CN117421311A - 基于人工智能的数据校验方法、装置、设备及存储介质 - Google Patents
基于人工智能的数据校验方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117421311A CN117421311A CN202311315157.9A CN202311315157A CN117421311A CN 117421311 A CN117421311 A CN 117421311A CN 202311315157 A CN202311315157 A CN 202311315157A CN 117421311 A CN117421311 A CN 117421311A
- Authority
- CN
- China
- Prior art keywords
- result
- data
- verification
- model
- policy
- 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 79
- 238000013524 data verification Methods 0.000 title claims abstract description 77
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 47
- 238000012423 maintenance Methods 0.000 claims abstract description 116
- 238000012360 testing method Methods 0.000 claims abstract description 71
- 238000012795 verification Methods 0.000 claims abstract description 65
- 238000012545 processing Methods 0.000 claims abstract description 52
- 230000001960 triggered effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 76
- 230000008569 process Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 13
- 238000011144 upstream manufacturing Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 238000012550 audit Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013100 final test Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 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
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/08—Insurance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Technology Law (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Debugging And Monitoring (AREA)
Abstract
本申请属于人工智能领域与金融科技领域,涉及一种基于人工智能的数据校验方法,包括:判断是否接收到用户触发的数据校验请求;若是,获取用户输入的保单号与目标维度场景特征;基于保单号获取与目标维度场景特征对应的维护特性;基于保单号获取与维护特性对应的指定落库结果;通过测试预测模型生成与维护特性对应的预测结果;基于预测结果对指定落库结果进行校验处理生成对应的校验结果。本申请还提供一种基于人工智能的数据校验装置、计算机设备及存储介质。此外,本申请还涉及区块链技术,校验结果可存储于区块链中。本申请可应用于金融领域的业务结果校验场景,提高了数据校验的处理效率,保证了生成的与落库结果对应的校验结果的准确度。
Description
技术领域
本申请涉及人工智能开发技术领域与金融科技领域,尤其涉及基于人工智能的数据校验方法、装置、计算机设备及存储介质。
背景技术
随着保险企业的保险业务的不断发展,开发产能的不断优化提升,保险企业内的数据测试人员也需要不断的提升自己的产能和效率,结合平时工作的内容特点,挖掘测试效率提升点,以达到提升数据测试效率的目的。对于保险企业的上游业务系统,很多需求的改动将会影响到下游业务系统功能的正常使用,每次上游需求的改动都需要和下游系统进行联调以验证下游功能能否正常使用,其中包含一大部分的无影响联调,即上游业务系统本身的中间逻辑的改动不应该影响最终落库的数据,提供给下游业务系统的数据和字段业务逻辑不能有变化,从而有效确保下游业务系统的数据使用逻辑不受影响。
针对业务系统存在的落库数据校验的业务需求,保险企业目前主要采取基于人工处理来评估影响范围进行业务系统之间的联调验证的方式,即需要花费人力对没有改动的下游业务系统进行手动的查询数据库以验证落库数据的正确性的数据校验处理。然而,如果上游业务系统可以确保自身的数据结果的正确性,即可节省这部分的联调人力,进而提升数据的测试校验效率。因此,现有的业务系统的数据校验方式存在处理工作量大、处理效率低下的问题,因而亟需提供一种能够有效提高业务系统的数据校验的处理效率的数据校验手段。
发明内容
本申请实施例的目的在于提出一种基于人工智能的数据校验方法、装置、计算机设备及存储介质,以解决现有的业务系统的数据校验方式存在的处理工作量大、处理效率低下的技术问题。
为了解决上述技术问题,本申请实施例提供一种基于人工智能的数据校验方法,采用了如下所述的技术方案:
