TWM648255U - 電腦系統 - Google Patents

Abstract

一種電腦系統包含一處理裝置及電連接該處理裝置的一通訊裝置與一儲存裝置。該處理裝置將對應一第一時間區間的一區間資料對一人工智慧模型作訓練，而獲得用於評估一待辨識標籤的一區間模型。該儲存裝置儲存有一歷史模型，該歷史模型用於評估該待辨識標籤，且經由對應一第二時間區間的一歷史資料對該人工智慧模型作訓練而獲得。該處理裝置將該區間資料分別輸入該區間模型及該歷史模型而獲得一第一準確度及一第二準確度，並根據該第一準確度及該第二準確度將該區間模型及該歷史模型之其中至少一者作部署，以用於評估該待辨識標籤。

Description

電腦系統

本新型是有關於一種電腦系統，特別是指一種用於更新人工智慧模型的電腦系統。

隨著人工智慧技術的發展與進步，各種人工智慧模型(如機器學習模型)也開始應用於金融科技領域，例如：藉由將客戶的刷卡資料輸入模型以預測與評估此交易是否屬於盜刷信用卡的行為。然而，現有的監督式模型或非監督式模型的訓練方法通常是採用長期的歷史資料(如過去10年或30年的刷卡資料)或短期的區間資料(如最近3個月的刷卡資料)作為模型的訓練資料。當人工智慧模型是藉由長期的歷史資料來訓練而部署時，不但導致模型的資料量龐大且訓練後的模型也不能準確地判斷出新型態的盜刷行為。反之，當人工智慧模型是藉由短期的區間資料來訓練而部署時，會造成無法準確地判斷出過去歷史曾發生過的盜刷態樣。因此，如何對人工智慧模型作訓練與部署而更新便成為一個待解決的問題。

因此，本新型的目的，即在提供一種兼顧模型準確度與訓練資料量以更新人工智慧模型的電腦系統。

本新型提供一種電腦系統，適用於儲存一區間資料及一歷史資料的一資料庫，並包含一通訊裝置、一儲存裝置、及一處理裝置。

該通訊裝置用於提供連網功能，以與該資料庫建立連線。該儲存裝置儲存一人工智慧模型及一歷史模型，該歷史模型用於評估一待辨識標籤，且經由對應一第二時間區間的該歷史資料對該人工智慧模型作訓練而獲得。該處理裝置電連接該通訊裝置及該儲存裝置，並經由該通訊裝置取得該資料庫所儲存的該區間資料，該區間資料對應一第一時間區間，該第二時間區間早於該第一時間區間且大於該第一時間區間。

該處理裝置將該區間資料對該人工智慧模型作訓練，而獲得用於評估該待辨識標籤的一區間模型，並將該區間資料輸入該區間模型而獲得對應該待辨識標籤的一第一準確度，且將該區間資料輸入該歷史模型而獲得對應該待辨識標籤的一第二準確度。該處理裝置根據該第一準確度及該第二準確度將該區間模型及該歷史模型之其中至少一者作部署，以用於評估該待辨識標籤。

在一些實施態樣中，其中，當該處理裝置判斷該第一準確度大於該第二準確度時，該處理裝置選擇該區間模型作部署，而當該處理裝置判斷該第一準確度小於該第二準確度時，該處理裝置選擇該歷史模型作部署。

在另一些實施態樣中，其中，當該處理裝置判斷該第一準確度與該第二準確度的比例等於A：B時，將該區間模型及該歷史模型作部署，且計算該區間模型的一輸出數值乘以A/(A+B)加上該歷史模型的另一輸出數值乘以B/(A+B)而獲得一綜合輸出數值，並對該綜合輸出數值作判斷而獲得該待辨識標籤的結果。

在另一些實施態樣中，其中，當該處理裝置判斷該第一準確度大於該第二準確度時，該處理裝置先將該區間資料之其中至少對應該待辨識標籤者加入至該歷史資料，且經由更新後的該歷史資料對該人工智慧模型作訓練而獲得更新後的該歷史模型。接著，該處理裝置重新將該區間資料輸入更新後的該歷史模型而獲得更新後的該第二準確度。該處理裝置再根據該第一準確度及更新後的該第二準確度將該區間模型及該歷史模型之其中至少一者作部署，以用於評估該待辨識標籤。

