TW201842455A - 擴充智能資源分配系統及方法 - Google Patents
擴充智能資源分配系統及方法 Download PDFInfo
- Publication number
- TW201842455A TW201842455A TW107112123A TW107112123A TW201842455A TW 201842455 A TW201842455 A TW 201842455A TW 107112123 A TW107112123 A TW 107112123A TW 107112123 A TW107112123 A TW 107112123A TW 201842455 A TW201842455 A TW 201842455A
- Authority
- TW
- Taiwan
- Prior art keywords
- user
- profiles
- knowledge base
- relationships
- resource parameters
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000003190 augmentative effect Effects 0.000 title abstract description 17
- 238000013468 resource allocation Methods 0.000 title description 5
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims 2
- 230000035899 viability Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 description 44
- 238000012545 processing Methods 0.000 description 36
- 230000008569 process Effects 0.000 description 30
- 230000003993 interaction Effects 0.000 description 28
- 239000000047 product Substances 0.000 description 26
- 238000003860 storage Methods 0.000 description 22
- 238000013135 deep learning Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 19
- 238000013473 artificial intelligence Methods 0.000 description 14
- 238000011156 evaluation Methods 0.000 description 14
- 230000005540 biological transmission Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 238000012549 training Methods 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 230000002452 interceptive effect Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000835 fiber Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011449 brick Substances 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013524 data verification Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000013518 transcription Methods 0.000 description 2
- 230000035897 transcription Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000011440 grout Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 235000020004 porter Nutrition 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012358 sourcing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/2866—Architectures; Arrangements
- H04L67/30—Profiles
- H04L67/306—User profiles
-
- 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
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/288—Entity relationship models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
- G06F16/337—Profile generation, learning or modification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/535—Tracking the activity of the user
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/52—Network services specially adapted for the location of the user terminal
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本發明是有關於與資源分配相關聯的系統與方法。由電腦執行之方法的實例包括維護用於環境要素及一群使用者之設定檔的知識庫。每個設定檔可包括相依性、技能及評等。該方法分析來自使用者對於服務的請求以決定一組資源參數、基於該請求決定在該知識庫中的各設定檔的關係(relationship),並依據至少該等鑒於該等資源參數之經決定的關係的相依性而產生排序模式。擴充智能可以驅使使用者進行回饋及輸入,根據鑒於來自使用者的評等對設定檔進行相似度計算而調整排序模式,並基於滿足該等資源參數的該經過調整之排序模式而提供選項。
Description
本申請案係2017年4月6日申請之美國臨時發明專利申請案第62/482,497號的接續案,前述臨時申請案的整體內容被完全併入此處作為參照。
本發明係有關擴充智能,且特別是有關於擴充智能資源分配系統及方法。
概括而言,「人工智能」藉由在所處環境中再現人類認知而允許系統於給定的定域(domain)自主作用,以追求目標。概括而言,「智能擴充」(Intelligence augmentation,IA)使得系統得以補充並支持人類思考、分析以及計劃。IA整合人類動作主體(human actor)以決定系統之意圖性(intentionality)。智能擴充是有關於人機互動(human-computer interaction,HCI),而不是單獨電腦端的運作。
資訊不對稱(information asymmetry)係指在交易中其中一方當事人或是系統相較於另一方具有更多或更佳的資訊之下所下之決定的研究。相關技術研究已顯示資訊不對稱在交易中產生不平衡的力量(例如,逆 向選擇、道德風險、資訊獨占等),且可能導致非預期的後果、低效能或是使交易整體失敗。
價值鏈(value chain)所指是一組行為在被執行時對其顧客產生價值。價值鏈係基於由各自具有輸入、轉換過程以及輸出的次系統構成之機構(organization)的過程觀點(例如,計畫、製造、運輸、維修等)過程。輸入、轉換過程以及輸出涉及資源的獲取以及消耗。
了解通用價值鏈之價值來源的傳統方法包括檢驗活動的資料體、辨識關聯性,並依據利潤決定成本成本。根據傳統的波特價值鏈方法(Porter value chain approach),活動被分類為支援活動(support activities)與主要活動(primary activities)並進行分析。然而,將每個過程(process)本身作為較小過程的價值鏈來考量可能造成將其辨識為具有較低的比較優勢之低利潤(tight margins)的狀況。
相關技術研究顯示人工智能主體(artificial intelligent agents)可以降低資訊不對稱的程度。然而,組織過程以及複雜交易典型地涉及大量的降低完全自主人工智能方法之有效性的利害關係人、人類互動,及/或難以取得的資訊。傳統人機互動系統包括高度資訊不對稱且是低效能的。因此,有需要提供即時整合橫跨不同來源之最新資訊的人機互動系統,來為人類操作者決定智能價值主張(intelligent value propositions)。
根據本發明的一個例示性實施方式,提供了一電腦執行(computer-implemented)方法。例示性實施方式的態樣是有關至少一系統以及一方法,其等用以整合擴充智能以提供將目標使用者之活動的相關成本 最小化之有益的機會。在一個例示性實施方式中,一使用者具體指明一目標活動,且一擴充智能系統即時接收來自各種來源的資訊,以使用數據分析以及驗證技術辨識並對使用者呈現對於該目標活動適當的替代方案。
例示性實施方式的態樣是有關於與資源分配有關的方法以及系統。電腦執行的方法的一個實例包括維護用於環境要素以及一使用者群之設定檔(profiles)的知識庫。每個設定檔可以包括相依性、技能及評等。該方法對來自使用者之對於一服務的請求進行分析,以決定一組資源參數群組、決定對於該請求而言各設定檔在該知識庫中的關係(relationships),並依據至少該等經決定的關係對於該等資源參數的相依性而產生排序模式。該擴充智能可以驅使使用者回饋及輸入,藉由鑒於來自使用者的評等對設定檔進行相似度計算而調整排序模式,並提供基於滿足資源參數之該經過調整之排序模式的選項。