判断是否接收到用户触发的数据校验请求;
若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;
基于所述保单号,获取与所述目标维度场景特征对应的维护特性;
基于所述保单号,获取与所述维护特性对应的指定落库结果;
通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;
基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。
进一步的,所述基于所述保单号,获取与所述目标维度场景特征对应的维护特性的步骤,具体包括:
调用与所述保单号对应的投保单表;
基于所述目标维度场景特征对所述投保单表进行数据查询处理,从所述投保单表中筛选出与所述目标维度场景特征匹配的指定特征;
从所述投保单表中获取与所述指定特征对应的特征特性入参;
将所述特征特性入参作为与所述目标维度场景特征对应的维护特性。
进一步的,所述基于所述保单号,获取与所述维护特性对应的指定落库结果的步骤,具体包括:
调用与所述保单号对应的保单表;
基于所述维护特性对所述保单表进行数据查询处理,从所述保单表中筛选出与所述维护特性匹配的指定特性;
从所述保单表中获取与所述指定特性对应的特性结果值;
将所述特性结果值作为与所述维护特性对应的指定落库结果。
进一步的,所述基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果的步骤,具体包括:
判断所述预测结果与指定落库结果是否相同;
若所述预测结果与指定落库结果相同,则生成所述指定落库结果通过校验的第一校验结果;
若所述预测结果与指定落库结果不相同,则生成所述指定落库结果未通过校验的第二校验结果。
进一步的,在所述通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果的步骤之前,还包括:
获取预设的历史保单数据,并对所述历史保单数据进行数据清洗得到目标保单数据;
基于指定保单数据构建训练数据;其中,所述训练数据包括历史保单的特征,历史保单的特性,以及历史保单的特征对应的结果集;
基于所述训练数据对预设的初始模型进行训练,得到训练后的第一模型;
判断所述第一模型在训练过程中输出的模型预测结果中是否存在异常结果;
若是,接收预设的业务人员输入的对于所述异常结果的审核结果,并基于所述审核结果与所述异常结果对所述训练数据中的结果集进行更新,得到更新后的指定训练数据;
基于所述指定训练数据对所述第一模型进行重新训练,得到符合预设的预期条件的所述测试预测模型。
进一步的,所述基于所述指定训练数据对所述第一模型进行重新训练,得到符合预设的预期条件的所述测试预测模型的步骤,具体包括:
基于所述指定训练数据对所述第一模型进行重新训练,得到重新训练后的第二模型;
基于所述指定训练数据构建测试数据;
使用所述测试数据对所述第二模型进行测试,得到与所述第二模型对应的模型评估指标;
判断所述模型评估指标是否大于预设的评估指标阈值;
若是,将第二模型作为所述测试预测模型。
进一步的,在所述基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果的步骤之后,还包括:
基于所述校验结果生成与所述维护特征对应的数据分析报告;
获取预设的测试人员的通讯信息;
基于通讯信息,将所述数据分析报告发送给测试人员。
为了解决上述技术问题,本申请实施例还提供一种基于人工智能的数据校验装置,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触发的数据校验请求;
第一获取模块,用于若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;
第二获取模块,用于基于所述保单号,获取与所述目标维度场景特征对应的维护特性;
第三获取模块,用于基于所述保单号,获取与所述维护特性对应的指定落库结果;
预测模块,用于通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;
第一生成模块,用于基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。
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触发的数据校验请求;
若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;
基于所述保单号,获取与所述目标维度场景特征对应的维护特性;
基于所述保单号,获取与所述维护特性对应的指定落库结果;
通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;
基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。
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触发的数据校验请求;
若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;
基于所述保单号,获取与所述目标维度场景特征对应的维护特性;
基于所述保单号,获取与所述维护特性对应的指定落库结果;
通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;
基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。
与现有技术相比,本申请实施例主要有以下有益效果:
