CN117785408A - 一种ai模型全生命周期管理方法、平台及存储介质 - Google Patents
一种ai模型全生命周期管理方法、平台及存储介质 Download PDFInfo
- Publication number
- CN117785408A CN117785408A CN202311750882.9A CN202311750882A CN117785408A CN 117785408 A CN117785408 A CN 117785408A CN 202311750882 A CN202311750882 A CN 202311750882A CN 117785408 A CN117785408 A CN 117785408A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- user
- data
- management method
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000013136 deep learning model Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 238000002372 labelling Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000011161 development Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000004382 visual function Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种AI模型全生命周期管理方法、平台及存储介质,该方法用于并行训练获得多个AI模型,方法包括:接收用户的第一预设操作,创建数据集;接收用户导入的原始数据,对原始数据进行标注,将标注后的原始数据存储在数据集中以构建训练集;接收用户的第二预设操作,从模型库预存的多种类型的深度学习模型中选择至少一个类型的深度学习模型,为每个被选中的深度学习模型创建训练任务;为每一个训练任务单独分配一个虚拟容器,利用训练集和预设算法分别在每一个虚拟容器中对对应的深度学习模型进行训练,获得AI模型。实施本发明实施例提供的方法方便用户一站式构建AI模型。
Description
技术领域
本发明涉及计算机软件技术领域,具体涉及一种AI模型全生命周期管理方法、平台及存储介质。
背景技术
随着人工智能技术的不断发展,人们对于AI模型的研究和应用也越来越深入。AI模型是指运用数学、统计、计算机科学和机器学习等领域的方法,对具有一定规律性和可预测性的数据进行分析、处理、预测和优化的数学模型。简单来说,AI模型就是将“数据”转化为“智能”的一种数学模型。与传统的数学模型相比,AI模型具有更加强大、高效、灵活的特点。因此,在现代数学和计算机技术的支持下,AI模型被广泛应用于各种领域,包括金融、医疗、交通、农业、能源等多个领域。
AI模型的分类主要分为两大类:有监督学习模型和无监督学习模型。
有监督学习模型是一种通过对有标记(标注)数据的学习,来预测新的未标记数据的类型或属性的模型。常见的有监督学习模型包括决策树、支持向量机、神经网络等。
无监督学习模型则是一种通过对未标记数据的学习,来发现其中的规律、关系和结构的模型。常见的无监督学习模型包括聚类、关联规则、主成分分析等。
除了有监督学习模型和无监督学习模型外,还有一些其他类型的AI模型,例如半监督学习模型、强化学习模型、深度学习模型等。
现有技术中,一个优秀的AI模型通常需要海量数据进行训练获得,开发人员一般一次对一种类型的深度学习模型进行训练,没有办法对多个类型和功能不同的深度学习模型同步进行训练,导致AI模型的开关构建效率较低。
本申请的技术方案可以同时管理,部署,训练多种算法,同时通过计算资源池化的技术手段,为多种算法部署统一调度计算资源,最大化利用系统资源。利用平台多算法管理的能力,可支持算法生态开放,避免单独为每一个算法创建AI平台,实现建设集约化。
发明内容
针对现有技术中的技术缺陷,本发明实施例的目的在于提供一种AI模型全生命周期管理方法、平台及存储介质,平台支持不同算法厂家,不同类型算法部署在同一套人工平台中,可实现对各算法的安装,部署,下线全生命周期管理。平台通过统一开放算法API能力,使得应用可以快速集成多种算法能力。
为实现上述目的,第一方面,本发明实施例提供了一种AI模型全生命周期管理方法,该方法用于并行训练获得多个AI模型,所述方法包括:
接收用户的第一预设操作,创建数据集;
接收用户导入的原始数据,对所述原始数据进行标注,将标注后的原始数据存储在所述数据集中以构建训练集;
接收用户的第二预设操作,从模型库预存的多种类型的深度学习模型中选择至少一个类型的深度学习模型,为每个被选中的深度学习模型创建训练任务;
为每一个训练任务单独分配一个虚拟容器,利用训练集和预设算法分别在每一个虚拟容器中对对应的所述深度学习模型进行训练,获得AI模型。
进一步,所述原始数据包括图片文件和视频文件。
进一步,在接收用户导入的原始数据之后,所述方法还包括:
对所述原始数据进行数据增强操作以对所述原始数据进行扩充。
进一步,所述数据增强操作包括缩放、颜色空间转换、格式转换、翻转旋转和裁剪。
进一步,在获得AI模型后,所述方法还包括:
接收用户的第三预设操作,在云服务器中对AI模型进行部署。