擴充智能系統的一個實施態樣降低過程的低效能及隱藏成本。隨著資訊被更新,選項的成本以及利益被重新評估以決定建議,並呈現取代機會給一或多個利害關係人。
該等方法是使用一或多個計算裝置及/或系統而實施。該等方法可被儲存於電腦可讀取的媒體中。在一個例示性實施方式中,該方法是一雲端服務,其可以通過一應用介面而提供服務給來自其他平台之請求。
100‧‧‧系統
101‧‧‧網路
102‧‧‧雲端服務
103‧‧‧電子裝置
105‧‧‧知識儲存庫
120‧‧‧擴充智能引擎
122‧‧‧資源管理模組
124‧‧‧介面/通訊介面/介面模組
126‧‧‧行為模組
128‧‧‧深度學習模組
130‧‧‧應用程式(API)模組
132‧‧‧支付處理模組
134‧‧‧互動模組
136‧‧‧外部服務模組
140‧‧‧環境要素
142‧‧‧使用者
200‧‧‧工作指令處理過程
202、204、206、208、210、212‧‧‧方塊
300‧‧‧擴充智能分配方法
302、304、306、308、310、312、314、316‧‧‧方塊
400‧‧‧請求輸入處理過程
402、404、406、408、410、412、414、416、418、420、422、424、426、428、430‧‧‧步驟
510、512、514、516、518‧‧‧步驟
600‧‧‧例示性計算環境
605‧‧‧計算裝置
610‧‧‧處理器
615‧‧‧記憶體
620‧‧‧內部儲存器
625‧‧‧I/O介面
630‧‧‧匯流排
635‧‧‧輸入/使用者介面
640‧‧‧輸出裝置/介面
645‧‧‧儲存器
650‧‧‧網路
655‧‧‧邏輯單元
660‧‧‧應用程式介面(API)單元
665‧‧‧輸入單元
670‧‧‧輸出單元
675‧‧‧擴充智能引擎
690‧‧‧資訊傳輸單元
695‧‧‧單元間通訊機構
705‧‧‧系統
710‧‧‧通訊匯流排
715‧‧‧處理器
720‧‧‧主記憶體
725‧‧‧輔助記憶體
730‧‧‧內部記憶體
735‧‧‧可移除媒體
740‧‧‧I/O介面
745‧‧‧通訊介面
750‧‧‧外部儲存媒體
755‧‧‧通訊通道
760‧‧‧訊號
765‧‧‧天線系統
770‧‧‧無線電系統
775‧‧‧基頻帶系統
800‧‧‧環境
810、815、820、825、830、835、840、845、850、855‧‧‧裝置
圖1顯示根據本發明的一或多個實施方式的例示性系統的方塊圖;圖2係根據本發明的一或多個實施方式的例示性工作指令處理過程的 流程圖;圖3係根據本發明的一或多個實施方式的擴充智能分配方法的一實例的流程圖;圖4係根據本發明的一或多個實施方式的一例示性請求輸入過程的流程圖;圖5係根據本發明的一或多個實施方式的一例示性評估過程的流程圖;圖6顯示適用於一些例示性實施方式中的具有一例示性計算裝置的例示性計算環境;圖7提供一方塊圖,其顯示可以與此處所述的各種例示性實施方式連結使用的一例示性計算裝置或是系統;圖8顯示一計算裝置的一實施方式的方塊圖;圖9-51顯示與根據此處所述的例示性實施方式的擴充智能分配方法進行的例示性使用者互動。
此處所述的標的(subject matter)是以例示性實施方式加以教示。為了保持簡潔並避免模糊標的,一些細節被省略。下列實例是有關用以實施系統以及方法的結構以及功能,這些系統以及方法是用以藉由使用擴充智能而決定資源分配。此處所述的擴充智能系統使用與人工智能深度學習整合的人機互動來進行資源分配而增強決策效果,藉此提出有關具有增加效能之優越機會的建議,這些建議在未使用此系統下為未知的。
該等例示性實施方式的態樣是有關於與在一線上應用程式中分配資源相關聯的方法以及系統。更具體而言,係提供耦合至一處理器 的一非暫態(non-transitory)之電腦可讀取媒體,用以處理與下列內容相關的操作或是步驟。例如,但不因此受限,係進行與下列有關的處理:收集數據、整理數據以及產生資訊、合成資訊、分布資訊以及產生一知識庫。該等操作是在該非暫態之電腦可讀取媒體中執行,且是通過各種介面提供作為一人機互動(human-computer interaction,HCI)。
如此處所述,用於整合擴充智能的系統以及方法提供有益的機會,這些有益的機會最小化與一使用者、一群組、一組織、一社群等之活動相關的成本。在一個例示性實施方式中,一使用者具體指定一目標活動,且一擴充智能系統即時接收來自各種來源的資訊以使用數據分析以及驗證技術來辨識並呈現給該使用者對於該目標活動適當的問題及/或替代方案。
根據一例示性實施方式,一系統維護一資訊的知識庫,該資訊被收集、整理並使用人工智能與環境要素(例如人員、機器、供應商等)連結。該系統可以學習利害關係人的行為,這些行為是由該資訊的知識庫所合成。該擴充智能系統得以實現虛擬、真實世界以及混合(虛擬以及真實世界)的交易。
例如,對於一個每週乳品採購交易而言,其通常需要一位人員造訪商店、對配送服務進行排程,或徵詢一家庭成員以完成該請求。該擴充智能系統可以槓桿作用(leverage)利用行為、排程、價格等的知識庫以辨識成本、關係以及未知參數以決定一組具成本效益(例如,價格、時間、方便度、偏好等)選項,藉此通過有效率的方式完成該交易。例如,該系統可以呈現給該使用者潛在的替代方案以及節約方案(savings),諸如使用鄰居 所使用的相同服務進行排程配送以獲取折扣或是達到更快的配送時間。
在一個例示性的實施方式中,該系統整合現有的介面以提供一HCI工具(例如,一手機應用程式、虛擬化身技術(avatar skill)等)以與該使用者以及其他利害關係人互動,藉此降低資訊不對等。例如,該HCI工具可以審核(review)家庭成員的旅遊排程,以鑑別出至一間價格具有競爭力之商店的有效率地繞道(detour),並驅使該使用者或是家庭成員確認他們的可參加性(availability)、成本以及意願,藉此通過該繞道來完成任務。
根據例示性實施方式,一利害關係人(stakeholder)(例如,一使用者)可以起始一個交易,或是該系統可以偵測或是預測一使用者行為以觸發該交易。該系統可以存取即時資訊並驅使該利害關係人提供突顯的資訊(salient information)以存取機會的價值主張,以改善該交易的結果。該HCI工具可以促進整體交易並包括或是被操作性地耦合至其他介面,包括數據收集、通訊介面、支付處理系統等。
該擴充智能系統的一例示性態樣提升過程效能以及降低隱藏成本。隨著資訊被更新,重新計算選項的成本以及利益以決定其適當性,且提供取代的機會以由一或多個利害關係人評估、回饋,及/或執行。
例示性實施方式的態樣是參考涉及一主要使用者及/或一群其他使用者之個人以及工作場所的環境而敘述。然而,例示性實施方式的範疇並不限定於一使用者的特定環境或是規劃(arrangement),且其他環境或是配置(configuration)可以在不背離本發明的範圍之下進行取代。例如,但非意圖加以限制地,擴充智能機會可被執行的其他環境可包括休閒環境、工業應用、貨幣交易,且除了辦公室或工作場所之外,亦包括諸如一社區 團體、治療環境等,但不受限於此。
再者,擴充智能人機互動系統以及方法的例示性介面是以行動裝置上的一圖形使用者介面的形式加以敘述並顯示。然而,該等例示性實施方式的範圍並不受限於特定種類的介面或是裝置,且可在不背離本發明的範疇之下由其他互動性介面,諸如音訊介面或音訊實施方式所取代。雖然圖式提供一系列依序進行的操作過程的敘述,在不背離本發明的範疇之下,某些操作或順序可以依據所屬技術領域具有通常知識者在發明時點所能理解的範圍內被調換、取代或是以其他方式修改。例如,但非意圖加以限制,其他可以與擴充智能機會整合或是通過其互動的互動式介面可以包括工業控制機器、企業規劃軟體應用、姿勢辨認、人工智能機器人、虛擬化身技術、智慧喇叭、保全系統、擴充或虛擬實境眼鏡、全像術等。
在圖式中,為求明確性,爰省略重複元件的參考符號以及敘述。說明書通篇使用的用語是被提供作為實例而並非意圖限制本發明。例如,使用「自動化」一詞可能涉及完全自動化或是半自動化之實施方式,且涉及使用者或是管理者對實施方式的一些部分進行控制,此等是依據所屬技術領域具有通常知識者在實行本發明的實施態樣時的所欲實施方式而定。使用者可以通過一使用者介面或其他輸入手段而進行選擇,或可以通過一所欲的演算法而實施選擇。此處所述的例示性實施方式可以被單獨使用或是合併使用,且該等例示性實施方式的功能性可以通過任何手段,根據所欲的實施方式而實施。
該人機互動系統以及方法可以即時整合橫跨多個來源的最新(up-to-date)資訊,以決定對於多個人類操作者的社群的智能價值主張。該 擴充智能方法及系統藉由應用人工智能、深度學習以及神經網路學習橫越整個價值鏈的關係以解鎖價值鏈中的潛在節約方案,並提供智能選項或問題以通過一互動選擇方法對一請求提供服務。該擴充智能方法及系統改善效率並最佳化價值鏈中有形及無形的資源分配。該互動選擇過程允許難以取得的資訊、評估以及相互衝突的解決方案被因數化(factored)於各交易中,同時對價值鏈的市場不完美性提供槓桿作用(leveraging)。
圖1顯示根據本發明的一或多個實施方式的一例示性系統100的方塊圖。根據一例示性實施方式,提供針對擴充智能技術的系統以及方法,用以服務來自一使用者的請求。該擴充智能引擎120可以通過通訊界面124提供該服務,通訊介面124可以與其他平台,諸如人工智能平台、訊息服務、使用者裝置、入口網站等互動,這些平台允許該使用者與該擴充智能引擎120互動。
舉例而言,該擴充智能引擎120包括一應用程式介面(Application Program Interface,API)130,用以接收請求。在另一實例中,該擴充智能引擎120可以包括一使用者介面,以直接與該使用者互動。該使用者可以使用任何電子裝置103,諸如,但不限於智慧手機、平板、膝上型電腦、桌上型電腦、電話(行動電話或是非行動電話)、麥克風、攝像機,及其他無線通訊裝置以傳送請求、評估、回饋等,並接收回應該請求的一組建議選項。
該擴充智能引擎120可以包括,但不限於可以由一非暫態電腦可讀取媒體執行的一組指令。該等指令可以是位於該使用者端(例如,客戶端)的一電子裝置中、於一遠端位置(例如,一伺服器端或是在一雲端計算 環境中),或是其等的組合中,或是在位於一分享的處理環境中的其他客戶裝置上。
根據一個例示實施方式,該擴充智能引擎120包括一資源管理模組122、介面模組124、行為模組126、一深度學習模組128、一API模組130、一支付處理模組132、一互動模組134,以及其他外部服務模組136。
