AI模型更新的方法、装置、计算设备和存储介质制造方法及图纸

本申请提供了一种AI模型更新的方法、装置、计算设备和存储介质，属于人工智能技术领域。该方法包括：获取推理数据集，其中，推理数据集中的推理数据用于输入至已有AI模型执行推理；确定推理数据集的数据分布与训练数据集的数据分布存在差异，训练数据集为训练已有AI模型所使用的数据集；利用推理数据集，对已有AI模型进行更新，获得更新后的AI模型。采用本申请，在感知推理数据集的数据分布与训练数据集的数据分布存在差异时，可以及时对已有的AI模型进行更新，而不需要等到用户发现AI模型的推理精度下降时才对已有AI模型进行更新，所以可以及时的更新AI模型。可以及时的更新AI模型。可以及时的更新AI模型。

【技术实现步骤摘要】
AI模型更新的方法、装置、计算设备和存储介质


[0001]本申请涉及人工智能(Artificial Intelligence，AI)
，特别涉及一种AI模型更新的方法、装置、计算设备和存储介质。

技术介绍

[0002]随着人工智能技术的发展，AI模型应用越来越广泛。目前AI模型主要是采用机器学习等算法基于大量数据来学习AI模型的参数，由于AI模型是通过学习大量数据获得，所以所构建的AI模型尽管具有一定的泛化能力，但是当其所使用的场景下的数据分布和其训练数据分布存在较大差异时，AI模型的表现会受到影响，精度降低，且分布差异越大，精度降低越显著。然而AI模型的实际应用环境是动态变化的，因此在实际应用场景中，数据分布有可能不断变化，有可能导致AI模型在变化的应用场景下无法保持稳定的精度。为了使AI模型的精度可以适应场景的变化，需要对AI模型进行自适应的更新。
[0003]相关技术中，是开发了一个AI平台，用户通过AI平台自行完成对模型的更新。具体的，AI平台提供了从训练AI模型至部署AI模型所需的功能，这些功能通常包括数据标注、数据管理、模型训练和模型推理等。用户可以通过AI平台训练AI模型，后续用户在确定当前的AI模型不适应于当前的场景时，用户可以提供当前的场景的数据集，对AI模型进行更新，以使更新后的AI模型适应当前的场景，再将更新后的AI模型应用于当前的场景。
[0004]由于相关技术的AI模型更新的方法只能在AI模型的精度降低后，用户感知到AI模型在当前场景下精度下降了，才会去进行AI模型的更新，所以会导致AI模型更新不及时。