进一步,所述预设算法包括:
系统预置的算法;
用户上传的算法。
进一步,多种类型的深度学习模型的类型包括OneFlow,PyTorch,TensorFlow。
进一步,在获得AI模型后,所述方法还包括:
将所述AI模型训练过程中及完成后的模型结构和关联数据进行可视化展示。
第二方面,本发明实施例还提供了一种AI模型全生命周期管理平台,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如第一方面所述方法。
第三方面,本发明实施例还提供了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存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如第一方面所述方法。
实施本发明实施例提供的方法,其面向AI模型生产的生命周期提供了支撑数据处理、模型开发、模型训练和模型管理的功能,方便用户一站式构建AI模型。通过高性能的分布式训练方法,节省训练成本和训练时间。提供可视化和动静结合编码方式,调试灵活。
本发明实施例提供的方法统一AI计算资源管理,统一AI算力调度,实现计算资源池化。平台部署的各算法运行时,支持在计算池中统一调度。结合平台灵活的资源调度策略,集群弹性伸缩等扩展能力,可消除人工智能系统建设烟囱化的弊端。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。
图1是本发明实施例提供的一种AI模型全生命周期管理方法的流程图;
图2是本发明实施例提供的一种AI模型全生命周期管理平台的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
如图1所示,第一方面,本发明实施例提供了一种AI模型全生命周期管理方法的流程图,该方法运行在AI模型全生命周期管理平台中,该方法用于并行训练获得多个AI模型。具体的,该方法可以包括以下步骤:
步骤S101:接收用户的第一预设操作,创建数据集。
机器学习开发过程中往往需要海量数据,而且在通常情况下,合适的训练数据集对于文件的质量和规格有着很高的要求。数据的质量一定程度决定了模型的好坏。
在平台上进行数据管理时,用户首先需要创建一个数据集,后续对于数据集的操作,比如导入数据、添加标签、自动标注、版本发布都基于数据集。
步骤S102:接收用户导入的原始数据,对所述原始数据进行标注,将标注后的原始数据存储在所述数据集中以构建训练集。
本实施例中,所述原始数据包括图片文件和视频文件。平台提供自动标注、数据增强等一系列数据加工方案,拥有高质量的数据标注处理算法,输出高品质的数据,支持下游AI数据训练获得更优的训练效果。
并且,平台预置了多种公开数据集,支持图片、视频等多种数据标注格式。预置数据集可以直观地呈现图像分类、目标检测、目标跟踪、数据增强等任务的效果。
平台支持如下类型的数据集,包含图像分类类型、目标检测类型和目标跟踪类型。其中,图像分类用于识别一张图中是否有某类物体/场景,适用于图片内容单主体,需要给整张图片分类的场景。
目标检测用于检测图像上每个物体的位置、标签类别。适用于图片上有多个物体需要识别。
目标跟踪用于给定一个或多个目标,跟踪目标的移动位置变化。适用于视频文件对目标持续跟踪监测。
文件导入之后存储到统一的OBS存储服务。平台提供的自动标注功能能快速完成数据标注,为开发者节省70%以上的标注时间。自动标注是指基于系统提供的「自动标注标签」或「预置标签」,通过系统中已有的模型进行自动化标注,快速完成图片的标注操作。
需要说明的是,正确的数据集需提供真值标注。任何自动标注算法都无法百分之百保证标注结果的正确性,通过人工审查和二次编辑确认的方式,保证标注的正确性。
一个优秀的深度学习训练模型通常需要海量数据,如果开发者的原始数据集达不到一定量级,就很难训练出具有泛化能力的模型。基于数据增强的数据集扩容,可一定程度上缓解此类问题。平台提供了图像层面的增强方法,基于原始数据集单张图片进行转换操作,从而达成对数据集的扩充效果。
因此,本实施例中,平台在接收用户导入的原始数据之后,所述方法还包括:对所述原始数据进行数据增强操作以对所述原始数据进行扩充。
具体的,所述数据增强操作包括缩放、颜色空间转换、格式转换、翻转旋转和裁剪。
平台提供基于不同版本进行内容区分的数据集管理功能。后续模型训练阶段可选择不同版本的数据集进行训练、开发。开发者在完成数据集的标注之后,就可以对数据集进行发布操作,生成此数据集的一个新版本。
步骤S103:接收用户的第二预设操作,从模型库预存的多种类型的深度学习模型中选择至少一个类型的深度学习模型,为每个被选中的深度学习模型创建训练任务。
平台给用户提供了用于开发算法的模块,包含Notebook和算法管理两部分。其中,Notebook是一种交互式编程环境,AI开发者可以在云端进行机器学习的开发。该模块集成了的JupyterLab,可支持开发者在线编辑、调试、运行代码,同时预置了包含多种类型的深度学习模型的模型库。该模型库中预存了OneFlow,PyTorch,TensorFlow等多种深度学习框架,用户可在多种框架之间自由切换。每个Notebook都是一个独立的编程环境,用户可以对Notebook实现创建、打开、停止、启动、删除等操作,算法开发完成之后,还可以将其保存,从而可以进行后续的训练工作。
算法管理用于保存一些平台预置的算法以及用户自己开发的算法。对于已经保存的算法,用户可以进行在线编辑、创建训练任务、下载、fork、删除等操作。