系統100可以包括一或多個網路101,其等可以連接至多個環境或是線上來源,例如,使用者資訊來源、限閱資訊來源(proprietary information sources)、第三方資訊提供者、公眾資訊來源等。該擴充智能引擎120可以通過該網路101而自例如雲端服務102、人工智能平台、訊息平台、使用者裝置、物聯網裝置、網站等各種平台或是來源收集數據並接收請求。
該系統100可以也包括一或多個儲存裝置,諸如一知識儲存庫105或是雲端儲存。在一個實例中,一知識儲存庫105儲存用於環境要素140以及一群使用者142的數據,以維護設定檔。
該擴充智能引擎120包括一資源管理模組122,其係用以收集數位活動。該擴充智能引擎120可以包括其他介面124以連接至線上來源、雲端服務、搜尋來源、裝置介面等。舉例而言,手機的全球定位系統(global positioning system,GPS)服務可以被用於對該使用者的該裝置進行定位並且回報位置數據。此也可以由其他方式,諸如Wi-Fi、藍芽或其他無線通訊標準或方法完成。
如上所述,該擴充智能引擎120可以包括一或多個應用程式介面(API)以及通過網路連結至各種來源的介面。已註冊的使用者之裝置或 帳戶辨識(account identification)可以被儲存於該知識儲存庫105中。舉例而言,音訊API可以提供音訊交易服務。在另一實例中,一識別(identity)服務API可以提供名稱標準化(normalization)方法,其能回報數據(例如,暫時性電子郵件信箱)與一特定設定檔相關聯的可能性。一位置(location)API可以執行位置標準化以及位置豐富化(Location Normalization and Location Enrichment),以基於位置名稱細節敘述提供細節。
利害關係人可以輸入與他們的需求及/或技能相關的數據,也可以輸入足以使其得以作出/接收一用以建立使用者與系統之間的關係之確定要約(firm offer)的數據。該擴充智能引擎120可以使用設定檔,並存取多個外部系統(例如,社交網路服務、建造服務、排程系統、建造控制系統、製造設備等)以收集行為數據。舉例而言,該擴充智能引擎120可存取外部系統或是服務,以幫使用者對與價值鏈之目標請求相關的數據自動進行檢索査詢。API可與每個線上來源連接,以連續或間歇性收集數位活動。
該擴充智能引擎120可以連接至各種數位來源,以通過結合來自不同來源的識別碼而執行即時智能檢索,產生穩健的檢索查詢、基於使用者數據驗證該檢索結果,並為環境要素140以及該群使用者142決定中心檢索結果(centric search results)。該擴充智能引擎120可以接收關於一目標個體之資訊的請求,此請求是來自一人工智能平台的一使用者,並分析該提出請求的使用者的數位活動以決定與該請求相關聯的行為模式。
該行為模組126、該深度學習模組128,以及該互動模組134可以使用該知識儲存庫105整理數據並產生建議選項。該擴充智能引擎120利用直接由該等使用者設算(imputed)的數據以產生所謂「主要關係」 (primary relationships)者,且基於使用人工智能,更具體而言,基於使用深度學習,以依據蹤跡(traces)及抽象的生態系統偏好(abstract ecosystem preferences)預測鄰近關係,並且指示(indication)可能的鄰近、編程關係(programmed relationships)。該擴充智能引擎120使用包括一HCI工具的該互動模組134以降低資訊不對稱性,以助長平衡的實體關係(entity relationship)。
行為模組126可以被使用以讓使用者得知,在考量他/她的行為以及設定檔下何者為最佳替代方案。在一個實例中,在分派一組織的員工將物件在工廠內移動時,假使依槓桿作用利用經整理的資訊指派離物件較近的員工移動物件,該擴充智能引擎120可以協助消除不必要的移動或是任務分配。再者,假使雇用者能夠具有較佳的資訊,便可以快速找出在附近的員工。因此,各方皆可以節省時間與金錢,並改善其關係的結果。
該行為模組126以及該深度學習模組128整理數據,以了解每種關係的需求以及涉及的人員的具體技能及/或個人設定檔,且資訊根據特定需求加以排序,以滿足各方的需求。在一個進行訓練的實例中,由於回饋資訊是由雙方所傳送,交易是基於由該使用者提供的數據而進行,比如房地產的位置以及特徵、工作人員的技能等。該行為模組126以及深度學習模組128每次皆學習並改善答案,驅使對於需求(例如,外顯(explicitly)的要求)以及可能性(例如內隱性的期望)之更深的理解。
該擴充智能引擎120合成來自該知識儲存庫105的資訊。這樣大量的數據產生的資訊有時難以令人類了解,但該系統可將其合成、分析不同設定檔、需求以及行為,使其能夠更好地被了解並形成關於互動方式 的可行的決策方式,並促進令人愉悅且有利潤的際遇(encounters)。根據一個例示性實施方式,一排序模式可以通過合成該等設定檔而產生,以決定該服務或是請求的可行性因素。
該深度學習模組128決定不同種類之關係的需求。在一個破壞性系統(disruptive system)中,中心價值(central values)是對互補部分(例如,該系統的顧客、提供者、立約人等)之自主性的要約。不同種類之關係的需求以及涉及的人員的技能及/或個人檔案是根據特定需求排序,以滿足各方的需求。直接由該等使用者設算的數據可以被使用以建立主要關係。
鄰近關係可被區分為數種不同的種類,比如相關或互補服務、產品需求、與所採用的活動(activity hired)或是該方的要求有關者,這些是系統通過與其他環境或是關係之不同互動而注意到的。鄰近關係可以是基於主要關係,以及基於由使用者在生態系統的使用期間留下的跡象或是線索。一直接鄰近關係可以在平台上被預先編程,以從被該方外顯地使用的起始時刻即獲得內隱性利益。
在一個實例中,對於家中擁有一泳池(此是在登錄此財產權時即被導入的資訊)的使用者,週期性地清理維護泳池是必須的,此代表該系統可以對此使用者提出提供一熟練的專業人士(professional)之服務的要約,及/或建議該專業人士提供特殊條件之要約給居住於該專業人士其他原有顧客附近的該使用者。對於另一在家中擁有花園(此是在登錄此財產權時即被導入的資訊)的使用者,依據所輸入的區域資訊,其可能需要週期性地維護服務,或是其可能對於業餘園藝家之裝備會感興趣。
該擴充智能引擎120自使用者之間的關係辨認內隱的需求 (tacit needs,對於契約服務之需求),提供具有共同利益關係的可能性。對於更為肯定的指示,依據各方對於該平台的重度使用,該系統除了預測所需要的預先編程(preprogrammed)外,還基於自立約人與該平台的互動之取出內容(abstraction)而得之該立約人的偏好而提議(suggests)對於該立約人立約人的設定檔而言最為符合的專業人士。立約人舉例而言,另一個使用者可以被驅使對於該請求提供回饋,或是提示與一請求相關聯的一或多個資源參數的可用性(availability)、門檻(thresholds),或是限制。
在另一個實施方式中,一個經預先編程的產品獲得關係(product acquisition relationship)可以涉及擁有泳池的使用者,其除了需要專業人士清潔泳池,在一些時點該使用者可能也需要用於清潔泳池的產品。在此時點,贊助商的產品可以在非常精準的基礎之下提供。
通過人工智能的使用,深度學習模組128所預測的「相鄰的關係」是依據蹤跡及抽象的生態系統偏好、以及可能的鄰近、編程關係的指示(indication)而決定。例如,關係策展(relationship curation)可以通過演算法來完成,該演算法評估登錄結果以及其他態樣,其中一些顯然是不相關的,諸如地理定位、天氣預報、社區資訊、家庭結構、好惡、對所提議任務的合適性、經驗、技能以及前置事件,但不具有個人直接管理(personal direct management)。在各方之間的每個新的互動是作為對該系統的一個輸入來源以進行整理以及「再次學習」("learn again"),如此無限迴圈。
再者,該互動模組134藉由驅使使用者142輸入數據、評估數據、回饋等而降低資訊不對稱。舉例而言,為了整理孩童房間,該互動模組134可以輸出:「嘿,我們知道你是最棒的,且我們就是要找你這樣的人。 我就直接說重點了:你願意搬到國家的另一邊並加入我們嗎?」該合成的數據是用以匹配要約(offer)及需求(demand),此是通過分析來自每個個體的不同的反應和回饋、與無數其他設定檔比較、產生資訊以指示滿足特定需求的最佳替代方案、考量廣範圍的可能性(possibilities)而達成。
該互動模組134與該深度學習模組128合作以辨認有效或成本較少的選項。該擴充智能引擎120由收到漸增的由該等互動習得之內隱知識發展出替代選項的資料館(library),驗證可能的選項是否部分或完全滿足該請求的要求或是需求,並選擇一或多個替代選項。
圖2為根據本發明的一或多個實施方式的例示性工作指令處理過程200之流程圖。在一個例示性實施方式中,一個方法可以藉由處理邏輯進行,該處理邏輯可以包含硬體(例如,電路、專用邏輯、可編程邏輯、微碼(microcode)等)、軟體(例如,在一處理裝置上執行的指令),或其等的組合。在一個實施方式中,該方法是通過由一處理裝置執行的一擴充智能方法(例如,圖1之擴充智能引擎120)實施。該擴充智能方法可以是與使用者通過其它線上通訊平台(例如,人工智能平台、行動裝置應用程式、網站、訊息服務、位置服務、庫存服務、定價工具、支付處理平台等)通信的一雲端服務。
該例示性的工作指令處理過程200提供有HCI介入之替代方案。利害關係人避免或是消除損失的機會以及相關聯之不需要的成本,以最小處理成本造成價值鏈、利潤與比較優勢(comparative advantages)的改善。
在一個實例中,使用該工作指令處理過程200,在社區中一位未被雇用或是未被完全雇用的木匠可能接收一訊息,該訊息告知若其具 有對古風家具(old-style furniture)之木工的專門知識(例如技能),即有增加工作量3倍的機會,驅使該木匠確認他是否具有古風家具技能或經驗,並辨識由學校免費提供之課程,以及建議該木匠獲取技能且接受工作邀約的選項。
根據一例示性實施方式,該擴充智能引擎120:
a.根據各種關係的需求以及所涉及人員的特定技能及/或個人設定檔而整理該等輸入的數據。
b.根據特定需求將由該等輸入的數據所產生的資訊排序。
c.由互動來學習自廣泛範圍的最有可能符合該需求(demand)之替代方案中自動選出並指示最佳選擇。
