LU601420B1 - Ein Aufgabenverarbeitungsverfahren und ein System für einen Algorithmus der künstlichen Intelligenz - Google Patents

Abstract

Die vorliegende Erfindung stellt ein Aufgabenverarbeitungsverfahren und ein System für einen Algorithmus der künstlichen Intelligenz zur Verfügung, die darauf abzielen, die Verarbeitungseffizienz und die Transparenz der Entscheidungsfindung bei einer komplexen Aufgabe zu verbessern. Das besagte Aufgabenverarbeitungsverfahren des Algorithmus der künstlichen Intelligenz umfasst vier Schritte: Aufgabenanalyse, Merkmalsauswahl, Modellberechnung und Ergebnisoptimierung. Das besagte Aufgabenverarbeitungssystem für den Algorithmus der künstlichen Intelligenz umfasst ein Aufgabenverwaltungsmodul, ein Modellanalysemodul und ein Optimierungsentscheidungsmodul, wobei jedes Modul zusammenarbeitet, um eine effiziente Verarbeitung und dynamische Optimierung der Aufgabe zu erreichen. Die Erfindung ist in vielen Bereichen anwendbar, z. B. in der intelligenten Entscheidungsfindung, beim automatischen Fahren, bei der Kontrolle finanzieller Risiken, bei der medizinischen Diagnose usw., und verbessert die Transparenz und Zuverlässigkeit des Modells der künstlichen Intelligenz.

Description

Ein Aufgabenverarbeitungsverfahren und ein System für einen Algorithmus der LU601420 künstlichen Intelligenz

Technischer Bereich

Die vorliegende Erfindung bezieht sich auf das technische Gebiet der künstlichen Intelligenz und insbesondere auf ein Aufgabenverarbeitungsverfahren und ein System für einen Algorithmus der künstlichen Intelligenz, die auf einer interpretierbaren Analyse beruhen, die auf

Anwendungsszenarien anwendbar ist, die eine effiziente und transparente Entscheidungsfindung erfordern, wie z. B. intelligente Entscheidungsfindung, automatisiertes Fahren, finanzielle

Risikokontrolle, medizinische Diagnose und so weiter.

Technologie im Hintergrund

Mit der rasanten Entwicklung der KI-Technologie wurden maschinelles Lernen und Deep

Learning in einer Vielzahl von Bereichen wie autonomes Fahren, medizinische Diagnose und intelligente Empfehlungen eingesetzt. Bestehende Methoden zur Verarbeitung von KI-Aufgaben stützen sich jedoch hauptsächlich auf Black-Box-Modelle wie neuronale Netze und

Entscheidungsbäume, denen es bei komplexen Aufgaben an Transparenz mangelt, was den

Entscheidungsprozess schwer nachvollziehbar macht und zu größeren Unsicherheiten und

Compliance-Risiken bei Anwendungen führt. Darüber hinaus verwenden aktuelle KI-

Aufgabenverarbeitungssysteme in der Regel statische Modelle, die sich nur schwer an sich dynamisch verändernde Aufgabenumgebungen anpassen lassen, was die Echtzeit und die

Genauigkeit der Entscheidungsfindung beeinträchtigt.

Bestehende Methoden leiden vor allem unter den folgenden Problemen:

Schlechte Interpretierbarkeit: Die Entscheidungsgrundlage des Modells ist nicht transparent und es ist schwierig, den Beitrag der wichtigsten Merkmale zu analysieren, was die

Glaubwürdigkeit des Modells beeinträchtigt.

Unzureichende Bewertung der Bedeutung von Merkmalen: Bestehende Methoden stützen sich häufig nur auf herkömmliche Verfahren zur Auswahl von Merkmalen und können den

Einfluss verschiedener Merkmale auf die Vorhersageergebnisse nicht wirksam quantifizieren.

Schwache lokale Interpretationsfähigkeit: Die meisten Methoden sind nicht in der Lage, feinkörnige Interpretationen für einzelne Aufgaben zu liefern, was die Verwendbarkeit des Modells und die Einhaltung von Vorschriften beeinträchtigt.

Unzureichende Fähigkeit zur Aufgabenoptimierung: Das Fehlen dynamischer

Optimierungsstrategien und die Unfähigkeit, Modellparameter entsprechend den

Aufgabenanforderungen anzupassen, führen zu einer schlechten Anpassungsfähigkeit.

Daher besteht ein dringender Bedarf an einer KI-Methode und einem KI-System zur

Aufgabenbearbeitung, die sowohl globale Interpretationen liefern als auch die lokale

Aufgabenoptimierung unterstützen können, um die Transparenz, Anpassungsfähigkeit und

Zuverlässigkeit der Aufgabenausführung zu verbessern.

