[发明专利]基于动态要求的动态个性化平台生成

说明书

一种用于在至少一个计算机(18)上安装软件数据包(38)的方法(100)，所述软件数据包具有基于容器的架构并且包括容器(34)的集合(32)，包括：提供用户界面(UI)(28)，使用规范(30)经由所述用户界面(UI)(28)从用户接收；至少部分地基于将所接收的所述使用规范与所述容器的集合中的所述容器的描述符进行比较来标识所述容器的集合的子集；为所述子集中的所述容器计算资源要求；以及显示(i)所述子集中的所述容器的列表(36)以及(ii)所述子集中的所述容器的所述计算资源要求中的至少一个。

技术领域

以下大体上涉及软件数据包安装领域、基于容器的计算架构领域、操作系统(OS)级虚拟化领域、人工智能(AI)领域、AI平台领域、AI容器选择领域以及相关领域。

背景技术

基于AI的解决方案的开发与日俱增。然而，AI的领域非常广泛，并且可以以多种方式分类。在一个示例中，AI解决方案可以根据级别进行分类(例如深度学习、多层感知器(MLP)、浅层自动编码器、代表性学习、逻辑回归、机器学习(ML)、知识库等)。AI的第二种分类可以基于对数据类型的应用。例如，数字数据上的AI应用可以被分类为“数据分析”，而处理文本数据的AI应用可以被分类为“文本分析”。这些领域可以被进一步分类。例如，“数据分析”可以是“统计数据分析”或“基于机器学习的数据分析”。该领域在应用形式上有所不同，但基于输入数据汇聚为AI的一种子技术。AI的第三种分类可以基于它试图解决的问题类型(例如视觉相关问题、语音问题、图像处理问题、交易相关问题等)。基于它试图解决的问题类型，底层技术会有所不同。针对视觉相关问题，基于深度学习的卷积神经网络(CNN)方法已被证明最适合解决该问题。针对与交易相关的问题，如真实与虚假金融交易的分类，ML技术更有效。同样，AI技术是多种多样的，但很少有技术适合广泛类型的问题。相反，给定的问题很可能只利用可用AI工具集合的小子集。

类似地，AI技术的上下文和内容可能会基于底层环境的需要而变化。通常，在基于AI的解决方案开发期间需要四种不同的环境：开发环境、开发运营(Dev-OPS)环境、测试环境和评分环境。同样，基于这些环境，所需的技术或数据包会有所不同。例如，在开发环境中，数据科学家必须支持集成开发环境(IDE)来开发他们的解决方案，但是针对评分环境，不需要IDE，因为在这种环境中需要执行给定的脚本，并且结果应该被返回给调用者，或存储在定义的存储装置处。

正如这些示例所指示的，需要支持所有这些不同的分类和环境，作为综合AI平台的一部分。例如，这种平台的示例包括PowerAI平台(可从美国纽约阿蒙克的IBM获得)；Azure机器学习服务(可从美国华盛顿州雷德蒙德的微软公司获得)；亚马逊Web服务(AWS)AI服务(可从华盛顿州西雅图的亚马逊获得)；HealthSuite Insights平台(可从荷兰埃因霍温的皇家飞利浦获得)等。

这些平台包括用于不同AI目的的不同层，并且每层都有多个实体。这些实体被实施为在基于容器的架构下运行的容器，该架构可以运行在本文中被称为容器的多个隔离计算环境。这些平台被设计为迎合不同的用户需求，从筛查应用到使用来自不同模态的图像的诊断和报告应用。由于每个应用都是为特定目的而设计的，旨在解决特定的临床需求，因此一个应用对另一应用的交互/依赖关系是有限的或不存在的。