用于决策引擎的方法、装置、机器可读存储介质及处理器制造方法及图纸

本申请实施例提供一种用于决策引擎的方法、装置、机器可读存储介质及处理器。方法包括：确定外部基于决策引擎内的人工智能AI模型节点选择的业务场景和样本数据；从预设场景镜像库中查找所述业务场景对应的第一Docker镜像；控制所述第一Docker镜像根据所述样本数据建模，得到模型文件；控制所述第一Docker镜像对所述模型文件进行部署。其中，通过在决策引擎内设置AI模型节点，并在Docker镜像中进行建模和部署，用户可以通过对AI模型节点进行操作，实现通过Docker镜像对任意AI模型进行建模和部署，突破了传统决策引擎仅支持PMML格式的AI模型的限制，提高了决策引擎的灵活性。提高了决策引擎的灵活性。提高了决策引擎的灵活性。

【技术实现步骤摘要】
用于决策引擎的方法、装置、机器可读存储介质及处理器


[0001]本申请涉及计算机
，具体涉及一种用于决策引擎的方法、装置、机器可读存储介质及处理器。

技术介绍

[0002]传统业务逻辑最初是通过嵌入代码的“硬编码”方式实现，决策引擎出现后，可以通过图形化的编辑器开发业务逻辑规则，包括决策表、决策树、专家评分卡等多种规则编写，快速响应业务需求。针对构建好的决策模型，通过数据模拟仿真进行验证和分析，之后将决策模型文件在决策引擎中发布并即时生效。决策引擎接收数据输入，按决策模型定义的业务逻辑进行计算，并最终输出决策结果，决策引擎的引入大大减少了开发工作量，且业务逻辑可以随时按需调整，规则调整完毕部署后业务运算逻辑即刻生效。传统的决策引擎以规则引擎为主，主要包含针对业务人员的策略开发环境、针对简单机器学习模型的PMML文件导入功能以及最终模型的部署服务。
[0003]对于传统决策引擎的安装和配置，以典型决策引擎美国FICO公司的Blaze Advisor为例，步骤包括安装和配置Java开发工具JDK的环境，安装决策引擎程序主体，为支持实时部署和数据管理功能，需安装Web服务器以及数据库等，最后需手动对部分参数做配置。决策引擎安装完成后，业务人员通过可视化操作配置规则策略，可导入部分简单人工智能(Artificial Intelligence，AI)模型的预言模型标记语言(Predictive Model Markup Language，PMML)文件，最终生成决策引擎的模型文件，并通过Web服务器发布服务。传统决策引擎仅提供PMML模型文件导入功能，而PMML模型文件所支持的AI算法和数据预处理能力较少，因此，传统决策引擎支持的AI模型较少。