技术实现思路

[0005]本申请提供了一种AI模型更新的方法、装置、计算设备和存储介质，用以及时的对AI模型进行更新。
[0006]第一方面，本申请提供了一种AI模型更新的方法，该方法包括：获取推理数据集，其中，推理数据集中的推理数据用于输入至已有AI模型执行推理；确定推理数据集的数据分布与训练数据集的数据分布存在差异，其中，训练数据集为训练已有AI模型所使用的数据集；利用推理数据集，对已有AI模型进行更新，获得更新后的AI模型。
[0007]本申请所示的方案，AI模型更新的方法可以由AI平台执行，由于上述方法在推理数据集的数据分布与训练数据集的数据分布存在差异时，会对已有AI模型进行更新，而不是等到用户感知到AI模型的精度降低，才对已有AI模型进行更新，所以可以更及时地对AI模型进行更新。
[0008]在一种可能的实现方式中，已有AI模型部署在推理平台，该方法还包括：比较更新后的AI模型和已有AI模型的推理精度，确定更新后的AI模型的推理精度优于已有AI模型的推理精度；将更新后的AI模型部署至推理平台，代替已有AI模型执行推理。
[0009]本申请所示的方案，已有AI模型可以部署在推理平台，推理平台可以是AI平台的一部分，也可以是独立于AI平台。AI平台可以获得更新后的AI模型和已有AI模型的推理精
度，然后比较更新后的AI模型和已有AI模型的推理精度，在更新后的AI模型的推理精度优于已有AI模型的推理精度时，将更新后的AI模型部署至推理平台，推理平台中使用更新后的AI模型，代替已有AI模型执行推理。这样，在更新后的AI模型的推理精度优于已有AI模型时，才对已有AI模型进行更新，所以使用更新后的AI模型进行推理，使得推理精度较高。
[0010]在一种可能的实现方式中，将更新后的AI模型部署至推理平台之前，还包括：通过显示界面显示已有AI模型的推理精度和更新后的AI模型的推理精度；接收用户对已有AI模型的更新指令。
[0011]本申请所示的方案，AI平台在将更新后的AI模型部署至推理平台之前，可以通过显示界面显示已有AI模型的推理精度和更新后的AI模型的推理精度，用户可以选择是否更新已有AI模型。在AI平台接收到用户对已有AI模型的更新指令时，可以将更新后的AI模型部署至推理平台。这样，用户可以决定是否部署更新后的AI模型，所以可以使得用户体验更好。
[0012]在一种可能的实现方式中，利用推理数据集，对已有AI模型进行更新，包括：若差异达到离线更新条件，则利用推理数据集对已有AI模型进行离线更新；若差异未达到离线更新条件，则利用推理数据集对已有AI模型进行在线更新。
[0013]本申请所示的方案，AI平台可以判断推理数据集的数据分布与训练数据集的数据分布的差异是否满足离线更新条件。在该差异满足离线更新条件的情况下，AI平台可以利用推理数据集对已有AI模型进行离线更新。在该差异不满足离线更新条件的情况下，AI平台可以利用推理数据集对已有AI模型进行在线更新。这样，由于基于差异的不同，可以选择不同的更新方式，所以可以节约更新时长。
[0014]在一种可能的实现方式中，利用推理数据集对已有AI模型进行在线更新，包括：利用推理数据集的数据分布与训练数据集的数据分布的差异，确定已有AI模型的目标部分的参数变化量；基于已有AI模型中目标部分当前的参数和参数变化量，确定更新后的AI模型中目标部分的参数。这样，在进行在线更新时，可以仅更新AI模型中某些部分的参数，即可达到对已有AI模型进行在线更新。
[0015]在一种可能的实现方式中，利用推理数据集，对已有AI模型进行更新，包括：根据推理数据集构造目标数据集；利用目标数据集对已有AI模型进行更新。
[0016]在一种可能的实现方式中，根据推理数据集构造目标数据集，包括：在推理数据集中，获取满足样例条件的目标数据，通过显示界面显示目标数据；获取用户对目标数据的标注结果；根据目标数据以及目标数据的标注结果，构建目标数据集。
[0017]本申请所示的方案，AI平台可以在推理数据集中，选取出满足样例条件的目标数据，展示给用户，使得用户对目标数据进行标注。AI平台可以基于用户对目标数据的标注结果和目标数据，构建出目标数据集。这样，由于在对已有AI模型进行更新时，构建出的目标数据集中包括用户标注的满足样例条件的目标数据，所以可以使更新后的AI模型更适用于对推理数据集的推理。
[0018]在一种可能的实现方式中，在推理数据集中，获取满足样例条件的目标数据，包括：根据推理数据集的数据分布与训练数据集的数据分布的差异，在推理数据集中，获取满足样例条件的目标数据，其中，目标数据适用于更新已有AI模型。这样，基于推理数据集的数据分布与训练数据集的数据分布的差异，可以使得目标数据更适用于更新已有AI模型。