本申请实施例首先判断是否接收到用户触发的数据校验请求;若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;然后基于所述保单号,获取与所述目标维度场景特征对应的维护特性;之后基于所述保单号,获取与所述维护特性对应的指定落库结果;后续通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;最后基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。本申请实施例在获取到用户触发数据校验请求后输入的保单号与选取的目标维度场景特征时,会先基于所述保单号获取与所述目标维度场景特征对应的维护特性,并基于所述保单号获取与所述维护特性对应的指定落库结果,进而通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果,后续基于所述预测结果对指定落库结果进行校验处理,以实现快速准确地生成与所述指定落库结果对应的校验结果。本申请基于测试预测模型的使用提供了一种快捷准确的数据校验方式,不需要人为查询数据库以进行手动验证落库结果的正确性,有效地提高了数据校验的处理效率,保证了生成的与落库结果对应的校验结果的准确度。
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根据本申请的基于人工智能的数据校验方法的一个实施例的流程图;
图3是根据本申请的基于人工智能的数据校验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基于人工智能的数据校验方法一般由服务器/终端设备执行,相应地,基于人工智能的数据校验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基于人工智能的数据校验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基于人工智能的数据校验方法能够应用于任意一种需要进行业务数据校验的场景中,则该基于人工智能的数据校验方法能够应用于这些场景的产品中,例如,金融保险领域中的落库业务数据的数据校验。所述的基于人工智能的数据校验方法,包括以下步骤:
步骤S201,判断是否接收到用户触发的数据校验请求。
在本实施例中,基于人工智能的数据校验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校验请求。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。上述人工智能的数据校验方法的具体执行主体可为应用于保险企业中的上游业务系统,例如总部保险业务系统。在金融保险的落库业务数据的数据校验的业务场景下,总部保险业务系统可包括保险企业总部的车险业务系统、保险企业总部的寿险业务系统、保险企业总部的理赔业务系统,等等。在系统业务架构下,保险企业中还开发有与上游业务系统对应的下游业务系统,例如包括分部的车险业务系统、分部保险企业总部的寿险业务系统、分部保险企业总部的理赔业务系统,等等。
步骤S202,若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征。
在本实施例中,用户在上游业务系统中触发数据校验请求后,可进一步在上游业务系统的校验页面内输入保单号,且校验页面中会预先提供有多个维度场景特征以供用户进行选取。可通过获取用户对于维度场景特征的选取操作,以确定用户从所有维度场景特征中选取的目标维度场景特征。在金融保险的落库业务数据的数据校验的业务场景下,上述维度场景特征至少可包括场景类型比如维护委托基金,长期重疾病,短期险等;产品维度比如惠民保,家庭单;特征比如:中介,保单来源,缴别,费用类型,保额模式,共保类型等。
步骤S203,基于所述保单号,获取与所述目标维度场景特征对应的维护特性。
在本实施例中,上述基于所述保单号,获取与所述目标维度场景特征对应的维护特性的具体实施过程,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。
步骤S204,基于所述保单号,获取与所述维护特性对应的指定落库结果。
在本实施例中,上述基于所述保单号,获取与所述维护特性对应的指定落库结果的具体实施过程,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。
步骤S205,通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果。
在本实施例中,可通过将所述目标维度场景特征与所述维护特性输入至所述测试预测模型内,以通过所述测试预测模型对对所述目标维度场景特征与所述维护特性进行预测处理,进而输出与所述维护特性对应的预测结果。其中,对于上述测试预测模型的模型构建过程,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。
步骤S206,基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。
在本实施例中,上述基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结的具体实施过程,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。
本申请首先判断是否接收到用户触发的数据校验请求;若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;然后基于所述保单号,获取与所述目标维度场景特征对应的维护特性;之后基于所述保单号,获取与所述维护特性对应的指定落库结果;后续通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;最后基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。本申请在获取到用户触发数据校验请求后输入的保单号与选取的目标维度场景特征时,会先基于所述保单号获取与所述目标维度场景特征对应的维护特性,并基于所述保单号获取与所述维护特性对应的指定落库结果,进而通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果,后续基于所述预测结果对指定落库结果进行校验处理,以实现快速准确地生成与所述指定落库结果对应的校验结果。本申请基于测试预测模型的使用提供了一种快捷准确的数据校验方式,不需要人为查询数据库以进行手动验证落库结果的正确性,有效地提高了数据校验的处理效率,保证了生成的与落库结果对应的校验结果的准确度。