Inhalt der Erfindung

Um den oben genannten Erfindungszweck zu erreichen, bietet die vorliegende Erfindung die folgende technische Lösung: ein Aufgabenverarbeitungsverfahren eines Algorithmus der künstlichen Intelligenz, das die folgenden Schritte umfasst:

Schritt 1, Aufgabenparsing, Empfangen einer von einem Benutzer eingegebenen

Aufgabenanforderung, Extrahieren der Kernanforderungen, Datentypen und Einschränkungen der

Aufgabe auf der Grundlage eines Algorithmus zur Verarbeitung natürlicher Sprache und

Klassifizieren der Aufgabe;

Schritt 2, Algorithmusabgleich, Konstruktion eines Algorithmus-Empfehlungsmechanismtss/601 420 auf der Grundlage einer Vektorähnlichkeitsberechnung, Screening geeigneter Algorithmen der künstlichen Intelligenz aus der Algorithmenbibliothek und Durchführung einer adaptiven

Optimierung der Parameter durch Reinforcement Learning;

Schritt 3, Aufgabenausführung: Aufruf des passenden Algorithmus zur Verarbeitung der

Fingabedaten und Optimierung der Rechenlast durch eine dynamische Strategie zur Planung der

Rechenressourcen;

Schritt 4, Ergebnisrückmeldung, Kombination interpretierbarer KI-Modelle zur Erstellung von Berichten über die Aufgabenausführung und Darstellung des Datenanalyseprozesses durch

Visualisierungswerkzeuge.

Vorzugsweise umfassen die spezifischen Schritte in diesem ersten Schritt:

Semantische Analyse: Parsen von Benutzereingabetext unter Verwendung eines vorab trainierten Transformer-Modells, Klassifizieren der Aufgabe unter Verwendung eines beabsichtigten Klassifizierungsnetzwerks und Extrahieren von Schlüsselinformationen in

Kombination mit der Erkennung benannter Entitaten;

Identifizierung des Datenformats: Auf der Grundlage von Feature-Engineering-Methoden werden das Format, die Struktur und die Beschränkungen der Eingabedaten analysiert und ein standardisiertes Datenbeschreibungsmodell erstellt;

Berechnung der Aufgabenpriorität: Kombination des auf der hierarchischen Analysemethode basierenden Aufgabenplanungsmechanismus, Zuweisung von Prioritätskennzeichnungen zu den geparsten Aufgaben.

Vorzugsweise umfassen die spezifischen Schritte in diesem zweiten Schritt:

Erstellen einer algorithmischen Wissenskarte: Herstellen einer Wissensassoziation zwischen dem Algorithmus und der Anwendungsdomäne auf der Grundlage der Aufgabenanforderungen, wodurch eine algorithmische Empfehlungsbasis gebildet wird;

Ähnlichkeitsabgleich: Screening des optimalen Algorithmus durch Berechnung der Kosinus-

Ähnlichkeit zwischen dem Aufgabenanforderungsvektor und dem Algorithmus-Merkmalsvektor, die nach der folgenden Formel berechnet wird:

AB

SWAB) = mn

Wenn A der Merkmalsvektor der Aufgabenanforderung und B der Merkmalsvektor des

Algorithmus ist, wird der am besten geeigneter Algorithmus durch Berechnung der

Ahnlichkeitsbewertung herausgefiltert;

Optimierung des Verstärkungslernens: Anwendung einer auf dem Gradienten der Strategie basierenden Methode, Optimierung der Algorithmusparameter durch mehrere Trainingsrunden, um die Genauigkeit der Ubereinstimmungsergebnisse zu verbessern.

Vorzugsweise umfasst der spezifische Schritt im dritten Schritt:

Planung der Rechenressourcen: Basierend auf der Aufgabenkomplexität und der Auslastung der Rechenressourcen wird eine Bayes'sche Optimierungsstrategie verwendet, um die

Rechenressourcen dynamisch zuzuweisen;

Ausführung des Algorithmusmodells: Aufrufen des Anpassungsalgorithmus zur Verarbeitung der Eingabedaten und Überwachen des Berechnungsprozesses und Aufzeichnen von

Zwischenzuständen zur Unterstützung der Backtracking-Analyse;

Erkennung von Anomalien und Wiederherstellung: Überwachung von Fehlern im

Berechnungsprozess durch das Modul zur Erkennung von Anomalien und Verwendung eines automatischen Rollback-Mechanismus zur Wiederherstellung des vorherigen stabilen Zustands.-J601420

Vorzugsweise umfasst der spezifische Schritt in diesem vierten Schritt:

Analyse der Modellinterpretierbarkeit: Analyse der Einflussfaktoren der algorithmischen

Entscheidungsfindung unter Verwendung einer Modellinterpretierbarkeitsmethode und Erstellung eines Interpretierbarkeitsberichts;

Datenvisualisierung: Durch die Kombination von grafischen Verarbeitungswerkzeugen werden der Datenverarbeitungsprozess und die Ergebnisse dem Benutzer in einer interaktiven

Visualisierungsschnittstelle angezeigt;

Sammlung von Benutzer-Feedback: Einrichtung eines Mechanismus zur Sammlung von

Benutzer-Feedback, um die Bewertung der Algorithmus-Verarbeitungsergebnisse durch die

Benutzer zu sammeln und den nachfolgenden Aufgabenverarbeitungsprozess zu optimieren.

Die vorliegende Erfindung stellt auch ein Aufgabenverarbeitungssystem für Algorithmen der künstlichen Intelligenz bereit, das die folgenden Module umfasst:

Ein Task-Parsing-Modul zum Empfangen und Parsen einer von einem Benutzer eingegebenen Aufgabenanforderung, Extrahieren von Kernanforderungen und Klassifizieren von

Aufgaben;

Ein Algorithmus-Matching-Modul zum Screening geeigneter Algorithmen der künstlichen

Intelligenz auf der Grundlage einer Vektorähnlichkeitsberechnung und zur Durchführung einer

Parameteroptimierung;

Aufgabenausführungs- und Rückmeldungsmodul zum Aufrufen ausgewählter Algorithmen für die Datenverarbeitung, zur dynamischen Planung von Rechenressourcen und zur Erzeugung interpretierbarer Aufgabenverarbeitungsergebnisse.