在另一些實施態樣中，其中，該第一時間區間是最接近當下月份的前三個月，該區間資料是多個刷卡資料，該待辨識標籤是信用卡盜刷交易，該歷史資料是另外多個刷卡資料。

本新型的功效在於：藉由對應該第一時間區間(即較短時間區間)的該區間資料作訓練而獲得的該區間模型，及對應該第二時間區間(即較長時間區間)的該歷史資料作訓練而獲得的該歷史模型，使得該電腦系統的該處理裝置根據兩種模型對於該區間資料所對應的該第一準確度及該第二準確度，決定如何部署兩種模型，而能夠實現一種兼顧模型準確度與訓練資料量以更新人工智慧模型的電腦系統。

在本新型被詳細描述之前，應當注意在以下的說明內容中，類似的元件是以相同的編號來表示。

參閱圖1，本新型電腦系統1之一實施例，適用於一資料庫9，並包含一通訊裝置13、一儲存裝置12、及一處理裝置11。在本實施例中，該資料庫9例如是銀行的一伺服器，並儲存一區間資料及一歷史資料。該區間資料例如是對應一第一時間區間的多個刷卡資料(即多個行為資料)，該歷史資料例如是對應一第二時間區間的另外多個刷卡資料(即另外多個行為資料)，該第二時間區間早於該第一時間區間且大於該第一時間區間。

該通訊裝置13例如是一乙太網路卡或一無線網路模組(如Wi-FI模組)，並用於提供連網功能，以與該資料庫9建立連線。該儲存裝置12例如是一個或多個硬碟，並儲存一人工智慧模型。該處理裝置11例如一個或多個中央處理器，並電連接該通訊裝置13及該儲存裝置12。也就是說，該電腦系統1例如是一個或多個電腦主機或伺服器。

參閱圖1與圖2，本新型電腦系統更新人工智慧模型的一第一態樣，包含步驟S1~S4。

於步驟S1，該電腦系統1的該處理裝置11經由該通訊裝置13取得該資料庫9所儲存的該區間資料，並將對應該第一時間區間的該區間資料對該人工智慧模型作訓練，而獲得用於評估該行為資料的一待辨識標籤的一區間模型。該處理裝置11將該區間模型儲存於該儲存裝置12，或者還儲存至該資料庫9。在本實施態樣中，該人工智慧模型是一種監督式機器學習模型(如線性迴歸、隨機森林、支持向量機等)，該待辨識標籤是信用卡盜刷交易，也就是說，訓練後的該區間模型用於接收任一個刷卡資料，以評估對應的刷卡交易是否屬於盜刷交易。舉例來說，該第一時間區間是最接近當下月份的前三個月，當下月份是1月，則該第一時間區間的該區間資料是去年10月至12月的多個刷卡資料，每一個刷卡資料例如包含交易型態、實付金額、消費地國別等等。接著，執行步驟S2。另外要補充說明的是：在其他的實施態樣中，該待辨識標籤也可以用來預測消費者行為(如是否會購買某商品)，或偵測警示帳戶等。

於步驟S2，該電腦系統1的該儲存裝置12還事先儲存一歷史模型，該歷史模型與該區間模型相似，同樣用於評估該行為資料的該待辨識標籤，差別在於是經由對應該第二時間區間的該歷史資料對該人工智慧模型作訓練而獲得。承續前例，該第二時間區間例如是去年10月之前的10年，則該第二時間區間的該歷史資料是11年前10月至去年9月的多個刷卡資料。接著，執行步驟S3。