算法管理分为用户上传算法和预置算法两个页面,其中用户上传算法中保存了用户创建的算法,而预置算法中保存了系统自带的算法。目前预置算法包含图像分类(ImageClassification)、目标检测(ObjectDetection)、自然语言处理(NLP)、生成对抗网络(GAN)等类型的算法。
步骤S104:为每一个训练任务单独分配一个虚拟容器,利用训练集和预设算法分别在每一个虚拟容器中对对应的所述深度学习模型进行训练,获得AI模型。
平台提供的训练管理模块主要分三个模块:算法管理、镜像管理、训练任务。其中,算法管理:用户可以在此创建算法、编辑算法;镜像管理:用户可以自行上传镜像或查看预置镜像;训练任务:用户可以通过创建的算法或预置算法对已发布的数据集进行训练。其中核心部分是训练任务,其他模块主要为其提供便捷的配置。
平台为每一个人工智能的训练都单独分配了一个虚拟容器去进行训练,各个训练之间相互隔离,互不干扰,提高了训练任务的可靠性。训练任务支持TensorFlow、OneFlow、PyTorch等多种深度学习框架,使用预置算法或用户自定义算法进行云端训练。支持训练任务的多版本控制,用户可基于现有版本进行修改,动态调整算法超参数,从而得到一个满意的模型。
平台具有模型管理功能,可以导入训练生成的模型,并对模型的版本迭代进行统一管理。用户也可以从本地上传模型文件。用户可在模型管理中进行模型的管理,支持的操作包括创建模型、查询模型、历史版本、下载、编辑、删除等。
具体的,模型管理具有的功能包括创建模型、查询模型、历史版本、模型下载、模型编辑和模型删除。
具体在平台上操作时,用户点击创建模型,输入模型名、选择框架类型、模型格式、模型类别、模型描述信息。在平台上成功创建模型后,用户可根据需要在搜索框输入模型ID或模型名称来查询模型。用户可在新增模型时选择新增版本,或者进入历史版本中新增模型版本。用户可在「模型列表」页面下载指定模型当前版本,或者进入「历史版本」页面下载指定模型版本。用户可在「模型列表」页面对模型信息进行编辑。用户可在「模型列表」页面删除指定模型。
进一步,在获得AI模型后,所述方法还包括:
步骤S105:接收用户的第三预设操作,在云服务器中对AI模型进行部署。
完成模型训练后,对于模型管理中保存的模型,用户可在云端Serving模块对模型进行部署。部署后,在在线服务列表的页面中可以查看到ID、服务名称、服务描述、状态、运行节点数/总节点数、调用失败次数/总次数、服务类型、创建时间、操作(编辑、启动、停止、删除、预测、回滚)等信息。
进一步,在获得AI模型后,所述方法还包括:
步骤S106:将所述AI模型训练过程中及完成后的模型结构和关联数据进行可视化展示。
可视化功能提供了训练任务执行过程中及完成后的模型结构、标量数据、媒体数据、统计分析、降维分析、超参分析、异常检测及用户定制数据的可视化展示功能。通过可视化功能中展示的模型结构、数据及参数,可以为深度学习模型训练及调优提供直观的参考。
其中,模型结构用于展示深度学习神经网络的结构。标量数据用于展示模型训练过程中生成的标量类型数据。媒体数据可以显示文本和图像数据。统计分析由直方图和分布图两部分组成,用于统计分析模型训练中生成的参数或数据。降维分析用于展示高维数据降维分析可视化。可以将高维数据降维并展示为2维,3维视图。超参分析用于展示并分析模型训练中使用到的超参数。用户定制可以将用户指定的媒体数据、标量数据和统计分析数据集中显示。
综上所述,实施本发明实施例提供的方法,其面向AI模型生产的生命周期提供了支撑数据处理、模型开发、模型训练和模型管理的功能,方便用户一站式构建AI模型。通过高性能的分布式训练方法,节省训练成本和训练时间。提供可视化和动静结合编码方式,调试灵活。
基于相同的发明构思,本发明实施例提供一种AI模型全生命周期管理平台。如图2所示,该平台可以包括:一个或多个处理器101、一个或多个输入设备102、一个或多个输出设备103和存储器104,上述处理器101、输入设备102、输出设备103和存储器104通过总线105相互连接。存储器104用于存储计算机程序,所述计算机程序包括程序指令,所述处理器101被配置用于调用所述程序指令执行上述AI模型全生命周期管理方法实施例部分的方法。
应当理解,在本发明实施例中,所称处理器101可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备102可以包括键盘等,输出设备103可以包括显示器(LCD等)、扬声器等。
该存储器104可以包括只读存储器和随机存取存储器,并向处理器101提供指令和数据。存储器104的一部分还可以包括非易失性随机存取存储器。例如,存储器104还可以存储设备类型的信息。
具体实现中,本发明实施例中所描述的处理器101、输入设备102、输出设备103可执行本发明实施例提供的AI模型全生命周期管理方法的实施例中所描述的实现方式,在此不再赘述。
需要说明的是,关于AI模型全生命周期管理平台的具体工作流程,可参考前述方法实施例部分,在此不再赘述。
进一步地,本发明实施例还提供了一种可读存储介质,存储有计算机程序,所述计算机程序包括程序指令,所述程序指令被处理器执行时实现:上述AI模型全生命周期管理方法。