Das Aufgaben-Parsing-Modul umfasst insbesondere Folgendes:

Ein semantisches Analyse-Submodul zum Parsen von Benutzeraufgabenbeschreibungen auf der Grundlage des Transformer-Modells, zum Extrahieren von Schlüsselwôrtern und zum

Berechnen von Aufgaben-Intent-Vektoren;

Fin Submodul zur Erkennung der Datenstruktur, um den Typ und das Format der

Eingabedaten zu identifizieren und einen Mechanismus zur Konvertierung der

Datenstandardisierung einzurichten, um die Datenkompatibilität zu verbessern;

Fin Untermodul zur Bewertung der Aufgabenpriorität, um eine Aufgabenprioritiat auf der

Grundlage von Aufgabenmerkmalen zu berechnen und Planungsreferenzinformationen für die

Aufgabenausführung bereitzustellen.

In dem genannten Algorithmus-Matching-Modul sind insbesondere enthalten:

Fin Submodul für die Verwaltung der Algorithmenbibliothek zum Speichern und Verwalten verschiedener Arten von Algorithmen der künstlichen Intelligenz und zum Filtern geeigneter

Algorithmen auf der Grundlage der Aufgabenanforderungen;

Ein Untermodul zur Berechnung des Vektorabgleichs, um die Ähnlichkeit zwischen dem

Aufgabenanforderungsvektor und dem Algorithmus-Merkmalsvektor zu berechnen und den optimalen Algorithmus zu empfehlen;

Ein Untermodul zur Parameteroptimierung, das Methoden des verstärkten Lernens verwendet, um die Hyperparameter der Algorithmen dynamisch anzupassen, um die Effizienz der

Aufgabenausführung zu verbessern.

Das Aufgabenausführungs- und Rückmeldungsmodul umfasst insbesondere Folgendes:

Ein Submodul für die Planung von Rechenressourcen zur dynamischen Zuweisung von

Rechenressourcen, um die Effizienz der Aufgabenausführung zu optimieren;

Ein Submodul zur Erkennung und Wiederherstellung von Anomalien während db}6091420

Aufgabenausführung und zu deren Wiederherstellung durch einen automatischen Rollback-

Mechanismus;

Ein Interpretierbares Analyse-Submodul zum Erzeugen eines Aufgabenausführungsberichts unter Verwendung einer Modellinterpretierbarkeitsmethode und zum Kombinieren von

Datenvisualisierungstechniken, um die Verständlichkeit der Ergebnisse zu verbessern.

Vorteilhafte Auswirkungen der vorliegenden Erfindung im Vergleich zum Stand der Technik:

Verbesserung der Merkmalsauswahl und -optimierung zur Verbesserung der Genauigkeit der

Aufgabenbearbeitung:

Die Wichtigkeit von Merkmalen wird durch modellinterpretierbare Methoden berechnet, und die Modelleingangsvariablen werden dynamisch angepasst, um die Auswirkungen redundanter

Merkmale auf die Berechnungseffizienz zu verringern, und gleichzeitig wird die Fähigkeit zur

Identifizierung von Schlüsselmerkmalen verbessert, um die Vorhersagegenauigkeit zu erhöhen.

Einführung einer Aufgabenoptimierungsstrategie zur adaptiven Anpassung der

Merkmalsauswahlstrategie entsprechend der Komplexität und Datenverteilung verschiedener

Aufgaben, um die Anwendbarkeit des Modells zu verbessern.

Verbesserung der Anpassungsfähigkeit des Modells an die jeweilige Aufgabe und

Verbesserung der Fähigkeit zur Entscheidungsfindung in Echtzeit:

Die Einführung eines dynamischen Modelloptimierungsmechanismus ermöglicht es dem

System, die Berechnungsparameter entsprechend den Aufgabenanforderungen anzupassen, sich auf verschiedene Aufgabentypen einzustellen und die Echtzeit und Genauigkeit der

Entscheidungsfindung zu verbessern.

Das Aufgabenverwaltungsmodul kombiniert Optimierungsstrategien des maschinellen

Lernens, um eine intelligente Planung des Aufgabenverarbeitungsprozesses zu erreichen und die effiziente Ausführung der KI-Aufgabenverarbeitung zu gewährleisten.

Verbessern Sie die Stabilität und Erweiterbarkeit des Systems:

Die KI-Aufgabenverarbeitungsmethode, die durch die vorliegende Erfindung bereitgestellt wird, kann auf eine Vielzahl von Gebieten wie Finanzrisikokontrolle, medizinische Diagnose, automatisches Fahren, intelligente Empfehlungen usw. angewendet werden und hat eine starke

Allgemeinheit und Erweiterbarkeit.

Es hat einen modularen Aufbau, einschließlich eines Aufgabenverwaltungsmoduls, eines

Modellanalysemoduls und eines Optimierungsentscheidungsmoduls, das je nach den spezifischen

Anwendungsanforderungen angepasst und erweitert werden kann und sich an die Bedürfnisse der

KI-Aufgabenverarbeitung in verschiedenen Szenarien anpasst.

