,包括:
决策框架构建模块:根据决策问题以及决策所需数据,构建决策路由器,并结合不同决策算法以及决策场景,设计智能决策框架;
决策输出模块:当接收到工作执行成功的消息后,将执行结果输入到智能决策框架中获取得到决策结果,根据期望形式,将决策结果进行转化并输出。
2.根据权利要求1所述的一种基于大模型的智能决策系统,其特征在于,所述决策框架构建模块,包括:
决策问题溯源单元:溯源所有决策问题以及对应决策问题的决策场景;
决策器定义单元:对每个决策器进行数据结构定义:
DM:(N,C,R)
其中,DM为决策器信息结构,N为决策器名,C为决策器的类名,R为判断数据条件是否符合的规则定义;
关联结构确定单元:对每个决策器的决策特点和预定义问题进行关联,确定对应关联结构,构建预定义问题-决策器关联元数据集合;
最相似元素确定单元:基于决策问题与预定义问题-决策器关联元数据集合,确定决策问题的最近似元素;
PD = Sp (p | max(sim(Q, q), q = p:X, ∀p ϵ P))
其中,Sp 表示路由选择;sim是相似度比较函数,为正弦函数;PD为所选择的决策问题与对应决策器的关联信息;Q为当前决策问题的文本描述的代码;P为预定义的PD的集合;p是P中的元素;q为PD的X字段的代码;
筛选单元:基于决策所需数据和最近似元素对应的所有决策器的规则,对最近似元素对应的所有决策器进行筛选;
智能框架构建单元:基于筛选后的决策器对应的不同决策算法,制定基于交叉验证策略和单决策策略的动态方法,且结合基于决策场景和决策场景-决策器映射的静态方法,构建智能决策框架。
3.根据权利要求2所述的一种基于大模型的智能决策系统,其特征在于,所述关联结构确定单元,包括:
关联结构确定块:根据每个决策器决策特点和预定义问题的文字描述,确定预定义问题的关联结构:
PD:(X,DM,L)
其中,PD为预定义问题与对应决策器的关联结构,X是预定义问题的文字描述,DM为决策器信息集合,L为对应决策器信息的优先级集合。
4.根据权利要求2所述的一种基于大模型的智能决策系统,其特征在于,所述筛选单元,包括:
决策所需数据确定块:以执行结果保存于指定数据库中的中间数据作为决策所需数据;
决策器确定块:以最近似元素对应的每个决策器的规则,对所述决策所需数据进行判定,对判定成功的决策器进行保留。
5.根据权利要求1所述的一种基于大模型的智能决策系统,其特征在于,所述决策输出模块,包括:
标签设置单元:当接收到工作执行成功的消息后,基于业务场景向每个执行结果设置分类标签;
第一决策单元:将所述执行结果输入智能决策框架,且根据每个执行结果的分类标签及基于业务分类-决策器映射的静态方法,选择每个执行结果的决策器进行第一决策;
第二决策单元:基于决策路由器将每个执行结果路由到对应决策器进行第二决策,其中,当同个执行结果路由到多个决策器时,确定每个决策器的优先级,若所述决策器的优先级相差在三个级别以上,选择优先级最高的决策器进行运行,输出唯一决策结果;若所述决策器的优先级相差在三个级别之内,对所有符合条件的决策器进行并行运行,对所有决策结果进行交叉验证,将验证成功的决策结果进行输出;
第一决策总结果确定单元:对所有执行结果的第一决策结果基于决策顺序排序,确定第一决策总结果;
第二决策总结果确定单元:对所有执行结果的第二决策结果基于决策顺序排序,确定第二决策总结果;
第三决策总结果确定单元:对第一决策总结果和第二决策总结果进行比对,并基于决策分歧规则,确定第三决策总结果;
第三决策结果确定单元:根据同执行结果的第一决策结果和第二决策结果,并基于决策分歧规则,确定同执行结果的第三决策结果;
第四决策总结果确定单元:对所有执行结果的第三决策结果基于决策顺序排序,确定第四决策总结果;
最终决策结果确定单元:对第三决策总结果和第四决策总结果进行比对,并基于决策分歧规则,确定最终决策结果。
6.根据权利要求5所述的一种基于大模型的智能决策系统,其特征在于,所述第三决策总结果确定单元,包括:
决策均值和决策分歧值确定块:确定基于第一决策总结果的第一决策均值以及第一决策分歧值,同时,确定基于第二决策总结果的第二决策均值以及第二决策分歧值;
第一表示确定块:提取第一决策总结果中参与决策的第一决策器的类型维度并进行维度转化,得到若干第一表示;
第二表示确定块:提取第二决策总结果中参与决策的第二决策器的类型维度并进行维度转化,得到若干第二表示;
维度范围确定块:将第一表示与第二表示进行正态分布,提取第一表示、第二表示分别满足正态分布的类型,并确定基于第一决策总结果的第一维度范围以及基于第二决策总结果的第二维度范围;
活动范围确定块:确定每个第一决策器的历史使用集,确定第一活动范围,同时,确定每个第二决策器的历史使用集,确定第二活动范围;
薄弱点确定块:基于第一维度范围、第一活动范围、第二维度范围以及第二活动范围,且结合第一决策均值、第一决策分歧值、第二决策均值以及第二决策分歧值,确定基于第一决策总结果基于第二决策总结果的第一薄弱点以及第二决策总结果基于第一决策总结果的第二薄弱点;
薄弱点剔除块:确定第一薄弱点与第二薄弱点中的无关点并剔除,进而得到第三决策总结果。
7.根据权利要求6所述的一种基于大模型的智能决策系统,其特征在于,所述决策均值和决策分歧值确定块,包括:
;其中,/>表示基于决策总结果中第i1个决策器下的决策结果/>与对应决策器的标准决策结果的相似度函数/>;基于决策总结果中第i1个决策器下的最大相似值;/>表示基于决策总结果的决策器的总数;/>表示基于决策总结果中第i1个决策器的决策权重;/>表示基于决策总结果中第i1个决策器的分歧决策值;F1表示第一决策分歧值;D1表示对应决策均值;/>表示所有分歧决策值中的最大值。