於步驟S3，該電腦系統1的該處理裝置11將該區間資料的每一該刷卡資料輸入該區間模型而獲得對應該待辨識標籤的一第一準確度，並將該區間資料的每一該刷卡資料輸入該歷史模型而獲得對應該待辨識標籤的一第二準確度。準確度(如該第一準確度及該第二準確度)是人工智慧技術領域中用於評估衡量模型預測表現的通用指標名稱，例如包含準確率(Accuracy)、F值(F1 score)、精確率(Precision)、召回率(Recall)等。承續前例，在已知去年10月至12月的多個刷卡資料之其中哪一者是屬於盜刷交易的情況下，該電腦系統1將去年10月至12月的多個刷卡資料分別輸入至該區間模型及該歷史模型，以分別獲知兩種模型判斷哪些刷卡交易是屬於盜刷交易，進而判斷該第一準確度及該第二準確度。接著，執行步驟S4。

於步驟S4，該電腦系統1的該處理裝置11根據該第一準確度及該第二準確度將該區間模型及該歷史模型之其中至少一者作部署，以用於評估任一該行為資料的該待辨識標籤。在本實施態樣中，當該處理裝置11判斷該第一準確度與該第二準確度的比例等於A：B(如3:1)時，該處理裝置11將該區間模型及該歷史模型作部署，且在判斷任一刷卡資料是否屬於盜刷交易時，將該刷卡資料輸入該區間模型，以獲得一第一輸出數值，且將該刷卡資料輸入該歷史模型以獲得一第二輸出數值，並計算該第一輸出數值乘以A/(A+B)(如3/4)加上該第二輸出數值乘以B/(A+B)(如1/4)而獲得一綜合輸出數值，並對該綜合輸出數值作判斷而獲得該待辨識標籤的結果。模型(如該區間模型及該歷史模型)所輸出的輸出數值(如該第一輸出數值及該第二輸出數值)即為預測機率值，且介於0與1之間。舉例來說，輸出數值越接近1表示盜刷機率越高，因此，該電腦系統1能夠在判斷出該綜合輸出數值大於一預設閾值時，判斷對應的該刷卡資料屬於盜刷交易。該預設閾值例如是0.5、0.8、或依據過往的數據來決定合適的大小。

而在其他的實施態樣中，該處理裝置11也可以改為在判斷出該第一準確度大於該第二準確度時，選擇該區間模型作部署，而當該處理裝置11判斷出該第一準確度小於該第二準確度時，選擇該歷史模型作部署。此外，當該處理裝置11判斷出該第一準確度大於該第二準確度時，該處理裝置11也可以將該區間資料之其中至少對應該待辨識標籤者加入至該歷史資料，且經由更新後的該歷史資料對該人工智慧模型作訓練而獲得更新後的該歷史模型。

參閱圖1與圖3，本新型電腦系統更新人工智慧模型的一第二態樣，包含步驟S1~S5。該第二態樣與該第一態樣的步驟S1~S4相同，差異在於步驟S3之後執行步驟S5及以下的內容。

於步驟S5，該電腦系統1的該處理裝置11判斷是否對該歷史模型作更新，當該處理裝置11判斷該第一準確度大於該第二準確度時，也就是判斷出該歷史模型要更新時，該處理裝置11將該區間資料之其中至少對應該待辨識標籤者加入至該歷史資料，且經由更新後的該歷史資料對該人工智慧模型作訓練而獲得更新後的該歷史模型，接著，再執行步驟S3。而當該處理裝置11判斷該歷史模型是已經根據該區間資料作訓練而更新時，也就是判斷出該歷史模型不要再更新時，則執行步驟S4。

舉例來說，初始時，用於訓練該人工智慧模型而獲得該歷史模型的該歷史資料所對應的該第二時間區間是1年，當該區間模型對該區間資料的該等刷卡資料作評估的準確度高於該歷史模型對該區間資料的該等刷卡資料作評估的準確度時，例如該區間資料中具有5筆對應盜刷交易的刷卡資料，則該處理裝置11將該區間資料中至少該5筆對應盜刷交易的刷卡資料加入至原有的該歷史資料中，使得該歷史模型能夠根據更新後的該歷史資料作訓練，進而使得更新的該歷史模型能夠在對該區間資料作評估時獲得更為提高的準確度。此外，藉由步驟S4對該歷史模型的執行更新，不但能夠提高該歷史模型對於較新的該區間資料的準確度，還能夠同時兼顧資料量不會快速膨脹的好處。