Optimierung der Rechenressourcen und Verbesserung der Effizienz der Aufgabenausführung:

Reduzierung der Redundanz bei der Modellberechnung, Verringerung des Verbrauchs von

Rechenressourcen und Verbesserung der Effizienz der Aufgabenbearbeitung durch Feature-

Screening und Optimierung der Berechnungsstrategien.

Verbessern Sie die Effizienz und Stabilität der Aufgabenausführung:

Durch die dynamische Planung der Rechenressourcen und den Mechanismus zur Erkennung und Wiederherstellung von Anomalien ist das System in der Lage, die Rechenressourcen entsprechend dem Aufgabenbedarf angemessen zuzuweisen und gleichzeitig Anomalien bei der

Aufgabenausführung in Echtzeit zu überwachen, um sicherzustellen, dass die

Aufgabenausführung effizient und stabil ist. Dieser Mechanismus verbessert die Zuverlässigkeit des Systems in komplexen Computerumgebungen erheblich und verringert die Verschwendung von Computerressourcen und die Auswirkungen von Systemausfällen. LU601420

Verbesserung der Systemtransparenz und des Benutzervertrauens:

Durch interpretierbare Analyse- und Datenvisualisierungstechniken ist das System in der

Lage, leicht verständliche Berichte über die Aufgabenausführung zu erstellen, die die 5 algorithmische Entscheidungsgrundlage und den Prozess der Aufgabenausführung zeigen. Die

Benutzer können nicht nur die Ergebnisse der Aufgabenbearbeitung deutlich sehen, sondern auch die Entscheidungslogik des Systems besser verstehen, was das Vertrauen des Benutzers in das

System stärkt, was besonders in sensiblen Bereichen wie der medizinischen Diagnose, der

Bewertung von Finanzrisiken und anderen Bereichen wichtig ist.

Beschreibung der beigefügten Zeichnungen

Bild 1 zeigt ein schematisches Diagramm des Ablaufs der in der vorliegenden Anwendung vorgesehenen Verfahrensschritte;

Bild 2 zeigt ein schematisches Diagramm eines Systemmoduls, das von der vorliegenden

Anwendung bereitgestellt wird.

Detaillierte Beschreibung

Damit der Fachmann die Ausführungsformen der vorliegenden Erfindung besser verstehen kann, werden die technischen Lösungen in den Ausführungsformen der vorliegenden Erfindung im Folgenden in Verbindung mit den beigefügten Zeichnungen in den Ausführungsformen der vorliegenden Erfindung klar und vollständig beschrieben, und es ist klar, dass die beschriebenen

Ausfihrungsformen nur einen Teil der Ausführungsformen der vorliegenden Erfindung und nicht alle Ausführungsformen darstellen. Ausgehend von den Ausführungsformen der vorliegenden

Erfindung fallen alle anderen Ausführungsformen, die von einem Fachmann ohne schöpferische

Arbeit erreicht werden, in den Schutzbereich der vorliegenden Erfindung.

Unter Bezugnahme auf Bild 1 stellt eine Ausführungsform der vorliegenden Erfindung ein

Aufgabenverarbeitungsverfahren eines Algorithmus der künstlichen Intelligenz bereit, das die folgenden Schritte umfasst:

Schritt 1, Aufgabenparsing, Empfangen einer von einem Benutzer eingegebenen

Aufgabenanforderung, Extrahieren von Aufgabenkernanforderungen, Datentypen und

Beschränkungen auf der Grundlage eines Algorithmus zur Verarbeitung natürlicher Sprache und

Klassifizieren der Aufgabe.

In diesem ersten Schritt sind hauptsächlich drei Schlüsselschritte enthalten, nämlich die semantische Analyse, die Identifizierung des Datenformats und die Berechnung der

Aufgabenpriorität, um ein effizientes und genaues Verstehen und Planen der Aufgabe zu erreichen:

Zunächst empfängt das System den vom Benutzer eingegebenen Text der

Aufgabenanweisung und analysiert ihn mit Hilfe eines vorab trainierten Transformer-Modells, das die semantischen Informationen in der Textsequenz durch einen Selbstbeobachtungsmechanismus lernt und die Aufgabe in Kombination mit einem absichtlichen Klassifizierungsnetzwerk klassifiziert. Nach dem Parsing des Aufgabentyps und der Kernparameter analysiert das System das Format, die Struktur und die Einschränkungen der Eingabedaten. Insbesondere wendet das

System einen Feature-Engineering-Ansatz an, um das Format der Eingabedaten zu ermitteln und ein standardisiertes Datenbeschreibungsmodell zu erstellen. Nach Abschluss der Aufgabenanalyse ordnet das System den Aufgaben auf der Grundlage der hierarchischen Analysemethode

Prioritätskennzeichnungen zu. Der Mechanismus für die Aufgabenplanung berücksichtigt drei

Faktoren: die Dringlichkeit der Aufgabe, den Bedarf an Rechenressourcen und die

Berechtigungsstufe des Benutzers.