技术实现思路

[0004]本申请实施例的目的是提供一种用于决策引擎的方法、装置、机器可读存储介质及处理器，旨在解决现有技术中传统决策引擎支持的AI模型较少的问题。
[0005]为了实现上述目的，本申请第一方面提供一种用于决策引擎的方法，包括：
[0006]确定外部基于决策引擎内的人工智能AI模型节点选择的业务场景和样本数据；
[0007]从预设场景镜像库中查找业务场景对应的第一Docker镜像；
[0008]控制第一Docker镜像根据样本数据建模，得到模型文件；
[0009]控制第一Docker镜像对模型文件进行部署。
[0010]在本申请实施例中，控制第一Docker镜像根据样本数据建模，包括：
[0011]控制第一Docker镜像调用样本数据；
[0012]控制第一Docker镜像根据调用的样本数据和第一Docker镜像中的训练代码对第一Docker镜像中的建模框架中的AI模型进行训练。
[0013]在本申请实施例中，控制第一Docker镜像对模型文件进行部署，包括：
[0014]控制第一Docker镜像根据模型文件发布AI模型服务接口。
[0015]在本申请实施例中，用于决策引擎的方法还包括：
[0016]获取外部基于决策引擎内的规则节点输入的规则节点选择指令；
[0017]根据规则节点选择指令确定外部选择的第一规则节点；
[0018]获取外部基于AI模型节点输入的AI模型节点选择指令；
[0019]根据AI模型节点选择指令确定外部选择的第一AI模型节点；
[0020]根据第一规则节点和第一AI模型节点生成决策流。
[0021]在本申请实施例中，用于决策引擎的方法还包括：
[0022]获取外部基于第一预设控件输入的建模与部署指令；
[0023]响应于建模与部署指令，控制Docker镜像根据决策流进行建模和部署，其中，Docker镜像包括第一Docker镜像。
[0024]在本申请实施例中，用于决策引擎的方法还包括：
[0025]获取外部基于第二预设控件输入的导出指令；
[0026]响应于导出指令，输出决策流、模型文件和部署后的镜像文件中的一者或多者。
[0027]在本申请实施例中，用于决策引擎的方法还包括：
[0028]确定通用规则模型对应的第二Docker镜像；
[0029]控制第二Docker镜像根据第一规则节点对应的规则进行建模和部署。
[0030]在本申请实施例中，用于决策引擎的方法还包括：
[0031]获取第一规则节点对应的规则模型服务和第一AI模型节点对应的AI模型服务；
[0032]创建规则模型服务对应的规则模型服务容器组Pod；
[0033]创建AI模型服务对应的AI模型服务Pod；
[0034]基于Kubernete的服务Service为规则模型服务Pod和AI模型服务Pod分配相同的入口地址。
[0035]在本申请实施例中，用于决策引擎的方法还包括：
[0036]为规则模型服务Pod分配第一节点Node；
[0037]为AI模型服务Pod分配第二Node，其中，第二Node与第一Node不同；
[0038]确定AI模型服务Pod在AI模型运行的情况下对第二Node的资源占用信息；
[0039]根据资源占用信息确定第二Node中AI模型服务Pod的数量。
[0040]在本申请实施例中，用于决策引擎的方法还包括：
[0041]建立Service、规则模型服务Pod和AI模型服务Pod的管理关系；
[0042]判断Service管理的Pod数量是否满足访问需求；
[0043]在不满足访问需求的情况下，根据访问需求创建Pod或销毁Pod。
[0044]在本申请实施例中，用于决策引擎的方法还包括：
[0045]获取样本数据中的场景信息；
[0046]根据场景信息确定预设场景镜像库中的Docker镜像的类别。
[0047]在本申请实施例中，用于决策引擎的方法还包括：
[0048]获取外部基于AI模型节点选择的样本数据的路径；
[0049]根据路径确定样本数据。
[0050]本申请第二方面提供一种处理器，被配置成执行上述的用于决策引擎的方法。
[0051]本申请第三方面提供一种用于决策引擎的装置，包括上述的处理器。
[0052]本申请第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的用于决策引擎的方法。
[0053]本申请第五方面提供一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现上述的用于决策引擎的方法。
[0054]通过上述技术方案，
[0055]本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0056]附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于决策引擎的方法，其特征在于，包括：确定外部基于决策引擎内的人工智能AI模型节点选择的业务场景和样本数据；从预设场景镜像库中查找所述业务场景对应的第一Docker镜像；控制所述第一Docker镜像根据所述样本数据建模，得到模型文件；控制所述第一Docker镜像对所述模型文件进行部署。2.根据权利要求1所述的方法，其特征在于，所述控制所述第一Docker镜像根据所述样本数据建模，包括：控制所述第一Docker镜像调用所述样本数据；控制所述第一Docker镜像根据调用的样本数据和所述第一Docker镜像中的训练代码对所述第一Docker镜像中的建模框架中的AI模型进行训练。3.根据权利要求2所述的方法，其特征在于，所述控制所述第一Docker镜像对所述模型文件进行部署，包括：控制所述第一Docker镜像根据所述模型文件发布AI模型服务接口。4.根据权利要求3所述的方法，其特征在于，还包括：获取外部基于所述决策引擎内的规则节点输入的规则节点选择指令；根据所述规则节点选择指令确定所述外部选择的第一规则节点；获取所述外部基于所述AI模型节点输入的AI模型节点选择指令；根据所述AI模型节点选择指令确定所述外部选择的第一AI模型节点；根据所述第一规则节点和所述第一AI模型节点生成决策流。5.根据权利要求4所述的方法，其特征在于，还包括：获取所述外部基于第一预设控件输入的建模与部署指令；响应于所述建模与部署指令，控制Docker镜像根据所述决策流进行建模和部署，其中，所述Docker镜像包括所述第一Docker镜像。6.根据权利要求5所述的方法，其特征在于，还包括：获取所述外部基于第二预设控件输入的导出指令；响应于所述导出指令，输出所述决策流、所述模型文件和部署后的镜像文件中的一者或多者。7.根据权利要求4所述的方法，其特征在于，还包括：确定通用规则模型对应的第二Docker镜像；控制所述第二Docker镜像根据所述第一规则节点对应的规则进行建模和部署。8.根据权利要求7所述的方法，...

【专利技术属性】
技术研发人员：缪敏鹏，张发波，徐佩钰，李潇，
申请(专利权)人：中国建设银行股份有限公司，
类型：发明
国别省市：