8.根据权利要求1所述的一种基于大模型的智能决策系统,其特征在于,所述决策输出模块,还包括:
期望形式确定单元:基于用户请求确定用户的使用场景,并基于使用场景确定用户所需的期望形式;
转换单元:根据响应输出器将最终决策结果转换为期望形式进行输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376414.XA CN117114250B (zh) | 2023-10-24 | 2023-10-24 | 一种基于大模型的智能决策系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311376414.XA CN117114250B (zh) | 2023-10-24 | 2023-10-24 | 一种基于大模型的智能决策系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117114250A true CN117114250A (zh) | 2023-11-24 |
CN117114250B CN117114250B (zh) | 2024-02-02 |
Family
ID=88809528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311376414.XA Active CN117114250B (zh) | 2023-10-24 | 2023-10-24 | 一种基于大模型的智能决策系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114250B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290462A (zh) * | 2023-11-27 | 2023-12-26 | 北京滴普科技有限公司 | 一种数据大模型的智能决策系统及方法 |
CN118036606A (zh) * | 2024-04-12 | 2024-05-14 | 广州知韫科技有限公司 | 一种基于智能决策框架的数据处理方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136838A (zh) * | 2019-04-29 | 2019-08-16 | 平安科技(深圳)有限公司 | 基于多知识库推理的数据匹配决策方法及系统 |
US20220036153A1 (en) * | 2020-07-29 | 2022-02-03 | Thayermahan, Inc. | Ultra large language models as ai agent controllers for improved ai agent performance in an environment |
US20220253746A1 (en) * | 2021-02-05 | 2022-08-11 | Savvi Al Inc. | Systems and Methods for Managing, Distributing and Deploying a Recursive Decisioning System Based on Continuously Updating Machine Learning Models |
CN115587539A (zh) * | 2022-10-17 | 2023-01-10 | 东南大学 | 一种基于智能决策控制的用户分布式资源能量管理方法 |
CN116402164A (zh) * | 2023-06-06 | 2023-07-07 | 之江实验室 | 基于预训练语言模型的机器人任务生成方法、装置及介质 |
CN116484217A (zh) * | 2023-04-17 | 2023-07-25 | 云南元矩阵科技有限公司 | 一种基于多模态预训练大模型的智能决策方法及系统 |
CN116776981A (zh) * | 2023-06-13 | 2023-09-19 | 江西师范大学 | 基于大型预训练语言模型的api关系推理方法及系统 |
-
2023
- 2023-10-24 CN CN202311376414.XA patent/CN117114250B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110136838A (zh) * | 2019-04-29 | 2019-08-16 | 平安科技(深圳)有限公司 | 基于多知识库推理的数据匹配决策方法及系统 |
US20220036153A1 (en) * | 2020-07-29 | 2022-02-03 | Thayermahan, Inc. | Ultra large language models as ai agent controllers for improved ai agent performance in an environment |
US20220253746A1 (en) * | 2021-02-05 | 2022-08-11 | Savvi Al Inc. | Systems and Methods for Managing, Distributing and Deploying a Recursive Decisioning System Based on Continuously Updating Machine Learning Models |