In Schritt 2, dem Algorithmenabgleich, wird ein Algorithmenempfehlungsmechanismus ab P601420 der Grundlage der Vektorähnlichkeitsberechnung konstruiert, geeignete Algorithmen der künstlichen Intelligenz aus der Algorithmenbibliothek ausgewählt und eine adaptive Optimierung der Parameter durch verstärkendes Lernen durchgeführt.

In diesem zweiten Schritt konstruiert das System zunächst einen algorithmischen

Wissensgraphen, stellt Wissensassoziationen von Algorithmen zu Anwendungsbereichen auf der

Grundlage von Aufgabenanforderungen her und bildet eine algorithmische Empfehlungsbasis.

Dazu werden Informationen über den Typ der Eingabedaten, die Rechenkomplexität, die anwendbaren Aufgaben und andere Merkmale verschiedener Algorithmen gesammelt und die

Graphdatenbank verwendet, um die Wissensbeziehung , Algorithmus-Aufgabenanforderungen-

Anwendungsbereich“ zu speichern, um die Genauigkeit des späteren Abgleichs sicherzustellen.

AnschlieBend vektorisiert das System die vom Benutzer eingegebenen Aufgabenanforderungen und verwendet die Kosinusähnlichkeit um die Ähnlichkeit zwischen dem

Aufgabenanforderungsvektor und dem Algorithmus-Merkmalsvektor mit der folgenden Formel zu berechnen:

AB

SAB) = ae

Dabei ist A der Merkmalsvektor der Aufgabenanforderung und B der Merkmalsvektor des

Algorithmus, und der am besten passender Algorithmus wird durch Berechnung der

Ahnlichkeitsbewertung herausgefiltert. Um schließlich die Anpassungsgenauigkeit weiter zu optimieren, wendet das System eine Methode des verstärkenden Lernens an, die auf dem

Strategiegradienten basiert, um eine Umgebung des verstärkenden Lernens zu schaffen, in der der

Zustand der Aufgabenanforderungsvektor und der empfohlene Algorithmus-Merkmalsvektor ist, die Aktion darin besteht, den optimalen Algorithmus auszuwählen, und die Belohnungsfunktion auf der Grundlage der Rückmeldungen des Benutzers optimiert wird, so dass die

Anpassungsgenauigkeit durch mehrere Trainingsrunden kontinuierlich verbessert wird.

Schritt 3, Aufgabenausführung, Aufruf des Abgleichsalgorithmus zur Verarbeitung der

Eingabedaten und Verwendung einer dynamischen Planungsstrategie für die Rechenressourcen zur

Optimierung der Rechenlast.

In diesem dritten Schritt wendet das System zunächst eine Bayes'sche Optimierungsstrategie für die dynamische Zuweisung von Rechenressourcen auf der Grundlage der Komplexität der

Aufgabe und der aktuellen Auslastung der Rechenressourcen an, um eine effiziente Nutzung der

Rechenressourcen sicherzustellen und die Ausführungszeit der Aufgabe zu optimieren.

Anschließend ruft das System das optimale Algorithmusmodell des Pre-Order-Matching auf, um die Eingabedaten zu verarbeiten, und überwacht gleichzeitig den Berechnungsprozess in Echtzeit und zeichnet die Zwischenzustände auf, um die Rückschau auf die Aufgabe und die Anpassung der Optimierung in der nachfolgenden Analyse zu unterstützen. Während der Ausführung der

Berechnung überwacht das System den Ausführungszustand der Aufgabe in Echtzeit mit Hilfe des

Moduls zur Erkennung von Anomalien, und wenn Anomalien festgestellt werden, löst das System automatisch den Rollback-Mechanismus aus, um den Berechnungsprozess auf den nächstgelegenen stabilen Zustand zurückzusetzen und so die Stabilität und Zuverlässigkeit der

Aufgabenausführung zu gewährleisten.

In Schritt 4 werden die Ergebnisse zurückgemeldet, der Bericht über die Aufgabenausführung wird in Kombination mit dem interpretierbaren KI-Modell erstellt, und der Datenanalyseprozess wird über ein Visualisierungstool angezeigt.

In diesem vierten Schritt wendet das System zunächst eine Modellinterpretationsmethode ah}601 420 um den algorithmischen Entscheidungsprozess zu analysieren, die Schlüsselfaktoren zu ermitteln, die die endgültige Entscheidung beeinflussen, und einen interpretierbaren Bericht zu erstellen, so dass der Benutzer die Grundlage für das Urteil des Algorithmus verstehen kann. AnschlieBend zeigt das System in Kombination mit grafischen Verarbeitungswerkzeugen den

Datenverarbeitungsprozess und die Ergebnisse in einer interaktiven Visualisierungsschnittstelle an, so dass der Benutzer die Ausführung der Aufgabe, einschließlich der Dateneingabe-Ausgabe-

Beziehung, des Modellberechnungsprozesses und der wichtigsten Entscheidungspunkte, intuitiv verfolgen kann. Um den Aufgabenverarbeitungsprozess weiter zu optimieren, richtet das System einen Benutzer-Feedback-Mechanismus ein, um die Bewertung der Algorithmus-

Verarbeitungsergebnisse durch die Benutzer zu sammeln, und passt die Modellparameter an oder optimiert die Aufgabenplanungsstrategie auf der Grundlage der Feedback-Informationen, um so die Gesamtleistung und die Benutzererfahrung des Systems zu verbessern.