d.通過分析不同設定檔、需要(needs)以及行為而合成資訊,以允許做出決策的可行性。
e.實施HCI/擴充智能以降低資訊不對稱,因此該等使用者知道在考量他/她的行為及設定檔時,何者會是最佳的替代方案。
f.分析整個活動的價值鏈而不是只考量所採用的關係(relationship hired),藉此釋出各個與該流程(stream)相關的可能互動中之價值。
在方塊202中,該處理裝置接收一工作指令(work order)。在方塊204中,該處理裝置決定是否接受該工作指令。在方塊206中,該處理裝置辨識必要的動作參數。在方塊208中,該處理裝置決定其他資源是否滿足該動作參數。在方塊210中,該處理裝置將該工作指令提供給其他合作夥伴以獲得回饋。假設其它合作夥伴決定他們具有足以滿足該等動作參數的資源,該工作命指令可被指派給他們。
圖3是根據本發明的一或多個實施方式的擴充智能分配方法300的實例的流程圖。在方塊302中,該處理裝置維護環境要素以及一群使用者的設定檔的知識庫,其中各設定檔包括至少相依性、技能以及評等。該處理裝置也可以通過產生新的紀錄而添加個體至該檔案庫。
在方塊304中,該處理裝置分析來自於一使用者的服務請求(例如,一工作指令),以決定一組資源參數(a set of resource parameters)。在方塊306中,該處理裝置鑒於該請求而決定在知識庫中各設定檔的關係。在方塊308中,至少基於該等鑒於該等資源參數的經決定的關係之相依性,該處理裝置對該等設定檔產生一排序模式。
在方塊310中,該處理裝置驅使該使用者對一組基於該排序滿足於該等資源參數的設定檔進行回饋。在方塊312中,該處理裝置基於來自該使用者之設定檔的評等,根據設定檔之相似度計算而調整該排序模式。舉例而言,調整排序模式可以是通過權重調整(weighting)而達成。在方塊314中,該處理裝置基於使用者回饋而更新該知識。在方塊316中,基於滿足該等資源參數的經過調整的該排序模式,該處理裝置提供一或多個選項。
數據來源(使用者輸入之外的數據來源)由該系統使用以獲取或辨識所涉及之人員的特定技能及/或個人設定檔。除了由該使用者回報的輸入資訊之外,該系統通過下列步驟辨識可能且有幫助的鄰近關係:
1.通過該系統中的使用者的技能之群組的相似度。一簡化的實例是:若一使用者「x」具有技能s1、s2、s3以及s4,且另一使用者「y」具有技能s1、s2以及s3,由於使用者y的設定檔與使用者x的設定 檔相近,他可能能夠執行需要技能s4的任務。具體舉例而言,使用者「x」具有砌磚、鋪地板、灌漿地板、抹牆(tow wall)的技能,且使用者y具有砌磚、鋪地板以及抹牆的技能。雖然使用者y並未明確主張其具有灌漿地板的技能,由於他的技能與使用者x的技能非常相似,且使用者x會灌漿地板,該系統建議該使用者y可以符合需要灌漿地板的技能的要求。
2.通過基於興趣點(points of interest)計算的相似度。該系統通過行動電話GPS追蹤使用者。舉例而言,根據由行動電話所提供的位置,我們辨識使用者對不同種類的商務業者所形成的駐足點(stops points)。根據這些嗜好計算使用者之間的相似度。根據此相似度,該系統建議已令人滿意地服務其它立約人之具有相同使用者設定檔的提供者。
3.由輸入關鍵字進行的推斷。該系統允許以分數以及所提供服務的文字敘述評估每個服務之提供。此是基於根據該等評估的評等以及文字的深度學習,以將關鍵字與各使用者連結。有可能沒有存在經過界定的關鍵字。依據由該等使用者所撰寫的文字,該系統保有已經使用過的字的字典並在新字被插入時進行學習。這些字可以是,例如,速度、準時性(punctuality)、服務長度等。
4.氛圍的動態評估。每個使用者以個人的方式評估各個服務提供的態樣。該系統「了解」這樣的特點(peculiarities)並得以建議已經以這些態樣提供服務給其他使用者的專業人士。舉例而言,如果一使用者在一天的某段期間承攬例行服務,該系統僅會指出在該使用者較容易收到要約(offer)之期間內的鄰近關係。天氣以及交通數據也可以被使用,例如,若一立約人所擁有需要接受服務的不動產是位於自行車無法到達的區域,系 統不會將一個通常以自行車通勤的服務提供者建議給該立約人。
該系統基於不同使用者的輸入來改變排序。所有的資訊,無論是外顯的或是內隱的,都被輸入至該系統,該系統可以經常地或是對應地更新與各方相關的各個新互動的排序資訊。深度學習以及其訓練技術的使用,諸如反向傳遞(backpropagation),允許該系統可以無限變動,得以通過每個新的學習疊代(iteration)而改善其成功率(indexes of success)。
在一個例示性實施方式中,所有的節點排名是動態的並且是對每個使用者以一對一、個人化以及不可轉讓的方式排序。偏好(preference)通常代表「繼續,擺在第一位(to carry on,put first)」。各節點可以具有各自的偏好。換言之,其建立自己的個人排序,此需要該系統建立動態且個別的排序以符合這些偏好。
動態排序的實例:
根據直接資訊:一特定提供者X先前居住於一立約人Y的500公尺內,其現在居住於相距該立約人大於5公里(km)處,因此,在指示(indication)該提供者X給該立約人Y的排序變得較不相關,此是由於在兩方之間的總距離(total displacement)對於該學習網路的訓練是佔有比重的,藉此遠離指示該提供者X給該立約人Y。
根據內隱的資訊:一立約人X對於他的服務提供者的評估指出其重視(valorize)專業人士的準時性,因此,對於一個通常會在服務時遲到的專業人士Y,即便其居住於離該立約人的住處1公里遠之處,其排序還是比專業人士Z差,因為專業人士Z雖然居住在距離立約人X的住處1、2公里處,準時性卻為其強項。此是由於該等使用者的滿意度以及指示的主張 (assertiveness)比距離本身占比更重。
對於被排序的「資訊(information)」及/或該排序演算法的詳細說明。該系統可包括兩個組件,使用深度學習的一排序模式以及具有協作過濾器的另一個排序模式。在使用深度學習的情況下,在該平台上收集的所有的數據都被用於網路訓練。使用協作過濾器概念的排序是基於該系統使用者對於他們的工作者的排序而產生,以將這些工作者推薦給其他使用者。具有高度偏好相似度的使用者被認定為「鄰居」。依此方式,使用者將接收源自其他為其「鄰居」的使用者的關係所推斷而得的偏好的推薦。據此,鄰近的使用者對其它使用者做出推薦特定工作者的預測。
在使用者「u」以及「n」之間的相似度等級是採用由兩者執行的評估之皮爾森相關(Pearson's correlation)而計算,此處是以userSim(u,n)函數代表,其是用以在針對使用者「u」預測一特定工作者「i」時,對使用者「n」的評估的影響進行加權。
對於評估具有評等r xi 以及r yi ,均數e 的一組工作者I xy 之使用者x及y的該userSim(x,y)函數、皮爾森相關,可被定義如下:
該演算法可以被敘述為:與一使用者「u」具有高相似度之給定的使用者群組「N」為該等鄰居。若「i」為任意工作者,藉由由鄰近使用者群組「N」所執行的評估,在一使用者「n」的平均評估中,吾人可以下列形式預測使用者「u」對於提供者「i」的該評估:
兩種排序系統為可以於pythonTM實行的模式,且使用TensorFlowTM或其他軟體檔案庫,用以橫跨任務範圍進行數據流編程。
各方需求以及喜好被排序。衝突解決方式:需要或喜好為平台的使用者或者相關產品可能提供的服務。排序最佳的服務、專業人士或產品被建議(suggested)。由於建議是被分開處理,對於每個使用者,並沒有衝突的處理方式。該系統可以從廣泛範圍的有可能完全滿足該需求的替代方案的選項中自動選擇並指定替代方案。
選擇以及指定選項的步驟:決定哪些選項為替代方案:選擇記錄庫(options library)。第一例示性實施方式是傳統方式,亦即由使用者明確搜尋他所需要的服務。第二例示性實施方式是基於所產生以及所訓練的模式,,該系統可以基於一給定的使用者(以及他的「鄰居」)與該系統的互動(無論是通過雇用、搜尋或是提供服務給其他使用者)來建議他將會需要的可能服務。在此有選項的紀錄庫,例如,系統僅建議已經被登錄於其中的產品以及服務。
計算各個替代方案完全滿足該需求的可能性:該系統使用上述排序以及深度學習工具。這確實是比人們通常的了解更為深入:登錄並分析來自各個個體的不同反應以及回饋,將其與無法計數的其它設定檔比較、產生足以指定最佳替代方案以滿足特定需求的資訊、考量廣泛範圍的 可能性。
將使用者行為以及回饋與其他設定檔比較:該系統中的使用者行為可以被映射(mapped)並作為用於類神經網路訓練的輸入。依此方式,我們得以使用深度學習技術而了解並執行使用者感受的分析,深度學習技術對於每個新的互動有經增加的精準度,而作為一個評估,與該系統或其通過由安裝於行動裝置中的該系統所發送的座標而獲得的每日位移模式互動。此資訊被添加至該類神經網路訓練組(深度學習),用以使用反向傳遞演算法再次調整權重。
所有使用者行為可以被映射為與其在平台中的關係相互關聯的輸入,因此,網路權重的調整代表使用該系統的使用者行為與其他服務提供者的使用者之間的關係。
參考其他設定檔或是另一數據來源:除了分析使用者設定檔,該模式允許插入其他種類的數據,諸如有關有興趣使用該平台推銷產品的合夥人的資訊、網路瀏覽模式(願望辨識)、消費模式及/或位移(內部以及外部資源兩者都由與其他大數據公司之合夥關係(partnerships)所達成)、有利益的主題(topics of interest)或是使用者不喜好的主題,藉此促銷或是避免上述主題。在此實例中,除了建議其他使用者的設定檔,該系統得以辨認該平台外部的利益(interests)。
圖4為根據本發明的一或多個實施方式的一例示性請求輸入處理過程400的流程圖。如上所述,該擴充智能引擎可以包括一或多個應用程式介面(API)以及用以通過網路連接至各種資源的介面。經登錄的使用者的裝置或是帳戶身份辨識(account identification)可以被儲存於知識資料庫 中。舉例而言,一音訊API可以提供影音交易服務。在另一實例中,一辨識服務API可以提供姓名標準化方法(name normalization method),其回傳數據(例如拋棄式電子郵件地址(disposable email address))與一特定設定檔相關聯的可能性。位址API可以執行位址標準化(Location Normalization)以及位址豐富化(Location Enrichment),用以基於位址名稱詳細敘述提供細節。