CN115587539A (zh) * | 2022-10-17 | 2023-01-10 | 东南大学 | 一种基于智能决策控制的用户分布式资源能量管理方法 |
CN116484217A (zh) * | 2023-04-17 | 2023-07-25 | 云南元矩阵科技有限公司 | 一种基于多模态预训练大模型的智能决策方法及系统 |
CN116402164A (zh) * | 2023-06-06 | 2023-07-07 | 之江实验室 | 基于预训练语言模型的机器人任务生成方法、装置及介质 |
CN116776981A (zh) * | 2023-06-13 | 2023-09-19 | 江西师范大学 | 基于大型预训练语言模型的api关系推理方法及系统 |
Non-Patent Citations (2)
Title |
---|
MORALES, F.A.: ""A guide through the open-box system: room and proctor intelligent decider for large scale tests programming RaPID-OMEGA"", 《ARXIV》, pages 1 - 17 * |
宋彦 等: ""基于跨模态大模型的交易预测分析"", 《广东通信技术》, no. 9, pages 22 - 27 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117290462A (zh) * | 2023-11-27 | 2023-12-26 | 北京滴普科技有限公司 | 一种数据大模型的智能决策系统及方法 |
CN117290462B (zh) * | 2023-11-27 | 2024-04-05 | 北京滴普科技有限公司 | 一种数据大模型的智能决策系统及方法 |
CN118036606A (zh) * | 2024-04-12 | 2024-05-14 | 广州知韫科技有限公司 | 一种基于智能决策框架的数据处理方法 |
CN118036606B (zh) * | 2024-04-12 | 2024-06-21 | 广州知韫科技有限公司 | 一种基于智能决策框架的数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117114250B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117114250B (zh) | 一种基于大模型的智能决策系统 | |
CN102439584B (zh) | 建立过程决策支持系统的方法 | |
CN112685504B (zh) | 一种面向生产过程的分布式迁移图学习方法 | |
EP1903479B1 (en) | Method and system for data classification using a self-organizing map | |
CN116976640B (zh) | 自动化业务生成方法、装置、计算机设备及存储介质 | |
CN105205052B (zh) | 一种数据挖掘方法及装置 | |
CN114817663A (zh) | 一种基于类别感知图神经网络的服务建模与推荐方法 | |
CN116595328B (zh) | 一种基于知识图谱的数据评分卡模型智能构建装置及方法 | |
CN107871103A (zh) | 一种人脸认证方法和装置 | |
CN113516133A (zh) | 一种多模态图像分类方法及系统 | |
CN104536831B (zh) | 一种基于多目标优化的多核SoC软件映射方法 | |
CN115048490A (zh) | 一种基于深度学习的云制造服务流程推荐方法 | |
CN112419126A (zh) | 一种基于专家系统的城市公共安全视频监控评估系统 | |
CN116340726A (zh) | 一种能源经济大数据清洗方法、系统、设备及存储介质 | |
KR101827124B1 (ko) | 운전자의 주행 패턴 인식 시스템 및 방법 | |
Li et al. | Symbolic expression transformer: A computer vision approach for symbolic regression | |
CN110647461A (zh) | 多信息融合的回归测试用例排序方法及系统 | |
CN113870052A (zh) | 基于多输入lstm-cnn的工作票安全措施识别方法及终端 | |
CN115438190B (zh) | 一种配电网故障辅助决策知识抽取方法及系统 | |
CN108345943B (zh) | 一种基于嵌入编码与对比学习的机器学习识别方法 | |
CN115526417A (zh) | 多无人车任务分配方法、装置、车辆及存储介质 | |
CN109308565B (zh) | 人群绩效等级识别方法、装置、存储介质及计算机设备 | |
US20220207287A1 (en) | System and Method of Clustering Machine Learning Flows | |
US20220180243A1 (en) | System and method of suggesting machine learning workflows through machine learning | |
CN114154572A (zh) | 一种基于异构平台的异构数据集中接入分析方法 |
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 |