所述计算机可读存储介质可以是前述实施例所述的后台服务器的内部存储单元,例如系统的硬盘或内存。所述计算机可读存储介质也可以是所述系统的外部存储设备,例如所述系统上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述系统的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述系统所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,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揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种AI模型全生命周期管理方法,其特征在于,该方法用于并行训练获得多个AI模型,所述方法包括:
接收用户的第一预设操作,创建数据集;
接收用户导入的原始数据,对所述原始数据进行标注,将标注后的原始数据存储在所述数据集中以构建训练集;
接收用户的第二预设操作,从模型库预存的多种类型的深度学习模型中选择至少一个类型的深度学习模型,为每个被选中的深度学习模型创建训练任务;
为每一个训练任务单独分配一个虚拟容器,利用训练集和预设算法分别在每一个虚拟容器中对对应的所述深度学习模型进行训练,获得AI模型。
2.如权利要求1所述的一种AI模型全生命周期管理方法,其特征在于,所述原始数据包括图片文件和视频文件。
3.如权利要求2所述的一种AI模型全生命周期管理方法,其特征在于,在接收用户导入的原始数据之后,所述方法还包括:
对所述原始数据进行数据增强操作以对所述原始数据进行扩充。
4.如权利要求3所述的一种AI模型全生命周期管理方法,其特征在于,所述数据增强操作包括缩放、颜色空间转换、格式转换、翻转旋转和裁剪。
5.如权利要求1所述的一种AI模型全生命周期管理方法,其特征在于,在获得AI模型后,所述方法还包括:
接收用户的第三预设操作,在云服务器中对AI模型进行部署。
6.如权利要求1所述的一种AI模型全生命周期管理方法,其特征在于,所述预设算法包括:
系统预置的算法;
用户上传的算法。
7.如权利要求1所述的一种AI模型全生命周期管理方法,其特征在于,多种类型的深度学习模型的类型包括OneFlow,PyTorch,TensorFlow。
8.如权利要求1所述的一种AI模型全生命周期管理方法,其特征在于,在获得AI模型后,所述方法还包括:
将所述AI模型训练过程中及完成后的模型结构和关联数据进行可视化展示。
9.一种AI模型全生命周期管理平台,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-8任一项所述的方法。
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存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311750882.9A CN117785408A (zh) | 2023-12-19 | 2023-12-19 | 一种ai模型全生命周期管理方法、平台及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311750882.9A CN117785408A (zh) | 2023-12-19 | 2023-12-19 | 一种ai模型全生命周期管理方法、平台及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117785408A true CN117785408A (zh) | 2024-03-29 |
Family
ID=90399325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311750882.9A Pending CN117785408A (zh) | 2023-12-19 | 2023-12-19 | 一种ai模型全生命周期管理方法、平台及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117785408A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378463A (zh) * | 2019-07-15 | 2019-10-25 | 北京智能工场科技有限公司 | 一种人工智能模型标准化训练平台及自动化系统 |
CN111814911A (zh) * | 2020-08-17 | 2020-10-23 | 安徽南瑞继远电网技术有限公司 | 一种基于容器化管理的电力ai训练平台及其训练方法 |
CN112667594A (zh) * | 2021-01-14 | 2021-04-16 | 北京智源人工智能研究院 | 一种基于混合云资源的异构计算平台及模型训练方法 |
CN112884021A (zh) * | 2021-01-29 | 2021-06-01 | 之江实验室 | 一种面向深度神经网络可解释性的可视分析系统 |
CN115686280A (zh) * | 2021-07-27 | 2023-02-03 | 京东方科技集团股份有限公司 | 深度学习模型管理系统、方法、计算机设备及存储介质 |
CN115984830A (zh) * | 2022-12-16 | 2023-04-18 | 上海东普信息科技有限公司 | 安全带佩戴检测方法、装置、设备及存储介质 |
-
2023