在一個實施方式中,該處理模組可使用音訊資訊。在步驟402,該系統接收音訊輸入,該系統並基於所接收的音訊之轉錄(transcription)在步驟404產生文字。在步驟406,該系統決定是否具有充足的資訊以處理該請求。在步驟408,該擴充智能系統可以通過HCI使用互動過程以向使用者或是系統請求額外的資訊。假使額外的資訊是音訊,該系統可以重複步驟404、406以及408以重複處理該音訊。
在步驟410,該系統可以如上所述參考圖1至3而建議動作。在步驟412,該互動過程可以驅使該使用者提供回饋或接受所建議的活動計畫。為回應使用者拒絕在步驟412中所建議的動作,該系統可以在步驟414中請求額外的資訊,並在步驟416接收音訊輸入及將另一音訊轉錄本(transcript)在步驟418輸出。
為回應使用者回饋或是接受拒絕所建議之動作計畫,可以在步驟420提供執行該動作的代理人(agent)的建議。舉例而言,該代理人的建議可以根據不同方之間的相似性(affinity)而形成。
在步驟422,該互動過程可以驅使使用者作出回饋或是接受該代理人的建議。若在步驟424中需要額外的資訊,額外的音訊輸入可以在步驟426被接收,且通過轉錄本在步驟426被處理成為文字。假使代理人的 建議在步驟422被接受,該系統可以在步驟426產生工作指令。
根據一個例示性的態樣,該系統可以對該人員提供一高等級訓練課程:實際輸出(real output)的一個實例是一旦這樣的課程的要約(offer)被登錄,該實際輸出會被傳輸給該等使用者。
該系統可以偵測數個使用者對於單一服務的抱怨,辨識訓練課程的需求以滿足此需求,並向登錄為教練/老師的使用者告知該等使用者中欠缺這個技能的狀況。一旦該課程開始被提供並在該平台登錄,對此可能有興趣的使用者會收到通知,表示假設該使用者決定申請此課程,可能會有增加的工作機會(以及收益)。
這樣的表面等級特徵(surface level characteristics)可以被認為與廣告相似或足以比擬的。在表面或是使用者等級,可以與廣告比擬,此是由於最終一產品/服務會被提供給一個潛在顧客,但先前的步驟並未被使用者知曉,且亦未由人員精確掌握(pinpointed),此表示該產品是完全由人工智能所辨識的。該系統支援支付處理服務,包括彼特幣(Bitcoin)。
再者,高等級訓練課程符合該系統。由於由各方進行的所有互動都使用於網路訓練,區分為個人以及專業類別的該等評估對於饋入該預測系統而言是輸入資訊的重要來源。將產品做為高等級課程而提議給生態系統中的使用者可以是直接且標準的,而被提議給明確告知他們在工作領域內沒有訓練的專業人士,且是可以依據由該專業人士所接收的該等評估而可加以預測,而簽約使用者(contracting user)評估特定提供者並聲明該專業人士在其工作領域內具有中等的知識,因此,該系統根據直接的評估(客觀)或根據從輸入的文字(敘述文字)來概念化此資訊而將該課程提議給該特 定專業人士,作為深度學習網路工作的結果。
此相同的實例類推至該預測系統的使用及依據評估的直接建議,以提議提供者在提供服務期間好好表現。即,由該網路的使用而得的直接或推斷的輸入為經建議的產品、服務或是任何動作,其隨著使用者與生態系統的每一次新的互動變得更為積極肯定(assertive)。雖然該最終動作(final action)存有相似性,即基於被建議且可被輕易的歸功於廣告,在建議任何產品、服務或是動作之前,該平台辨識其需要並將其引導至可能對於供應此需要有興趣的使用者。該過程產生積極肯定的要求以及回應,顯著地降低合作夥伴所必須的投資(以及因此釋放價值鏈中的價值),此與廣告活動的回報是與其等的成本成正比之標準的廣告技巧不同。
圖5是根據本發明的一或多個實施方式的一例示性評估方法500的流程圖。在步驟510,該系統請求對經執行的服務進行評估,並在步驟512接收該使用者的評估評等。該系統可以在步驟514接收音訊格式的評估數據並在步驟516產生音訊轉錄(audio transcription)。在步驟518,該系統將該評估回饋分類以處理該請求,並以新的行為資訊(包括至少該評等)更新該知識庫中的使用者設定檔。
每個合作夥伴之產品以及服務指定的流程在該使用者通過被告知接收該等請求的流量(traffic)及於吾人之出帳系統記帳以在稍後就合約結帳之指定的召回(callback),而被再導向至該合作夥伴平台的時間點終止。該深度學習模式使用產品或是服務之完整文字詳細敘述以了解該產品或是服務,並且得以將其與該使用者的需求相互關聯。另外,該模式是先通過產品以及服務的一組文字敘述加以訓練,該組文字敘述係有意地符合 一或多個可能的需求,且基於此方式的使用以及定期訓練,得以將一文字組(產品或是服務敘述)與該等使用者的需求相關聯。依此方式,該模式具有就使用者直接或是隱含的需求解讀平台上先前未知的產品以及服務的能力。
還值得被記住的是,在一時間點t(今天)所作的建議(產品敘述+正面或負面的使用者回饋)被用於訓練該模式,並將會影響在時間點t+1、t+2、...、t+n(未來)的建議。依此方式,該模式持續進行定期學習,且也可以概括與產品或服務之敘述相關聯的經時傾向(temporal tendencies)。
圖6顯示適用於一些例示性實施方式中之具有一例示性計算裝置605的例示性計算環境600。在計算環境600中的計算裝置605可以包括一或多個處理單元、核心處理器,或處理器610、記憶體615(例如,RAM、ROM及/或類似單元)、內部儲存器620(例如,磁性、光學、固態儲存,及/或有機儲存器)、以及/或I/O介面625。上述的任何單元可以被耦合至一通訊機構或匯流排630以進行通訊,或是被內嵌(embedded)於計算裝置605中。
計算裝置605可以被通訊地耦合至輸入/使用者介面635以及輸出裝置/介面640。輸入/使用者介面635以及輸出裝置/介面640兩者或是其中之一可以是有線或是無線介面,且可以是可拆卸的。輸入/使用者介面635可以包括任何裝置、組件、感應器,或是介面,無論是實體或是虛擬的,且其可以被用以提供輸入(例如,為按鈕、觸控板介面、鍵盤、指標/光標控制器、麥克風、攝像機、點字機、動作感測器、光學閱讀器,及/或類似裝置)。輸出裝置/介面640可以包括一顯示器、電視、監視器、列印機、擴音器、點字機或是類似裝置。在一些例示性實施方式中,輸入/使用者介面635 以及輸出裝置/介面640可以被內嵌於該計算裝置605中,或是實體耦合至該計算裝置605。在其他的例示性實施方式中,其他計算裝置可以作為計算裝置605的輸入/使用者介面635以及輸出裝置/介面640,或是對計算裝置605提供輸入/使用者介面635以及輸出裝置/介面640的功能。
計算裝置605的實例可以包括但不限於,高度行動型(highly mobile)裝置(例如,智慧型手機、車輛以及其他機械設備中的裝置、由人類或動物攜帶的裝置,以及類似者)、行動裝置(例如,平板、筆記型電腦、膝上型電腦、個人電腦、攜帶型電視、收音機以及類似裝置),以及並非被設計為行動型的裝置(例如,桌上型電腦、伺服器設備、其他電腦、資訊站(information kiosk)、具有內嵌於其中或是與其耦合的一或多個處理器的電視、收音機,以及類似裝置)。
計算裝置605可以被通訊地耦合(例如,通過I/O介面625)至外部的儲存器645及網路650,以與任意數量的網路化組件、裝置,以及包括相同或不同組態的一或多個計算裝置之系統進行通訊。計算裝置605或是任何經連接的計算裝置可以發揮提供服務的功能,或是被稱作伺服端(server),客戸端(client)、薄式伺服端(thin server)、一般機器(general machine)、用於擴充智能方法之機器,或其他名稱。
I/O介面625可以包括但不限於使用任何通訊或I/O協定或是標準(例如,乙太網路、802.11x、通用串列匯流排(Universal Serial Bus)、WiMAX、數據機(modem)、蜂窩網路協定,以及類似者)之有線或是無線介面,以與計算環境600中的至少所有經連接的組件、裝置以及網路進行通訊。網路650可以是任何網路或是多個網路的組合(例如,網際網路、區域網 路、廣域網路、電話網絡、蜂窩網絡、衛星網絡以及類似者)。
計算裝置605可以使用可由電腦使用或是電腦可讀取媒體,及/或是使用可由電腦使用或是電腦可讀取媒體進行通訊,包括暫態媒體以及非暫態媒體。暫態媒體包括傳輸媒體(例如,金屬線纜、光纖)、訊號、載波,以及類似者。非暫態媒體包括磁性媒體(例如磁碟或是磁帶)、光學媒體(例如,CD ROM、數位影音磁碟、藍光磁碟)、固態媒體(例如,RAM、ROM、快閃記憶體、固態儲存器),以及其他非揮發儲存器或記憶體。
計算裝置605可以被使用於在一些例示性計算環境中實施技術、方法、應用程式、處理程序,或是可由電腦執行的指令。該等電腦可執行的指令可以由暫態媒體擷取,以及儲存於非暫態媒體及從非暫態媒體擷取。該等電腦可執行指令可以由一或多個任何程式、指令碼(scripting)以及機器語言(例如,C、C++、C#、Java、Visual Basic、Python、Perl、JavaScript,以及其他語言)產生。
一或多個處理器610可以在本機或是虛擬環境中的任何操作系統(operating system,OS)(未圖示)下執行。一或多個應用程式可以被配置,俾供包括邏輯單元655、應用程式介面(API)單元660、輸入單元665、輸出單元670、擴充智能引擎675、資訊傳輸單元690,以及單元間通訊機構695之不同單元彼此之間使用OS以及其他應用程式(未圖示)進行通訊。舉例而言,擴充智能引擎675、資訊傳輸單元690可以實施顯示於圖5-8中的一或多個處理過程。該等經敘述的單元以及元件可以依設計、功能、組態或實施方式的不同而變更,且並不受限於此處提供的說明。
在一些例示性實施方式中,當資訊或是執行指令由API單元 660接收,其可能與一個或更多其他單元(例如,邏輯單元655、輸入單元665、輸出單元670、擴充智能引擎675,以及資訊傳輸單元690)進行通訊。舉例而言,當一社群媒體之貼文通過該輸入單元665接收,該擴充智能引擎675可以分析該貼文,以偵測與一目標個體相關聯的識別碼(identifier)。另外,當該擴充智能引擎675收集數位活動,該輸出單元670也可以傳送一個輸出訊息至一使用者或其他服務商。
在一些情況下,該邏輯單元655可在上述一些例示性實施方式中被設置成控制在該等單元之間的資訊流程,並導引由API單元660、輸入單元665、輸出單元670、貼文偵測單元675,以及資訊傳輸單元690所提供的服務。舉例而言,一或多個處理過程或是實施方式的流程可以單獨由邏輯單元655控制,或由邏輯單元655與API單元660一同控制。
