[发明专利]一种机器学习平台扩展自定义算法组件的方法

说明书

本发明公开一种机器学习平台扩展自定义算法组件的方法,涉及组件扩展技术领域；设定算法组件是机器学习平台的最小运行单元，定义构建算法组件，所述算法组件包括数据端口、逻辑执行单元及算法参数，所述数据端口包括数据输入端口和数据输出端口，数据输入端口接收传入到算法组件的数据，并将数据传递至逻辑执行单元，逻辑执行单元按照算法逻辑利用算法参数对接收的数据进行运算，将运算执行结果传递至数据输出端口，数据输出端口将接收的执行结果进行存储或者传递至下一个算法组件。

技术领域

本发明公开一种机器学习平台扩展自定义算法组件的方法,涉及组件扩展技术领域，具体地说是一种机器学习平台扩展自定义算法组件的方法。

背景技术

机器学习平台在人工智能发展过程中扮演着非常重要的角色，为企业从数字化到智能化转型提供数据洞察、机器学习建模、预测评估、决策支持等一系列人工智能赋能服务。一般机器学习平台提供通用机器学习算法，涵盖数据访问、数据转换、特征工程、常用机器学习算法、模型评估等，可满足一部分通用场景开发需求，但不能满足所有需求，尤其是不能满足特定行业领域对该领域特定算法的需求。

而现有的方法支持用户将自定义算法封装在docker image中接入平台使用以满足个性化开发需求，但要求用户使用容器镜像技术封装自定义算法，依赖容器镜像等技术组件，开发门槛和成本较高。

发明内容

本发明针对现有技术的问题，提供一种机器学习平台扩展自定义算法组件的方法，使用户开发的自定义算法可以便捷地注册到平台并基于平台使用。

本发明提出的具体方案是：

一种机器学习平台扩展自定义算法组件的方法，设定算法组件是机器学习平台的最小运行单元，

定义构建算法组件，所述算法组件包括数据端口、逻辑执行单元及算法参数，所述数据端口包括数据输入端口和数据输出端口，

数据输入端口接收传入到算法组件的数据，并将数据传递至逻辑执行单元，逻辑执行单元按照算法逻辑利用算法参数对接收到的数据进行运算，将运算执行结果传递至数据输出端口，数据输出端口将接收的执行结果进行存储或者传递至下一个算法组件。

进一步，所述的一种机器学习平台扩展自定义算法组件的方法中利用数据端口要素信息定义构建数据端口，所述数据端口要素信息包括端口名称、端口序号、数据类型、端口类型及端口描述。

进一步，所述的一种机器学习平台扩展自定义算法组件的方法中利用算法参数要素信息定义算法参数，所述算法参数要素信息包括参数显示名称、参数的唯一字符表示、参数说明、参数默认值、参数类型及参数之间的联动条件。

进一步，所述的一种机器学习平台扩展自定义算法组件的方法中所述参数之间的联动条件是指利用联动标签描述参数之间的联动依赖关系，所述联动依赖是指，当参数之间有依赖关系，且依赖的参数满足某个条件的时候，当前参数随满足的条件进行变化。

一种机器学习平台扩展自定义算法组件，所述算法组件是机器学习平台的最小运行单元，包括数据端口、逻辑执行单元及算法参数，所述数据端口包括数据输入端口和数据输出端口，

数据输入端口接收传入到算法组件的数据，并将数据传递至逻辑执行单元，逻辑执行单元按照算法逻辑利用算法参数对接收到的数据进行运算，将运算执行结果传递至数据输出端口，数据输出端口将接收的执行结果进行存储或者传递至下一个算法组件。

进一步，所述的一种机器学习平台扩展自定义算法组件中利用数据端口要素信息定义构建数据端口，所述数据端口要素信息包括端口名称、端口序号、数据类型、端口类型及端口描述。

进一步，所述的一种机器学习平台扩展自定义算法组件中利用算法参数要素信息定义算法参数，所述算法参数要素信息包括参数显示名称、参数的唯一字符表示、参数说明、参数默认值、参数类型及参数之间的联动条件。