綜上所述，藉由對應該第一時間區間(即較短時間區間)的該區間資料作訓練而獲得的該區間模型，及對應該第二時間區間(即較長時間區間)的該歷史資料作訓練而獲得的該歷史模型，使得該電腦系統1不但能夠根據兩種模型對於該區間資料所對應的該第一準確度及該第二準確度，決定如何部署兩種模型，還能夠在該區間模型的準確度高於該歷史模型時，對該歷史模型作訓練而更新，進而能夠實現一種兼顧模型準確度與訓練資料量以更新人工智慧模型的電腦系統，故確實能達成本新型的目的。

惟以上所述者，僅為本新型的實施例而已，當不能以此限定本新型實施的範圍，凡是依本新型申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本新型專利涵蓋的範圍內。

1:電腦系統

11:處理裝置

12:儲存裝置

13:通訊裝置

9:資料庫

S1~S5:步驟

本新型的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中： 圖1是一方塊圖，說明本新型電腦系統的一實施例； 圖2是一流程圖，說明該實施例更新人工智慧模型的一第一態樣；及 圖3是一流程圖，說明該實施例更新人工智慧模型的一第二態樣。

1:電腦系統

11:處理裝置

12:儲存裝置

13:通訊裝置

9:資料庫

Claims (5)

1. 一種電腦系統，適用於儲存一區間資料及一歷史資料的一資料庫，並包含： 一通訊裝置，用於提供連網功能，以與該資料庫建立連線； 一儲存裝置，儲存一人工智慧模型及一歷史模型，該歷史模型用於評估一待辨識標籤，且經由對應一第二時間區間的該歷史資料對該人工智慧模型作訓練而獲得，及 一處理裝置，電連接該通訊裝置及該儲存裝置，並經由該通訊裝置取得該資料庫所儲存的該區間資料，該區間資料對應一第一時間區間，該第二時間區間早於該第一時間區間且大於該第一時間區間， 該處理裝置將該區間資料對該人工智慧模型作訓練，而獲得用於評估該待辨識標籤的一區間模型，並將該區間資料輸入該區間模型而獲得對應該待辨識標籤的一第一準確度，且將該區間資料輸入該歷史模型而獲得對應該待辨識標籤的一第二準確度， 該處理裝置根據該第一準確度及該第二準確度將該區間模型及該歷史模型之其中至少一者作部署，以用於評估該待辨識標籤。
2. 如請求項1所述的電腦系統，其中，當該處理裝置判斷該第一準確度大於該第二準確度時，該處理裝置選擇該區間模型作部署，而當該處理裝置判斷該第一準確度小於該第二準確度時，該處理裝置選擇該歷史模型作部署。
3. 如請求項1所述的電腦系統，其中，當該處理裝置判斷該第一準確度與該第二準確度的比例等於A：B時，將該區間模型及該歷史模型作部署，且計算該區間模型的一輸出數值乘以A/(A+B)加上該歷史模型的另一輸出數值乘以B/(A+B)而獲得一綜合輸出數值，並對該綜合輸出數值作判斷而獲得該待辨識標籤的結果。
4. 如請求項1所述的電腦系統，其中，當該處理裝置判斷該第一準確度大於該第二準確度時，該處理裝置先將該區間資料之其中至少對應該待辨識標籤者加入至該歷史資料，且經由更新後的該歷史資料對該人工智慧模型作訓練而獲得更新後的該歷史模型，接著，該處理裝置重新將該區間資料輸入更新後的該歷史模型而獲得更新後的該第二準確度，該處理裝置再根據該第一準確度及更新後的該第二準確度將該區間模型及該歷史模型之其中至少一者作部署，以用於評估該待辨識標籤。
5. 如請求項1所述的電腦系統，其中，該第一時間區間是最接近當下月份的前三個月，該區間資料是多個刷卡資料，該待辨識標籤是信用卡盜刷交易，該歷史資料是另外多個刷卡資料。

Images