圖7提供一方塊圖,其顯示可以與此處所述的各種例示性實施方式聯結使用的一例示性計算裝置或是系統。舉例而言,該系統705可以被用以執行上述一或多個機制或是處理過程,或與上述一或多個機制或是處理過程共同使用,且可以代表處理器組件、使用者系統,及/或其他此處所述的裝置。該系統705可以是伺服器或任何傳統個人電腦,或是任何其他可以進行有線或是無線數據通訊的處理器賦能(processor-enabled)裝置。其他電腦系統及/或架構也可以被使用,這對於所屬領域具有通常知識者而言是清楚明確的。
該系統705較佳包括一或多個處理器,諸如處理器715。額外的處理器也可以被提供,諸如用以管理輸入/輸出的輔助處理器,用以執行浮點數學運算的輔助處理器、具有適合快速執行訊號處理演算法的架構的 特殊用途微處理器(例如,數位訊號處理器)、隸屬於該主要處理系統的從屬處理器(例如,後端處理器)、用於雙處理器系統或是多處理器系統的額外微處理器或是控制器,或是一共處器(coprocessor)。這些輔助處理器可為分離的處理器,或是可以是整合至處理器715的處理器。可以用於系統705的處理器的實例包括,但不限於,Pentium®處理器、Core i7®處理器,以及Xeon®處理器,這些處理器都可由加州,聖塔克拉拉的英特爾公司(Intel Corporation)取得。
該處理器715較佳是被連接至一通訊匯流排710。該通訊匯流排710可以包括用於促進儲存器以及該系統700的其他周邊組件之間資訊傳輸的數據通道(data channel)。該通訊匯流排710進一步可以提供一組用於與該處理器715通訊的信號,包括數據匯流排、位址匯流排,以及控制匯流排(未圖示)。該通訊匯流排710可以包含任何標準或是非標準的匯流排架構諸如,例如,符合:工業標準架構(industry standard architecture,ISA)、延伸工業標準體系架構(Extended Industry Standard Architecture,EISA)、微通道架構(Micro ChannelArchitecture、MCA)、周邊組件互聯(peripheral component interconnect,PCI)區域匯流排,或是由電機電子工程師學會(Institute of Electrical and Electronics Engineers,IEEE)所公告的標準,包括IEEE 788通用界面匯流排(general-purpose interface bus,GPIB)、IEEE 696/S-30以及類似者的匯流排架構。
系統705較佳包括一主記憶體720,且也可以包括一輔助記憶體725。該主記憶體720提供儲存用以於該處理器715上執行的程式的指令以及數據的功能,諸如上述一或多個該等功能及/或模組。應了解的是,儲存 於該記憶體中以及由該處器715執行的程式可以根據包括但不限於C/C++、Java、JavaScript、Pearl、Visual Basic、.NET,以及類似者之任何適當的語言被寫入及/或編譯。該主記憶體720通常是以半導體為主的記憶體,諸如動態隨機存取記憶體(dynamic random access memory,DRAM)及/或靜態隨機存取記憶體(static random access memory,SRAM)。其他以半導體為主的記憶體種類包括,例如,同步動態隨機存取記憶體(synchronous dynamic random access memory,SDRAM),Rambus動態隨機存取記憶體(Rambus dynamic random access memory,RDRAM)、鐵電式隨機存取記憶體(ferroelectric random access memory,FRAM)以及類似者,包括唯讀記憶體(read only memory,ROM)。
該輔助記憶體725可以選擇性地包括內部記憶體730及/或可移除媒體735,例如軟式磁碟機、磁帶驅動機、光碟(CD)驅動機、多樣化數位光碟(DVD)驅動機、其他光學驅動機、快閃記憶體驅動機等。該可移除的媒體735是以已知的方式讀取及/或寫入。可移除的儲存媒體735可以是,例如,軟性磁碟、磁帶、CD、DVD、SD卡等。
該可移除儲存媒體735是一非暫態電腦可讀取媒體,其儲存有電腦可執行編碼(即,軟體)及/或數據。儲存於該可移除儲存媒體735上的該電腦軟體或數據是被該系統705讀取以通過該處理器715執行。
在其他例示性實施方式中,輔助記憶體725可以包括其他類似的裝置,用以允許電腦程式或其他數據或指令載入至該系統705。這些裝置可以包括,例如,外部儲存媒體750以及介面745。外部儲存媒體750的實例可以包括外部硬碟驅動器或外部光學驅動器,或外部磁光驅動器。
輔助記憶體725的其他實例可以包括以半導體為主的記憶體,諸如可程式化唯讀記憶體(programmable read-only memory,PROM),可抹除可程式化唯讀記憶體(erasable programmable read-only memory,EPROM),電子可抹除可程式化唯讀記憶體(electrically erasable programmable read-only memory,EEPROM),或快閃記憶體(相似於EEPROM的區塊導向記憶體)。還包括任何其他可移除的儲存媒體735以及通訊界面745,其等允許軟體以及數據自外部媒體750傳送至該系統705。
系統705可包括一通訊界面745。該通訊介面745允許軟體以及數據在系統705以及外部裝置(例如,印表機)、網路或資訊來源之間傳輸。舉例而言,電腦軟體或執行碼可以由一網路伺服器通過通訊界面745而傳送到系統705。通訊介面745的實例包括內建網路配接器、網路介面卡(network interface card,NIC)、個人電腦記憶卡國際協會(Personal Computer Memory Card International Association,PCMCIA)網路卡、卡匯流排網路配接器(card bus network adapter)、無線網路配接器、通用序列匯流排(Universal Serial Bus,USB)網路配接器、數據機、無線數據卡、通訊埠、紅外線介面、IEEE 1394火線(fire-wire),或任何得以使系統705與網路或是其他計算裝置介接(interfacing)的其他裝置。
通訊介面745較佳實施產業頒布的協定標準,諸如乙太網路IEEE 802標準、光纖通道(Fiber Channel)、數位用戶迴路(digital subscriber line,DSL)、異步數位用戶迴路(asynchronous digital subscriber line,ADSL)、訊框中繼(frame relay)、異步傳送模式(asynchronous transfer mode,ATM)、整體服務數位網路(integrated services digital network,ISDN)、個人通訊服務 (personal communications services,PCS)、傳輸控制協定/網際網路協定(transmission control protocol/Internet protocol,TCP/IP)、串列線網際網路協定/點對點通訊協定(serial line Internet protocol/point to point protocol,SLIP/PPP)等,但也可以採用客製化或是非標準的介面協定。
通過通訊介面745傳送的軟體以及數據通常是呈電性通訊訊號760的形式。這些訊號760較佳是通過通訊通道755被提供至通訊介面745。在一個例示性實施方式中,該通訊通道755可以是有線或是無線網路,或任何其他各種通訊連結。通訊通道755承載訊號760,且可以使用各種有線或是無線通訊手段加以實施,該等手段僅列舉部分如後,包括線路(wire)或線纜(cable)、光纖、通用電話線、行動電話連結、無線數據傳輸連結、射頻(「RF」)連結,或是紅外線連結。
電腦可執行碼(即,電腦程式或是軟體)是儲存在主記憶體720及/或輔助記憶體725中。電腦程式也可以通過通訊介面745被接收並儲存於主記憶體720及/或輔助記憶體725中。這些電腦程式在執行時,使得系統705可以進行本發明先前敘述的各種功能。
在本說明書中,用語「電腦可讀取媒體」是用以指稱任何用以將電腦可執行碼(例如,軟體以及電腦程式)提供給系統705之非暫態電腦可讀取儲存媒體。這些媒體的實例包括主記憶體720、輔助記憶體725(包括內部記憶體730、可移除媒體735,以及外部儲存媒體750),以及任何與通訊介面745通訊耦合的周邊裝置(包括網路資訊伺服器或其他網路裝置)。這些非暫態電腦可讀取媒體是用以提供可執行碼、程式設計指令,以及軟體至系統705的手段。
在使用軟體實施的一個例示性實施方式中,該軟體可以被儲存在電腦可讀取媒體上,並通過可移除媒體735、I/O介面740,或是通訊介面745被載入至該系統705中。在這樣的例示性實施方式中,該軟體是以電子通訊信號760的形式被載入至該系統705中。當該軟體由該處理器715執行時,較佳導致該處理器715執行此處先前所述的創新特徵以及功能。
在一個例示性實施方式中,I/O介面740在系統705的一或多個組件以及一或多個輸入及/或輸出裝置之間提供介面。輸入裝置包括但不限於:鍵盤、觸控螢幕或其他觸控感應裝置、生物辨識感測裝置、電腦滑鼠、軌跡球、以筆為主的指示裝置(pen-based pointing device)以及類似者。輸出裝置的實例包括但不限於:陰極射線管(cathode ray tubes,CRTs)、電漿顯示器、發光二極體(light-emitting diode,LED)顯示器、液晶顯示器(liquid crystal displays,LCDs)、印表機、真空螢光顯示器(vacuum fluorescent displays,VFDs)、表面傳導電子發射顯示器(surface-conduction electron-emitter displays,SEDs)、場發射顯示器(field emission displays,FEDs),以及類似者。
該系統705也包括選擇性的無線通訊組件,這些無線通訊組件促進語音以及數據網路的無線通訊。該等無線通訊組件包含天線系統765、無線電系統770,以及基頻帶(baseband)系統775。在該系統705中,在該無線電系統770的管理下,射頻(RF)訊號通過該天線系統765在空氣中被傳送以及接收。