在一些可选的实现方式中,步骤S203包括以下步骤:
调用与所述保单号对应的投保单表。
在本实施例中,根据实际的业务需求预先建立有不同的维度场景特征与投保单表之间的映射关系,投保单表用于特征特性入参获取。
基于所述目标维度场景特征对所述投保单表进行数据查询处理,从所述投保单表中筛选出与所述目标维度场景特征匹配的指定特征。
在本实施例中,上述与所述目标维度场景特征匹配的指定特征具体是指所述投保单表中存储的与所述目标维度场景特征相同的特征。
从所述投保单表中获取与所述指定特征对应的特征特性入参。
在本实施例中,在确定出与所述目标维度场景特征匹配的指定特征后,可进一步从所述投保单表中查询出与所述指定特征对应的特征特性入参。
将所述特征特性入参作为与所述目标维度场景特征对应的维护特性。
本申请通过调用与所述保单号对应的投保单表;然后基于所述目标维度场景特征对所述投保单表进行数据查询处理,从所述投保单表中筛选出与所述目标维度场景特征匹配的指定特征;之后从所述投保单表中获取与所述指定特征对应的特征特性入参;后续将所述特征特性入参作为与所述目标维度场景特征对应的维护特性。本申请通过调用与所述保单号对应的投保单表,进而基于投保单表的使用来对所述目标维度场景特征进行数据查询处理,可以实现快速准确地从投保单表中获取到与所述目标维度场景特征对应的维护特性,提高了维护特性的获取效率与获取智能性。
在本实施例的一些可选的实现方式中,步骤S204包括以下步骤:
调用与所述保单号对应的保单表。
在本实施例中,根据实际的业务需求预先建立有不同的特征特性与保单表之间的映射关系,保单表用于特征特性结果值获取。
基于所述维护特性对所述保单表进行数据查询处理,从所述保单表中筛选出与所述维护特性匹配的指定特性。
在本实施例中,上述与所述维护特性匹配的指定特性具体是指所述保单表中存储的与所述维护特性相同的特性。
从所述保单表中获取与所述指定特性对应的特性结果值。
在本实施例中,在确定出与所述维护特性匹配的指定特性后,可进一步从所述保单表中查询出与所述指定特性对应的特性结果值。
将所述特性结果值作为与所述维护特性对应的指定落库结果。
本申请通过调用与所述保单号对应的保单表;然后基于所述维护特性对所述保单表进行数据查询处理,从所述保单表中筛选出与所述维护特性匹配的指定特性;之后从所述保单表中获取与所述指定特性对应的特性结果值;后续将所述特性结果值作为与所述维护特性对应的指定落库结果。本申请通过调用与所述保单号对应的保单表,进而基于保单表的使用来对所述维护特性进行数据查询处理,可以实现快速准确地从保单表中获取到与所述维护特性对应的指定落库结果,提高了指定落库结果的获取效率与获取智能性。
在一些可选的实现方式中,步骤S206包括以下步骤:
判断所述预测结果与指定落库结果是否相同。
在本实施例中,可通过对所述预测结果与指定落库结果进行内容比较,以判别出所述预测结果与指定落库结果是否为相同的数据。
若所述预测结果与指定落库结果相同,则生成所述指定落库结果通过校验的第一校验结果。
在本实施例中,如果所述预测结果与指定落库结果相同,则会判定所述指定落库结果为准确的结果数据,从而会生成所述指定落库结果通过校验的第一校验结果。
若所述预测结果与指定落库结果不相同,则生成所述指定落库结果未通过校验的第二校验结果。
在本实施例中,如果所述预测结果与指定落库结果不相同,则会判定所述指定落库结果为存在错误的结果数据,从而会生成所述指定落库结果通过校验的第一校验结果。
本申请通过判断所述预测结果与指定落库结果是否相同;若所述预测结果与指定落库结果相同,则生成所述指定落库结果通过校验的第一校验结果;而若所述预测结果与指定落库结果不相同,则生成所述指定落库结果未通过校验的第二校验结果。本申请通过对所述预测结果与指定落库结果进行内容比较,从而可以实现快速准确地生成与所述指定落库结果对应的校验结果,保证了生成的指定落库结果的校验结果的准确度。
在一些可选的实现方式中,在步骤S205之前,上述电子设备还可以执行以下步骤:
获取预设的历史保单数据,并对所述历史保单数据进行数据清洗得到目标保单数据。
在本实施例中,上述历史保单数据可为历史时间周期内采集的保单数据,该历史保单数据至少包括历史保单的特征,历史保单的特性,以及历史保单的特征对应的结果集,还可包括其他的业务数据。其中,对于历史时间周期的取值不做具体限定,可根据实际的业务需求进行设置。另外,上述数据清洗可包括清洗异常值和脏数据的清洗处理。
基于指定保单数据构建训练数据。
在本实施例中,上述训练数据包括历史保单的特征,历史保单的特性,以及历史保单的特征对应的结果集。
基于所述训练数据对预设的初始模型进行训练,得到训练后的第一模型。
在本实施例中,上述初始模型具体可采用分类模型,例如可采用逻辑回归、决策树、支持向量机、朴素贝叶斯等模型中的任意一种。对于初始模型的训练过程可参照常用的分类模型的训练过程,在此不做过多阐述。
判断所述第一模型在训练过程中输出的模型预测结果中是否存在异常结果。
在本实施例中,可通过将第一模型在训练过程中输出的与指定历史保单的特性的模型预测结果。与该指定历史保单对应的结果集进行内容比较,如果两者不为相同的数据,则判定该模型预测结果为异常结果。其中,上述指定历史保单为所有历史保单中的任意一个保单。示例性的,假如指定历史保单的特征为缴别特征,缴别特征的特性为保单表中的缴费状态,且缴费状态的结果值为全额缴清,而如果该指定历史保单的缴别特征的缴费状态对应的实际落库结果为部分已缴,则会提示差异结果,即第一模型输出的模型预测结果与对应的实际落库结果不相同。
若是,接收预设的业务人员输入的对于所述异常结果的审核结果,并基于所述审核结果与所述异常结果对所述训练数据中的结果集进行更新,得到更新后的指定训练数据。