- 2023-12-19 CN CN202311750882.9A patent/CN117785408A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378463A (zh) * | 2019-07-15 | 2019-10-25 | 北京智能工场科技有限公司 | 一种人工智能模型标准化训练平台及自动化系统 |
CN111814911A (zh) * | 2020-08-17 | 2020-10-23 | 安徽南瑞继远电网技术有限公司 | 一种基于容器化管理的电力ai训练平台及其训练方法 |
CN112667594A (zh) * | 2021-01-14 | 2021-04-16 | 北京智源人工智能研究院 | 一种基于混合云资源的异构计算平台及模型训练方法 |
CN112884021A (zh) * | 2021-01-29 | 2021-06-01 | 之江实验室 | 一种面向深度神经网络可解释性的可视分析系统 |
CN115686280A (zh) * | 2021-07-27 | 2023-02-03 | 京东方科技集团股份有限公司 | 深度学习模型管理系统、方法、计算机设备及存储介质 |
CN115984830A (zh) * | 2022-12-16 | 2023-04-18 | 上海东普信息科技有限公司 | 安全带佩戴检测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021136365A1 (zh) | 基于机器学习模型的应用开发方法、装置及电子设备 | |
US11036483B2 (en) | Method for predicting the successfulness of the execution of a DevOps release pipeline | |
US20200125482A1 (en) | Code examples sandbox | |
CN109448100B (zh) | 三维模型格式转换方法、系统、计算机设备及存储介质 | |
CN111340240A (zh) | 实现自动机器学习的方法及装置 | |
US11782703B2 (en) | Computer code refactoring | |
CN114730486B (zh) | 用于生成用于对象检测的训练数据的方法和系统 | |
CN114090378A (zh) | 一种基于Kapacitor的自定义监控告警方法 | |
CN115809302A (zh) | 元数据处理方法、装置、设备及存储介质 | |
Sankar et al. | Prediction of code fault using Naive Bayes and SVM classifiers | |
US20210326761A1 (en) | Method and System for Uniform Execution of Feature Extraction | |
AU2022204049A1 (en) | Utilizing topology-centric monitoring to model a system and correlate low level system anomalies and high level system impacts | |
CN114064026A (zh) | 一种业务处理模型生成方法、装置、电子设备和存储介质 | |
CN117492703A (zh) | 一种基于人工智能的软件开发方法、设备及介质 | |
CN117234505A (zh) | 一种交互页面生成方法、装置、设备及其存储介质 | |
CN117131222A (zh) | 基于开放世界大模型的半自动化标注方法和装置 | |
CN117785408A (zh) | 一种ai模型全生命周期管理方法、平台及存储介质 | |
US20190340540A1 (en) | Adaptive continuous log model learning | |
WO2023147131A1 (en) | Auto adapting deep learning models on edge devices for audio and video | |
CN116993315A (zh) | 冷源设备的运维方法、装置、计算设备及存储介质 | |
US11829890B2 (en) | Automated machine learning: a unified, customizable, and extensible system | |
CN108021353A (zh) | 软件产品的说明文档的生成装置、方法、设备及存储介质 | |
KR20230059364A (ko) | 언어 모델을 이용한 여론조사 시스템 및 운영 방법 | |
WO2023036400A1 (en) | Managing an app, especially developing an app comprising a trained function, method and system | |
Debattista et al. | Semantic data ingestion for intelligent, value-driven big data analytics |
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 |