在一個例示性實施方式中,該天線系統765可以包含一或多個天線以及一或多個多工器(未圖示),其執行一切換功能以提供該天線系統 765傳送以及接收訊號的路徑。在接收路徑中,經接收的RF訊號可以自一多工器耦合至一低雜訊放大器(未圖示),該低雜訊放大器將該經接收的RF訊號放大並將該經放大的訊號傳送至該無線電系統770。
在一個替代的例示性實施方式中,該無線電系統770可以包含一或多個無線電設備(radio),其等是設置為在各種頻率下進行通訊。在一個例示性實施方式中,該無線電系統770可以在一個積體電路(integrated circuit,IC)中組合一解調器(未圖示)以及調變器(未圖示)。解調器以及調變器也可以是分開的組件。在傳入路徑(incoming path)中,該解調器去除該RF承載訊號而留下一基頻帶接收音訊訊號,其是由該無線電系統770發送至該基頻帶系統775。
若該經接收的訊號包含音訊資訊,則基頻帶系統775解碼該訊號並將其轉換成類比訊號。接著,該訊號被放大並傳送至揚聲器。該基頻帶系統775也從麥克風接收類比音訊訊號。這些類比音訊訊號通過該基頻帶系統775而被轉換成數位訊號並被編碼。該基頻帶系統775也對該等數位訊號編碼以進行傳輸,並產生被傳送(routed)至該無線電系統770之該調變器部分的基頻帶傳輸音訊訊號。該調變器將該基頻帶傳輸音訊訊號與一RF承載訊號混合而產生一RF傳輸訊號,該RF傳輸訊號被傳送至該天線系統,且可以通過一功率放大器(未圖示)。該功率放大器將該RF傳輸訊號放大並將其傳送至該天線系統765,其中該訊號被切換至該天線埠以進行傳輸。
該基頻帶系統775也與該處理器715通訊耦合。該中央處理單元715得以存取數據儲存區域725。該中央處理單元715較佳是設置以執行指令(即,電腦程式或軟體),這些指令可以被儲存於該記憶體720或是該輔助 記憶體725中。電腦程式也可以從該基頻帶處理器765接收,並儲存於該數據儲存區域720中或是輔助記憶體725中,或是在收到時被執行。這些電腦程式在被執行時,使得該系統705得以進行如前所述之本發明的各種功能。舉例而言,數據儲存區域720可以包括各種軟體模組(未圖示)。
圖8顯示適合用於本發明的一些例示性實施方式的例示性環境。環境800包括裝置810-855,且每個裝置是通過,例如,網路860(例如,藉由有線及/或無線連接)而通訊地連接至至少一個其他的裝置。一些裝置可以通訊地連接至一或多個儲存裝置835及850。
一或多個裝置810-855的一實例可以是敘述於圖7中的計算裝置805。裝置810-855可以包括,但不限於,一電腦810(例如,一膝上型計算裝置)、一行動裝置815(例如,智慧型手機或是平板)、一電視820、與一車輛825相關聯的裝置、一伺服器電腦830、計算裝置840-845、儲存裝置835以及850以及穿戴式裝置855。
在一些實施方式中,裝置810-825以及855可以被認為是使用者裝置(例如,由使用者使用以存取該擴充智能平台、提出請求、提供額外識別碼以及接收數位活動報告的裝置)。裝置830-850可以是與一或多個其他平台或是線上服務相關聯的裝置,其是與該擴充智能引擎平台互動。
舉例而言,一位使用者(例如,艾莉絲)可以存取一人工智能服務平台,通過語音控制提出一請求,該請求是由擴充智能引擎平台接收,且使用由一或多個裝置830-850支援的使用者裝置810或815接收一數位活動報告。
圖9-51顯示以根據此處所述的例示性實施方式的擴充智能 分配方法進行的例示性使用者互動。與包括群眾外包(crowd sourcing)、零工經濟(gig economy)、零售商(retailers)等其他服務或其他app(應用程式)間的app整合:每個與我們的合作夥伴進行的整合是通過稱為「智能合約(witted contract)」者完成。其智能在於每個智能合約皆具有自我調整的能力。每個智能合約可以具有下列特徵:標題(Title):合約的內部標題。一合作夥伴可以具有一或多個合約。由該合約提供的產品或是服務的介紹敘述:在建議該等產品以及服務時顯示給使用者的敘述。產品或服務的詳細敘述:有關該產品或服務的詳細文字敘述。包括,但不限於該特定產品或服務的使用內容,且亦包括其技術以及商業敘述。召回連結(callback link):合作夥伴的平台的連結,該使用者在收到該合約拒絕產品或是服務的建議的時點將會被導引至該連結。
雖然一些例示性實施方式在此被顯示及敘述,這些例示性實施方式是被提供以將此處所述的標的(subject matter)傳達給所屬領域具有通常知識的人士。需要了解的是,此處所述的標的可以採用各種形式被實施,而不受限於此處所述的例示性實施方式。此處所述的標的可以在不涉及特別界定或敘述的內容,或是涉及未敘述的其他或不同元件或是內容下實施。對於所屬技術領域具有通常知識者而言,可以理解的是,在這些例示性實施方式中,可以在不背離此處所述與所附申請專利範圍及其均等範圍所界定之標的的前提下進行更改。
Claims (13)
- 一種電腦執行方法,包含:維護用於環境要素以及一群使用者的多個設定檔的知識庫,其中,每個設定檔包含至少相依性、技能以及評等;分析來自一使用者對於服務的請求,以決定一組的多個資源參數;鑒於該請求決定該知識庫中的每個設定檔的多個關係;基於至少鑒於該等資源參數之經決定的該等關係的相依性,針對該等設定檔產生排序模式;驅使該使用者針對基於該排序模式而滿足該等資源參數之一組的多個設定檔做出回饋;根據鑒於來自該使用者之設定檔的評等對該等設定檔所進行的相似度計算而調整該排序模式;基於該使用者所做出的回饋更新該知識庫;以及基於滿足該等資源參數的經過調整之該排序模式,提供一或多個選項。
- 如請求項1之電腦執行方法,其中,維護該知識庫的步驟包含:根據該等相依性、技能以及評等的至少一者整理輸入數據。
- 如請求項1之電腦執行方法,其中,決定該等關係的步驟包含:將該等關係分類為主要關係、鄰近關係、直接鄰近關係的至少一者。
- 如請求項1之電腦執行方法,其中,產生該排序模式的步驟進一步包含:合成該等設定檔以決定該服務的可行性因素。
- 如請求項1之電腦執行方法,其中,驅使該使用者進行回饋的步驟是通過音訊介面執行。
- 如請求項1之電腦執行方法,更進一步包含:驅使另一使用者對於該請求或是該等資源參數的一或多者之限制作出回饋。
- 一種系統,其包含:具有多個設定檔的知識庫,其是用於環境要素以及一群使用者,其中,每個設定檔包含至少相依性、技能以及評等;處理器,其係操作性地耦合至該知識庫,該處理器是用以執行下列步驟:維護該知識庫;分析來自一使用者對於服務的請求,以決定一組的多個資源參數;鑒於該請求決定該知識庫中的每個設定檔的多個關係;基於至少鑒於該等資源參數之經決定的該等關係的相依性,針對該等設定檔產生排序模式;驅使該使用者針對基於該排序模式而滿足該等資源參數之一組的多個設定檔做出回饋;根據鑒於來自該使用者之設定檔的評等對該等設定檔所進行的相似度計算而調整該排序模式;基於該使用者所做出的回饋更新該知識庫;以及基於滿足該等資源參數的經過調整之該排序模式,提供一或多個選項。
- 如請求項7之系統,其中,維護該知識庫的步驟包含:根據該等相依性、技能以及評等的至少一者整理輸入數據。
- 如請求項7之系統,其中,決定該等關係的步驟包含:將該等關係分類為 主要關係、鄰近關係、直接鄰近關係的至少一者。
- 如請求項7之系統,其中,產生該排序模式的步驟進一步包含:合成該等設定檔以決定該服務的可行性因素。
- 一種非暫態電腦可讀取媒體,其具有儲存於其中的多個電腦執行指令以執行下列步驟:維護用於環境要素以及一群使用者的多個設定檔的知識庫,其中,每個設定檔包含至少相依性、技能以及評等;分析來自一使用者對於服務的請求,以決定一組的多個資源參數;鑒於該請求決定該知識庫中的每個設定檔的多個關係;基於至少鑒於該等資源參數之經決定的該等關係的相依性,針對該等設定檔產生排序模式;驅使該使用者針對基於該排序模式而滿足該等資源參數之一組的多個設定檔做出回請;根據鑒於來自該使用者之設定檔的評等對該等設定檔所進行的相似度計算而調整該排序模式;基於該使用者所做出的回饋更新該知識庫;以及基於滿足該等資源參數的經過調整之該排序模式,提供一或多個選項。
- 如請求項11之非暫態電腦可讀取媒體,其中決定該等關係的步驟包含:將該等關係分類為主要關係、鄰近關係、直接鄰近關係的至少一者。
- 如請求項11之非暫態電腦可讀取媒體,其中產生該排序模式的步驟進一步包含:合成該等設定檔以決定該服務的可行性因素。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201762482497P | 2017-04-06 | 2017-04-06 | |
US62/482,497 | 2017-04-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW201842455A true TW201842455A (zh) | 2018-12-01 |
Family
ID=63711067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107112123A TW201842455A (zh) | 2017-04-06 | 2018-04-09 | 擴充智能資源分配系統及方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20180293103A1 (zh) |
TW (1) | TW201842455A (zh) |
WO (1) | WO2018185556A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11295251B2 (en) * | 2018-11-13 | 2022-04-05 | International Business Machines Corporation | Intelligent opportunity recommendation |
TWI779435B (zh) * | 2020-03-13 | 2022-10-01 | 美商惠普發展公司有限責任合夥企業 | 用以發送節點指令之裝置和系統以及儲存有指令的非暫時性機器可讀媒體 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10185934B2 (en) * | 2013-07-09 | 2019-01-22 | Qualcomm Incorporated | Real-time context aware recommendation engine based on a user internet of things environment |