Bezugnehmend auf Bild 2 stellt eine Ausführungsform der vorliegenden Erfindung ein

Aufgabenverarbeitungssystem für Algorithmen der künstlichen Intelligenz bereit, das die folgenden Module umfasst:

Fin Aufgaben-Parsing-Modul zum Empfangen und Parsen einer von einem Benutzer eingegebenen Aufgabenanforderung, Extrahieren von Kernanforderungen und Klassifizieren von

Aufgaben.

Das Aufgaben-Parsing-Modul umfasst drei Untermodule zur semantischen Analyse, zur

Identifizierung von Datenstrukturen und zur Bewertung der Aufgabenprionität. Zunächst analysiert das Untermodul für semantische Analyse die vom Benutzer eingegebene Aufgabenbeschreibung unter Verwendung eines vorab trainierten Transformer-Modells, extrahiert wichtige semantische

Informationen und berechnet Vektoren für die Aufgabenabsicht, um Aufgabenanforderungen genau zu identifizieren. Anschließend analysiert das Submodul zur Datenstrukturerkennung den

Typ und das Format der Eingabedaten und richtet einen Mechanismus zur Datenstandardisierung ein, damit die Daten an verschiedene algorithmische Modelle angepasst werden kônnen, was die

Datenkompatibilität und die Verarbeitungseffizienz verbesserten. Das Submodul zur Bewertung der Aufgabenpriorität schließlich berechnet die Priorität entsprechend den Aufgabenmerkmalen, berücksichtigt die Berechnungskomplexität, die Echtzeitanforderungen und den

Ressourcenverbrauch der Aufgabe und liefert Referenzinformationen fiir die Planung der

Aufgabenausführung.

Algorithmus-Matching-Modul, das dazu dient, geeignete KI-Algorithmen auf der Grundlage der Vektorähnlichkeitsberechnung zu prüfen und eine Parameteroptimierung durchzuführen.

Das beschriebene Modul für den Algorithmusabgleich besteht aus drei Teilmodulen:

Verwaltung der Algorithmenbibliothek, Berechnung des Vektorabgleichs und

Parameteroptimierung. Zunächst speichert und verwaltet das Teilmodul zur Verwaltung der

Algorithmenbibliothek verschiedene Arten von Algorithmen der künstlichen Intelligenz, darunter maschinelles Lernen, Deep Learning und statistische Modelle, und wählt die am besten geeigneten

Algorithmen entsprechend den Aufgabenanforderungen aus. Anschließend vektorisiert das

Teilmodul für die Berechnung des Vektorabgleichs die Merkmale der Aufgabenanforderungen und berechnet ihre Ähnlichkeit mit den Merkmalsvektoren der Algorithmen anhand der Formel für die

Berechnung der Kosinusähnlichkeit:

AB

SWAB) = mairie]

Der am besten passender Algorithmus wird herausgefiltert, um die Empfehlungsgenauigkéit/60 420 zu verbessern. Schließlich verwendet das Untermodul zur Parameteroptimierung Methoden des

Reinforcement Learning, um die Hyperparameter der ausgewählten Algorithmen dynamisch anzupassen und die Modellparameter durch den Mechanismus der Gradientenoptimierung zu optimieren, um die Effizienz der Aufgabenausführung und die Genauigkeit der Ergebnisse zu verbessern.

Ein Modul zur Aufgabenausführung und Rückmeldung, um den ausgewählten Algorithmus zur Datenverarbeitung aufzurufen, Rechenressourcen dynamisch zu planen und interpretierbare

Ergebnisse der Aufgabenverarbeitung zu erzeugen.

Das besagte Modul für die Aufgabenausführung und Rückmeldung umfasst drei Untermodule für die Planung von Rechenressourcen, die Erkennung und Wiederherstellung von Anomalien und die Analyse der Interpretierbarkeit. Zunächst weist das Teilmodul für die Planung der

Rechenressourcen den Anforderungen der Aufgabe und der Auslastung der Rechenressourcen entsprechend dynamisch Rechenressourcen zu, optimiert die Ausführungseffizienz der Aufgabe und stellt sicher, dass die Ressourcen effizient genutzt werden. Wenn das System Rechenfehler oder Instabilität feststellt, stellt es den vorherigen stabilen Zustand der Aufgabe durch einen automatischen Rollback-Mechanismus wieder her und vermeidet so Rechenunterbrechungen oder

Datenverluste. Schließlich erzeugt das interpretierbare Analyse-Teilmodul einen detaillierten

Bericht über die Aufgabenausführung unter Verwendung von Modellinterpretationsmethoden, analysiert die wichtigsten Einflussfaktoren im Entscheidungsfindungsprozess der Aufgabe und kombiniert Datenvisualisierungstechniken, um die Ergebnisse der Aufgabenausführung über eine interaktive Schnittstelle zu präsentieren, was den Benutzern hilft, die algorithmische

Entscheidungsgrundlage und den Ausführungsprozess zu verstehen.

Es ist zu beachten, dass die Ausführungsformen und die Merkmale und technischen Lösungen in den Ausführungsformen der vorliegenden Erfindung miteinander kombiniert werden können, ohne in Konflikt zu geraten.