在本实施例中,业务人员可为业务系统的测试人员,上述审核结果可包括模型预测结果为正常结果,或模型预测结果为错误结果。基于所述审核结果与所述异常结果对所述训练数据中的结果集进行更新,得到更新后的指定训练数据的过程可包括:如果模型预测结果为正常结果,则不对与该模型预测结果对应的结果集进行更改,而如果模型预测结果为错误结果,则使用相应的实际落库结果对该模型预测结果对应的结果集进行更改。或者,如果模型预测结果对应的结果集中缺少了一些业务数据,则会根据该缺少的业务数据对该模型预测结果对应的结果集进行内容填充,以进行对于该模型预测结果对应的结果集的纠正处理。基于以上操作以完成训练数据中的结果集进行更新,并得到更新后的指定训练数据。
基于所述指定训练数据对所述第一模型进行重新训练,得到符合预设的预期条件的所述测试预测模型。
在本实施例中,上述基于所述指定训练数据对所述第一模型进行重新训练,得到符合预设的预期条件的所述测试预测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。
本申请通过获取预设的历史保单数据,并对所述历史保单数据进行数据清洗得到目标保单数据;然后基于指定保单数据构建训练数据;之后基于所述训练数据对预设的初始模型进行训练,得到训练后的第一模型;后续判断所述第一模型在训练过程中输出的模型预测结果中是否存在异常结果;若是,接收预设的业务人员输入的对于所述异常结果的审核结果,并基于所述审核结果与所述异常结果对所述训练数据中的结果集进行更新,得到更新后的指定训练数据;最后基于所述指定训练数据对所述第一模型进行重新训练,得到符合预设的预期条件的所述测试预测模型。本申请通过使用预设的历史保单数据构建出训练数据,然后基于所述训练数据对预设的初始模型进行训练得到训练后的第一模型,并在训练过程中如果检测到第一模型输出的模型预测结果中是否存在异常结果,则会智能地接收预设的业务人员输入的对于所述异常结果的审核结果,并基于所述审核结果与所述异常结果对所述训练数据中的结果集进行更新,得到更新后的指定训练数据,后续再利用更新后的指定训练数据对所述第一模型进行重新训练,以得到最终的符合预期条件的测试预测模型,有效的保证了生成的测试预测模型的模型效果与预测准确性,提高了测试预测模型的构建效率。
在本实施例的一些可选的实现方式中,所述基于所述指定训练数据对所述第一模型进行重新训练,得到符合预设的预期条件的所述测试预测模型,包括以下步骤:
基于所述指定训练数据对所述第一模型进行重新训练,得到重新训练后的第二模型。
在本实施例中,上述基于所述指定训练数据对所述第一模型进行重新训练的过程可参照前述的基于所述训练数据对预设的初始模型进行训练,得到训练后的第一模型的过程,在此不做过多阐述。
基于所述指定训练数据构建测试数据。
在本实施例中,可通过按照预设占比从所述指定训练数据中随机筛选出与该预设占比对应的数据,以得到相应的测试数据。
使用所述测试数据对所述第二模型进行测试,得到与所述第二模型对应的模型评估指标。
在本实施例中,可通过使用所述测试数据对所述第二模型进行测试,计算出与所述第二模型对应的模型评估指标。其中,对于上述模型评估指标的选取不做具体限定,可根据实际的模型构建需求进行确定,例如包括第二模型对测试数据进行结果预测处理后得到的预测结果的准确率、F1分数、召回率等指标中的一种或多种。
判断所述模型评估指标是否大于预设的评估指标阈值。
在本实施例中,对于上述评估指标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。
若是,将第二模型作为所述测试预测模型。
本申请通过基于所述指定训练数据对所述第一模型进行重新训练,得到重新训练后的第二模型;然后基于所述指定训练数据构建测试数据;之后使用所述测试数据对所述第二模型进行测试,得到与所述第二模型对应的模型评估指标;后续判断所述模型评估指标是否大于预设的评估指标阈值;若是,将第二模型作为所述测试预测模型。本申请通过所述指定训练数据对所述第一模型进行重新训练,得到重新训练后的第二模型,并会进一步使用由指定训练数据构建得到的测试数据对所述第二模型进行测试,并将测试通过,即模型评估指标大于评估指标阈值的第二模型作为最终的测试预测模型以完成测试预测模型的构建过程,有效的保证了生成的测试预测模型的模型效果与预测准确性,提高了测试预测模型的构建效率。
在本实施例的一些可选的实现方式中,在步骤S206之后,上述电子设备还可以执行以下步骤:
基于所述校验结果生成与所述维护特征对应的数据分析报告。
在本实施例中,可通过将上述维护特征以及该校验结果填充至预设的报告模板内的相应位置处,以生成与所述维护特征对应的数据分析报告。其中,对于上述报告模板的内容不做具体限定,可根据实际的业务需求进行设置。
获取预设的测试人员的通讯信息。
在本实施例中,上述测试人员可为对接业务系统的处理数据测试工作的内部测试人员。上述通讯信息可包括邮件地址或电话号码。
基于通讯信息,将所述数据分析报告发送给测试人员。
在本实施例中,可基于通讯信息,将所述数据分析报告发送给测试人员对应的通讯终端。
本申请通过基于所述校验结果生成与所述维护特征对应的数据分析报告;然后获取预设的测试人员的通讯信息;后续基于通讯信息,将所述数据分析报告发送给测试人员。本申请在生成了与所述指定落库结果对应的校验结果后,还会智能地基于所述校验结果生成与所述维护特征对应的数据分析报告,并会将所述数据分析报告发送给相应的测试人员,以便测试人员能够通过查阅该数据分析报告来快速地了解到所需的数据校验结果的内容,提高了测试人员的使用体验。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
需要强调的是,为进一步保证上述校验结果的私密和安全性,上述校验结果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,本申请提供了一种基于人工智能的数据校验装置的一个实施例,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,本实施例所述的基于人工智能的数据校验装置300包括:第一判断模块301、第一获取模块302、第二获取模块303、第三获取模块304、预测模块305以及第一生成模块306。其中:
第一判断模块301,用于判断是否接收到用户触发的数据校验请求;
第一获取模块302,用于若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;
第二获取模块303,用于基于所述保单号,获取与所述目标维度场景特征对应的维护特性;
第三获取模块304,用于基于所述保单号,获取与所述维护特性对应的指定落库结果;
预测模块305,用于通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;
第一生成模块306,用于基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。
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基于人工智能的数据校验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,第二获取模块303包括:
第一调用子模块,用于调用与所述保单号对应的投保单表;
第一筛选子模块,用于基于所述目标维度场景特征对所述投保单表进行数据查询处理,从所述投保单表中筛选出与所述目标维度场景特征匹配的指定特征;
第一获取子模块,用于从所述投保单表中获取与所述指定特征对应的特征特性入参;
第一确定子模块,用于将所述特征特性入参作为与所述目标维度场景特征对应的维护特性。
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基于人工智能的数据校验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,第三获取模块304包括:
第二调用子模块,用于调用与所述保单号对应的保单表;
第二筛选子模块,用于基于所述维护特性对所述保单表进行数据查询处理,从所述保单表中筛选出与所述维护特性匹配的指定特性;
第二获取子模块,用于从所述保单表中获取与所述指定特性对应的特性结果值;
第二确定子模块,用于将所述特性结果值作为与所述维护特性对应的指定落库结果。
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基于人工智能的数据校验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,第一生成模块306包括:
第一判断子模块,用于判断所述预测结果与指定落库结果是否相同;
第一生成子模块,用于若所述预测结果与指定落库结果相同,则生成所述指定落库结果通过校验的第一校验结果;
第二生成子模块,用于若所述预测结果与指定落库结果不相同,则生成所述指定落库结果未通过校验的第二校验结果。
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基于人工智能的数据校验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,基于人工智能的数据校验装置还包括:
第四获取模块,用于获取预设的历史保单数据,并对所述历史保单数据进行数据清洗得到目标保单数据;
构建模块,用于基于指定保单数据构建训练数据;其中,所述训练数据包括历史保单的特征,历史保单的特性,以及历史保单的特征对应的结果集;
第一训练模块,用于基于所述训练数据对预设的初始模型进行训练,得到训练后的第一模型;
第二判断模块,用于判断所述第一模型在训练过程中输出的模型预测结果中是否存在异常结果;
更新模块,用于若是,接收预设的业务人员输入的对于所述异常结果的审核结果,并基于所述审核结果与所述异常结果对所述训练数据中的结果集进行更新,得到更新后的指定训练数据;
第二训练模块,用于基于所述指定训练数据对所述第一模型进行重新训练,得到符合预设的预期条件的所述测试预测模型。
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基于人工智能的数据校验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,第二训练模块包括:
训练子模块,用于基于所述指定训练数据对所述第一模型进行重新训练,得到重新训练后的第二模型;
构建子模块,用于基于所述指定训练数据构建测试数据;
测试子模块,用于使用所述测试数据对所述第二模型进行测试,得到与所述第二模型对应的模型评估指标;
第二判断子模块,用于判断所述模型评估指标是否大于预设的评估指标阈值;
第三确定子模块,用于若是,将第二模型作为所述测试预测模型。
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基于人工智能的数据校验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,基于人工智能的数据校验装置还包括:
第二生成模块,用于基于所述校验结果生成与所述维护特征对应的数据分析报告;
第五获取模块,用于获取预设的测试人员的通讯信息;
发送模块,用于基于通讯信息,将所述数据分析报告发送给测试人员。