US11734592B2 (en) | 2014-06-09 | 2023-08-22 | Tecnotree Technologies, Inc. | Development environment for cognitive information processing system |
WO2019237085A1 (en) * | 2018-06-08 | 2019-12-12 | Vulcan Inc. | Session-based information exchange |
US11068943B2 (en) * | 2018-10-23 | 2021-07-20 | International Business Machines Corporation | Generating collaborative orderings of information pertaining to products to present to target users |
US11011158B2 (en) | 2019-01-08 | 2021-05-18 | International Business Machines Corporation | Analyzing data to provide alerts to conversation participants |
US10978066B2 (en) * | 2019-01-08 | 2021-04-13 | International Business Machines Corporation | Analyzing information to provide topic avoidance alerts |
US20200293918A1 (en) | 2019-03-15 | 2020-09-17 | Cognitive Scale, Inc. | Augmented Intelligence System Assurance Engine |
US11784028B2 (en) * | 2020-12-24 | 2023-10-10 | Applied Materials, Inc. | Performing radio frequency matching control using a model-based digital twin |
CN116680074A (zh) * | 2023-06-06 | 2023-09-01 | 广州建兴数字科技有限公司 | 一种分布式虚拟现实系统及数据中心 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020032723A1 (en) * | 2000-05-22 | 2002-03-14 | Rani Johnson | System and method for network-based automation of advice and selection of objects |
US20030154085A1 (en) * | 2002-02-08 | 2003-08-14 | Onevoice Medical Corporation | Interactive knowledge base system |
US8484219B2 (en) * | 2010-09-21 | 2013-07-09 | Sony Computer Entertainment America Llc | Developing a knowledge base associated with a user that facilitates evolution of an intelligent user interface |
US9904579B2 (en) * | 2013-03-15 | 2018-02-27 | Advanced Elemental Technologies, Inc. | Methods and systems for purposeful computing |
-
2018
- 2018-04-06 WO PCT/IB2018/000440 patent/WO2018185556A1/en active Application Filing
- 2018-04-06 US US15/947,678 patent/US20180293103A1/en not_active Abandoned
- 2018-04-09 TW TW107112123A patent/TW201842455A/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11295251B2 (en) * | 2018-11-13 | 2022-04-05 | International Business Machines Corporation | Intelligent opportunity recommendation |
TWI779435B (zh) * | 2020-03-13 | 2022-10-01 | 美商惠普發展公司有限責任合夥企業 | 用以發送節點指令之裝置和系統以及儲存有指令的非暫時性機器可讀媒體 |
Also Published As
Publication number | Publication date |
---|---|
WO2018185556A1 (en) | 2018-10-11 |
US20180293103A1 (en) | 2018-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TW201842455A (zh) | 擴充智能資源分配系統及方法 | |
Oberländer et al. | Conceptualizing business-to-thing interactions–A sociomaterial perspective on the Internet of Things | |
CN110363305B (zh) | 联邦学习方法、系统、终端设备及存储介质 | |
Schumann et al. | We need fairness and explainability in algorithmic hiring | |
US9712576B1 (en) | Crowd-sourced project and transaction management system for human- and device-adaptive requester-provider networks | |
US8543437B2 (en) | System and method for automated contact qualification | |
US10902445B2 (en) | Location evaluation | |
KR102038269B1 (ko) | 전문가 방문 서비스 제공 방법 및 그 장치 | |
JP7540023B2 (ja) | スケジュール管理サービスシステム及び方法 | |
KR102196536B1 (ko) | 기술자 매칭 서비스 제공 방법, 장치 및 컴퓨터프로그램 | |
US20170132555A1 (en) | Semi-automated machine learning process to match work to worker | |
Xiao et al. | Simulation optimization using genetic algorithms with optimal computing budget allocation | |
Lee et al. | Disruptive technologies and innovation in hospitality: a computer-assisted qualitative data analysis approach | |
CN109155041A (zh) | 提供与社交图相关联的基于旅行或促销的推荐 | |
KR101944062B1 (ko) | Ipo 팀을 자동으로 구성하는 플랫폼 및 그 운영방법 | |
Wang et al. | Combining design science with data analytics to forecast user intention to adopt customer relationship management systems | |
KR102234889B1 (ko) | 능력형 종업원 급여 관리 방법 | |
KR102520397B1 (ko) | 메신저 기반의 맞춤형 여행 서비스 제공 플랫폼 장치 | |
JP2018005905A (ja) | 状況的に関連するサービスを提供するためのコンピュータ実装システムおよび方法 | |
Al Zarooni et al. | Robotics Process Automation (RPA) and Project Risk Management | |
KR102432747B1 (ko) | 조직 구성원 성과 지표 관리 방법, 장치 및 시스템 | |
KR102463811B1 (ko) | 원룸 임대관리 서비스 공동구매 플랫폼 시스템 | |
Pitta et al. | Market design for iot data and services the emergent 21th century commodities | |
KR20220111331A (ko) | 진로교육 기관 전문강의 매칭 시스템 및 이에 의한 강의 매칭 방법 | |
Rahman et al. | Al and Machine Learning Applications to Enhance Customer Support Md Shamim Hossain ID https://orcid. org/0000-0003-1645-7470 |