Selbstverständlich sind die oben beschriebenen Ausführungsformen nur ein Teil der

Ausführungsformen der vorliegenden Erfindung und nicht alle Ausführungsformen, und die beigefügten Zeichnungen zeigen bevorzugte Ausführungsformen der vorliegenden Erfindung, ohne den Patentumfang der vorliegenden Erfindung einzuschränken. Die vorliegende Erfindung kann in vielen verschiedenen Ausführungsformen realisiert werden, und umgekehrt werden diese

Ausführungsformen bereitgestellt, um ein gründlicheres und umfassenderes Verständnis der

Offenbarung der vorliegenden Erfindung zu ermöglichen. Obwohl die vorliegende Erfindung unter Bezugnahme auf die vorstehenden Ausführungsformen detailliert beschrieben wurde, ist es für den Fachmann möglich, die in den vorstehenden Ausführungsformen aufgezeichneten technischen Lösungen zu modifizieren oder einige der darin enthaltenen technischen Merkmale durch gleichwertige zu ersetzen. Jede äquivalente Struktur, die unter Verwendung der

Beschreibung der vorliegenden Erfindung und der beigefügten Zeichnungen hergestellt wird und die direkt oder indirekt auf anderen verwandten technischen Gebieten angewandt wird, fällt ebenfalls in den Anwendungsbereich des Patentschutzes der vorliegenden Erfindung.

Claims (9)

Ansprüche LU601420

1. Ein Aufgabenverarbeitungsverfahren eines Algorithmus der künstlichen Intelligenz, dadurch gekennzeichnet, dass es die folgenden Schritte umfasst: S1, Aufgabenparsing, Empfangen einer von einem Benutzer eingegebenen Aufgabenanforderung, Extrahieren der Kernanforderungen, Datentypen und Beschränkungen der Aufgabe auf der Grundlage eines Algorithmus zur Verarbeitung natürlicher Sprache und Klassifizieren der Aufgabe; S2, Algorithmusabgleich, Konstruktion eines Algorithmus-Empfehlungsmechanismus auf der Grundlage einer Vektorähnlichkeitsberechnung, Screening geeigneter Algorithmen der künstlichen Intelligenz aus einer Algorithmusbibliothek und Durchführung einer adaptiven Optimierung der Parameter durch Verstärkungslernen; S3, Aufgabenausführung, Aufrufen der angepassten Algorithmen zur Verarbeitung der Eingabedaten und Optimierung der Rechenlast durch Verwendung einer dynamischen Strategie zur Planung der Rechenressourcen; S4, Ergebnisrückmeldung, Kombination interpretierbarer KI-Modelle zur Erstellung von Berichten über die Aufgabenausführung und Darstellung des Datenanalyseprozesses durch Visualisierungswerkzeuge.

2. Das Aufgabenverarbeitungsverfahren des Algorithmus der künstlichen Intelligenz nach Anspruch 1, wobei S1 insbesondere umfasst: Semantische Analyse: Parsen von Benutzereingabetext unter Verwendung eines vorab trainierten Transformer-Modells, Klassifizieren der Aufgabe unter Verwendung eines beabsichtigten Klassifizierungsnetzwerks und Extrahieren von Schlüsselinformationen in Kombination mit der Erkennung benannter Entitäten; Identifizierung des Datenformats: Auf der Grundlage von Feature-Engineering-Methoden werden das Format, die Struktur und die Beschränkungen der Eingabedaten analysiert und ein standardisiertes Datenbeschreibungsmodell erstellt; Berechnung der Aufgabenpriorität: Kombination des auf der hierarchischen Analysemethode basierenden Aufgabenplanungsmechanismus, Zuweisung von Prioritätskennzeichnungen zu den geparsten Aufgaben.

3. Das Aufgabenverarbeitungsverfahren des Algorithmus der künstlichen Intelligenz nach Anspruch 1, wobei S2 insbesondere umfasst: Konstruieren eines algorithmischen Wissensgraphen: Herstellen einer Wissensassoziation zwischen dem Algorithmus und der Anwendungsdomäne auf der Grundlage der Aufgabenanforderungen, wodurch eine algorithmische Empfehlungsbasis gebildet wird; Ähnlichkeitsabgleich: Screening des optimalen Algorithmus durch Berechnung der Kosinusähnlichkeit zwischen dem Aufgabenanforderungsvektor und dem Algorithmus- Merkmalsvektor, mit der folgenden Formel: AB SWAB) = Tania Wenn A der Merkmalsvektor für die Aufgabenanforderung und B der Merkmalsvektor für den Algorithmus ist, wird der am besten geeigneter Algorithmus durch Berechnung der Ahnlichkeitsbewertung herausgefiltert; Optimierung des Verstärkungslernens: Ein strategischer, gradientenbasierter Ansatz wird verwendet, um die Algorithmusparameter durch mehrere Trainingsrunden zu optimieren, um die

Genauigkeit der Übereinstimmungsergebnisse zu verbessern. LU601420

4. Das Aufgabenverarbeitungsverfahren des Algorithmus der künstlichen Intelligenz nach Anspruch 1, wobei S3 insbesondere umfasst: Planung der Rechenressourcen: Dynamische Zuweisung von Rechenressourcen auf der Grundlage der Aufgabenkomplexität und der Auslastung der Rechenressourcen unter Verwendung einer Bayes‘schen Optimierungsstrategie; Ausführung des Algorithmusmodells: Aufrufen eines Anpassungsalgorithmus, um die Eingabedaten zu verarbeiten, und Überwachen des Berechnungsprozesses und Aufzeichnen von Zwischenzuständen, um eine Rückverfolgungsanalyse zu unterstützen; Erkennung von Anomalien und Wiederherstellung: Überwachung von Fehlern im Berechnungsprozess durch das Modul zur Erkennung von Anomalien und Verwendung eines automatischen Rollback-Mechanismus zur Wiederherstellung des vorherigen stabilen Zustands.