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基于人工智能的数据校验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,例如基于人工智能的数据校验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,例如运行所述基于人工智能的数据校验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触发的数据校验请求;若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;然后基于所述保单号,获取与所述目标维度场景特征对应的维护特性;之后基于所述保单号,获取与所述维护特性对应的指定落库结果;后续通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;最后基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。本申请实施例在获取到用户触发数据校验请求后输入的保单号与选取的目标维度场景特征时,会先基于所述保单号获取与所述目标维度场景特征对应的维护特性,并基于所述保单号获取与所述维护特性对应的指定落库结果,进而通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果,后续基于所述预测结果对指定落库结果进行校验处理,以实现快速准确地生成与所述指定落库结果对应的校验结果。本申请基于测试预测模型的使用提供了一种快捷准确的数据校验方式,不需要人为查询数据库以进行手动验证落库结果的正确性,有效地提高了数据校验的处理效率,保证了生成的与落库结果对应的校验结果的准确度。
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基于人工智能的数据校验方法的步骤。
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触发的数据校验请求;若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;然后基于所述保单号,获取与所述目标维度场景特征对应的维护特性;之后基于所述保单号,获取与所述维护特性对应的指定落库结果;后续通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;最后基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。本申请实施例在获取到用户触发数据校验请求后输入的保单号与选取的目标维度场景特征时,会先基于所述保单号获取与所述目标维度场景特征对应的维护特性,并基于所述保单号获取与所述维护特性对应的指定落库结果,进而通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果,后续基于所述预测结果对指定落库结果进行校验处理,以实现快速准确地生成与所述指定落库结果对应的校验结果。本申请基于测试预测模型的使用提供了一种快捷准确的数据校验方式,不需要人为查询数据库以进行手动验证落库结果的正确性,有效地提高了数据校验的处理效率,保证了生成的与落库结果对应的校验结果的准确度。
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)
1.一种基于人工智能的数据校验方法,其特征在于,包括下述步骤:
判断是否接收到用户触发的数据校验请求;
若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;
基于所述保单号,获取与所述目标维度场景特征对应的维护特性;
基于所述保单号,获取与所述维护特性对应的指定落库结果;
通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;
基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。
2.根据权利要求1所述的基于人工智能的数据校验方法,其特征在于,所述基于所述保单号,获取与所述目标维度场景特征对应的维护特性的步骤,具体包括:
调用与所述保单号对应的投保单表;
基于所述目标维度场景特征对所述投保单表进行数据查询处理,从所述投保单表中筛选出与所述目标维度场景特征匹配的指定特征;
从所述投保单表中获取与所述指定特征对应的特征特性入参;
将所述特征特性入参作为与所述目标维度场景特征对应的维护特性。
3.根据权利要求1所述的基于人工智能的数据校验方法,其特征在于,所述基于所述保单号,获取与所述维护特性对应的指定落库结果的步骤,具体包括:
调用与所述保单号对应的保单表;
基于所述维护特性对所述保单表进行数据查询处理,从所述保单表中筛选出与所述维护特性匹配的指定特性;
从所述保单表中获取与所述指定特性对应的特性结果值;
将所述特性结果值作为与所述维护特性对应的指定落库结果。
4.根据权利要求1所述的基于人工智能的数据校验方法,其特征在于,所述基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果的步骤,具体包括:
判断所述预测结果与指定落库结果是否相同;
若所述预测结果与指定落库结果相同,则生成所述指定落库结果通过校验的第一校验结果;
若所述预测结果与指定落库结果不相同,则生成所述指定落库结果未通过校验的第二校验结果。
5.根据权利要求1所述的基于人工智能的数据校验方法,其特征在于,在所述通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果的步骤之前,还包括:
获取预设的历史保单数据,并对所述历史保单数据进行数据清洗得到目标保单数据;
基于指定保单数据构建训练数据;其中,所述训练数据包括历史保单的特征,历史保单的特性,以及历史保单的特征对应的结果集;
基于所述训练数据对预设的初始模型进行训练,得到训练后的第一模型;
判断所述第一模型在训练过程中输出的模型预测结果中是否存在异常结果;
若是,接收预设的业务人员输入的对于所述异常结果的审核结果,并基于所述审核结果与所述异常结果对所述训练数据中的结果集进行更新,得到更新后的指定训练数据;
基于所述指定训练数据对所述第一模型进行重新训练,得到符合预设的预期条件的所述测试预测模型。
6.根据权利要求5所述的基于人工智能的数据校验方法,其特征在于,所述基于所述指定训练数据对所述第一模型进行重新训练,得到符合预设的预期条件的所述测试预测模型的步骤,具体包括:
基于所述指定训练数据对所述第一模型进行重新训练,得到重新训练后的第二模型;
基于所述指定训练数据构建测试数据;