[0019]在一种可能的实现方式中，目标数据集还包括在当前的标注数据中采样和/或生成适合推理数据集的数据分布的标注数据，当前的标注数据包括训练数据集中的数据。这样，还可以在已有的标注数据中，获取到适合推理数据集的数据分布的标注数据，所以可以使得目标数据集中的标注数据比较多，进而可以使得更新后的AI模型的推理精度更高。
[0020]在一种可能的实现方式中，目标数据集包括适合推理数据集的数据分布的未标注数据和标注数据；利用目标数据集对已有AI模型进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工智能AI模型更新的方法，其特征在于，所述方法包括：获取推理数据集，其中，所述推理数据集中的推理数据用于输入至已有AI模型执行推理；确定所述推理数据集的数据分布与训练数据集的数据分布存在差异，其中，所述训练数据集为训练所述已有AI模型所使用的数据集；利用所述推理数据集，对所述已有AI模型进行更新，获得更新后的AI模型。2.根据权利要求1所述的方法，其特征在于，所述已有AI模型部署在推理平台，所述方法还包括：比较所述更新后的AI模型和所述已有AI模型的推理精度，确定所述更新后的AI模型的推理精度优于所述已有AI模型的推理精度；将所述更新后的AI模型部署至所述推理平台，以使所述更新后的AI模型代替所述已有AI模型执行推理。3.根据权利要求2所述的方法，其特征在于，所述将所述更新后的AI模型部署至所述推理平台之前，还包括：通过显示界面显示所述已有AI模型的推理精度和所述更新后的AI模型的推理精度；接收用户对所述已有AI模型的更新指令。4.根据权利要求1至3任一项所述的方法，其特征在于，所述利用所述推理数据集，对所述已有AI模型进行更新，包括：若所述差异达到离线更新条件，则利用所述推理数据集对所述已有AI模型进行离线更新；若所述差异未达到所述离线更新条件，则利用所述推理数据集对所述已有AI模型进行在线更新。5.根据权利要求4所述的方法，其特征在于，所述利用所述推理数据集对所述已有AI模型进行在线更新，包括：利用所述推理数据集的数据分布与所述训练数据集的数据分布的差异，确定所述已有AI模型的目标部分的参数变化量；基于所述已有AI模型中所述目标部分当前的参数和所述参数变化量，确定更新后的AI模型中所述目标部分的参数。6.根据权利要求1至4任一项所述的方法，其特征在于，所述利用所述推理数据集，对所述已有AI模型进行更新，包括：根据所述推理数据集构造目标数据集；利用所述目标数据集对所述已有AI模型进行更新。7.根据权利要求6所述的方法，其特征在于，所述根据所述推理数据集构造目标数据集，包括：在所述推理数据集中，获取满足样例条件的目标数据，通过显示界面显示所述目标数据；获取用户对所述目标数据的标注结果；根据所述目标数据以及所述目标数据的标注结果，构建目标数据集。8.根据权利要求6所述的方法，其特征在于，所述目标数据集包括适合所述推理数据集
的数据分布的未标注数据和标注数据；所述利用所述目标数据集对所述已有AI模型进行更新，包括：利用所述目标数据集中的未标注数据，使用无监督方式对所述已有AI模型中的特征提取部分进行优化；根据优化后的特征提取部分和所述目标数据集中的标注数据，对所述已有AI模型进行更新。9.根据权利要求6所述的方法，其特征在于，所述目标数据集包括适合所述推理数据集的数据分布的未标注数据和标注数据；所述利用所述目标数据集对所述已有AI模型进行更新，包括：利用所述已有AI模型，对所述目标数据集中的未标注数据进行标注，获得所述未标注数据的标注结果；根据所述未标注数据的标注结果和所述目标数据集中的标注数据，对所述已有AI模型进行更新。10.根据权利要求6或7所述的方法，其特征在于，所述利用所述目标数据集对所述已有AI模型进行更新，包括：根据所述目标数据集中数据的数据特性，获取更新所述已有AI模型的策略；根据所述策略，对所述已有AI模型进行更新。11.根据权利要求1至10任一项所述的方法，其特征在于，所述方法还包括：获取用户输入的AI模型的更新周期；所述确定所述推理数据集的数据分布与训练数据集的数据分布存在差异，包括：根据所述AI模型的更新周期，确定所述推理数据集的数据分布与训练数据集的数据分布存在差异。12.一种人工智能AI模型更新的装置，其特征在于，所述装置包括：获取模块，用于获取推理数据集，其中，所述推理数据集中的推理数据用于输入至已有AI模型执行推理；确定模块，用于确定所述推理...

【专利技术属性】
技术研发人员：邬书哲，金鑫，李心成，涂丹丹，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：