5. Das Aufgabenverarbeitungsverfahren des Algorithmus der künstlichen Intelligenz nach Anspruch 1, wobei S4 insbesondere umfasst: Modellinterpretierbarkeitsanalyse: Analysieren der Einflussfaktoren der algorithmischen Entscheidung unter Verwendung eines Modellinterpretierbarkeitsverfahrens und Erstellen eines Interpretierbarkeitsberichts; Datenvisualisierung: Kombinieren grafischer Verarbeitungswerkzeuge, um dem Benutzer den Datenverarbeitungsprozess und die Ergebnisse in einer interaktiven Visualisierungsschnittstelle anzuzeigen; Sammlung von Benutzer-Feedback: Einrichtung eines Mechanismus zur Sammlung von Benutzer-Feedback, um die Bewertung der Algorithmus-Verarbeitungsergebnisse durch die Benutzer zu sammeln, um den nachfolgenden Aufgabenverarbeitungsprozess zu optimieren.

6. Ein Aufgabenverarbeitungssystem für Algorithmen der künstlichen Intelligenz, dadurch gekennzeichnet, dass es die folgenden Module umfasst: Ein Aufgaben-Parsing-Modul zum Empfangen und Parsen einer von einem Benutzer eingegebenen Aufgabenanforderung, Extrahieren von Kernanforderungen und Klassifizieren von Aufgaben; Ein Algorithmus-Matching-Modul zum Screening geeigneter Algorithmen der künstlichen Intelligenz auf der Grundlage der Berechnung der Vektorähnlichkeit und zur Durchführung der Parameteroptimierung; Ein Modul für die Aufgabenausführung und Rückmeldung, das dazu dient, ausgewählte Algorithmen fiir die Datenverarbeitung aufzurufen, Rechenressourcen dynamisch zu planen und interpretierbare Ergebnisse der Aufgabenverarbeitung zu erzeugen.

7. Ein Aufgabenverarbeitungssystem für Algorithmen der künstlichen Intelligenz nach Anspruch 6, wobei das Aufgaben-Parsing-Modul insbesondere umfasst: Ein semantisches Analyse-Submodul zum Parsen einer Benutzeraufgabenbeschreibung auf der Grundlage eines Transformer-Modells, zum Extrahieren von Schlüsselwôrtern und zum Berechnen eines Aufgaben-Intent- Vektors; Ein Submodul zur Erkennung der Datenstruktur, um den Typ und das Format der Eingabedaten zu identifizieren und einen Mechanismus zur Standardisierung der Datenkonvertierung einzurichten, um die Datenkompatibilität zu verbessern; Ein Submodul zur Bewertung der Aufgabenpriorität, das zur Berechnung der Aufgabenprioritäten auf der Grundlage der Aufgabenmerkmale und zur Bereitstellung von Planungsreferenzinformationen für die Aufgabenausführung verwendet wird.

8. Ein Aufgabenverarbeitungssystem für Algorithmen der künstlichen Intelligenz nadt/601420 Anspruch 6, wobei das Algorithmusabgleichsmodul insbesondere umfasst: Ein Untermodul zur Verwaltung der Algorithmenbibliothek zum Speichern und Verwalten verschiedener Arten von Algorithmen der künstlichen Intelligenz und zum Filtern geeigneter Algorithmen auf der Grundlage der Aufgabenanforderungen; Ein Untermodul für die Berechnung des Vektorabgleichs zum Berechnen der Ähnlichkeit zwischen den Vektoren der Aufgabenanforderungen und den Merkmalsvektoren des Algorithmus und zum Empfehlen des optimalen Algorithmus; Ein Untermodul zur Parameteroptimierung, das Methoden des verstärkten Lernens verwendet, um die Hyperparameter der Algorithmen dynamisch anzupassen, um die Effizienz der Aufgabenausführung zu verbessern.

9. Ein Aufgabenverarbeitungssystem für Algorithmen der künstlichen Intelligenz nach Anspruch 6, wobei das Aufgabenausführungs- und Rückmeldungsmodul insbesondere Folgendes umfasst: Ein Submodul für die Planung von Rechenressourcen zur dynamischen Zuweisung von Rechenressourcen, um die Effizienz der Aufgabenausführung zu optimieren; Ein Untermodul zur Erkennung und Wiederherstellung von Anomalien, um Anomalien während der Aufgabenausführung zu erkennen und sie durch einen automatischen Rollback- Mechanismus wiederherzustellen; Ein Submodul zur Analyse der Interpretierbarkeit, das zur Erstellung von Berichten über die Aufgabenausführung unter Verwendung von Methoden zur Modellinterpretierbarkeit verwendet wird und Datenvisualisierungstechniken kombiniert, um die Verständlichkeit der Ergebnisse zu verbessern.