使用所述测试数据对所述第二模型进行测试,得到与所述第二模型对应的模型评估指标;
判断所述模型评估指标是否大于预设的评估指标阈值;
若是,将第二模型作为所述测试预测模型。
7.根据权利要求1所述的基于人工智能的数据校验方法,其特征在于,在所述基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果的步骤之后,还包括:
基于所述校验结果生成与所述维护特征对应的数据分析报告;
获取预设的测试人员的通讯信息;
基于通讯信息,将所述数据分析报告发送给测试人员。
8.一种基于人工智能的数据校验装置,其特征在于,包括:
第一判断模块,用于判断是否接收到用户触发的数据校验请求;
第一获取模块,用于若是,获取所述用户输入的保单号,并获取用户选取的目标维度场景特征;
第二获取模块,用于基于所述保单号,获取与所述目标维度场景特征对应的维护特性;
第三获取模块,用于基于所述保单号,获取与所述维护特性对应的指定落库结果;
预测模块,用于通过预设的测试预测模型对所述目标维度场景特征与所述维护特性进行预测处理,生成与所述维护特性对应的预测结果;
第一生成模块,用于基于所述预测结果对指定落库结果进行校验处理,生成与所述指定落库结果对应的校验结果。
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中任一项所述的基于人工智能的数据校验方法的步骤。
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中任一项所述的基于人工智能的数据校验方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315157.9A CN117421311A (zh) | 2023-10-11 | 2023-10-11 | 基于人工智能的数据校验方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311315157.9A CN117421311A (zh) | 2023-10-11 | 2023-10-11 | 基于人工智能的数据校验方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117421311A true CN117421311A (zh) | 2024-01-19 |
Family
ID=89522011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311315157.9A Pending CN117421311A (zh) | 2023-10-11 | 2023-10-11 | 基于人工智能的数据校验方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421311A (zh) |
-
2023
- 2023-10-11 CN CN202311315157.9A patent/CN117421311A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110826071B (zh) | 软件漏洞风险预测方法、装置、设备及存储介质 | |
CN111181757B (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
CN110688536A (zh) | 一种标签预测方法、装置、设备和存储介质 | |
CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
CN113326991A (zh) | 自动授权方法、装置、计算机设备及存储介质 | |
CN115237724A (zh) | 基于人工智能的数据监控方法、装置、设备及存储介质 | |
CN114493255A (zh) | 基于知识图谱的企业异常监控方法及其相关设备 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN111178687A (zh) | 金融风险分类方法、装置及电子设备 | |
CN117522538A (zh) | 招投标信息处理方法、装置、计算机设备及存储介质 | |
CN117234844A (zh) | 云服务器异常管理方法、装置、计算机设备及存储介质 | |
CN116843395A (zh) | 一种业务系统的告警分级方法、装置、设备及存储介质 | |
CN115936895A (zh) | 基于人工智能的风险评估方法、装置、设备及存储介质 | |
CN115757075A (zh) | 任务异常检测方法、装置、计算机设备及存储介质 | |
CN117421311A (zh) | 基于人工智能的数据校验方法、装置、设备及存储介质 | |
CN117172632B (zh) | 一种企业异常行为检测方法、装置、设备及存储介质 | |
CN116467297A (zh) | 监管数据推送和异常自查方法、装置、设备及其存储介质 | |
CN117453536A (zh) | 系统异常分析方法、装置、计算机设备及存储介质 | |
CN117611352A (zh) | 一种车险理赔处理方法、装置、计算机设备及存储介质 | |
CN116993218A (zh) | 基于人工智能的指标分析方法、装置、设备及存储介质 | |
CN117056782A (zh) | 一种数据异常识别方法、装置、设备及其存储介质 | |
CN117787723A (zh) | 基于人工智能的数据预测方法、装置、设备及存储介质 | |
CN117290597A (zh) | 基于人工智能的信息推送方法、装置、设备及存储介质 | |
CN116383154A (zh) | 文件处理方法、文件处理装置、电子设备及存储介质 | |
CN118041977A (zh) | 微服务组件的处理方法、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 |