[发明专利]一种人工智能师徒半监督学习的方法

说明书

本发明公开了一种人工智能师徒半监督学习的方法，涉及AI模型算法技术领域。该人工智能师徒半监督学习的方法包括以下步骤：识别数据的分析处理、独立数据处理流程、判断识别数据是否需要高精度模型监督调整、判断识别数据是否需要第三方算法监督调整、用户人为干预监督调整通过后台管理界面和前端用户的应用界面和按设定的时间节点，做数据集的自动调整。该人工智能师徒半监督学习的方法，制定了一套行之有效的师徒半监督学习方法，从而用最低的成本，实现了在实际场景下对AI模型的反复再训练。不断适应新的实际场景的同时，进一步优化训练数据集，最终达到大幅度提高模型精确度的目的。

技术领域

本发明涉及AI模型算法技术领域，具体为一种人工智能师徒半监督学习的方法。

背景技术

常用的视觉人工智能体，模型都是训练出来的。训练数据是一个静态数据集，也就意味着，随着模型的训练完成，这个视觉人工智能模型的精确度就给定了。实际使用中，真实的场景和训练数据之间，会存在很大的差异。举例来说，视频摄像角度的偏差，距离的偏差，白天黑夜的偏差等等，都会对模型的精确判断造成问题。物体识别和员工穿戴规范的识别，也会随着时间的变化有所不同，例如十年之间的手机的变迁，就会导致使用旧数据的手机识别，精确度不高。手动更新机器学习模型的方法本质上是复制初始训练数据的过程，但要使用一组更新的数据输入。此选项的可行性取决于定期获取和准备新训练数据的能力。优点是可以随时监控模型的性能，确定何时需要更新。如果模型的准确性明显下降，则可能需要对更新的数据进行重新训练。最大的问题，在与数据准备的人力成本，以及重新训练带来的不确定性。

持续学习模型通常会从部署了数据的生产环境中合并新的数据流。当用户使用现有的机器学习模型后，每日的识别结果会形成识别记录，告警记录等。这些数据在使用过程中，可以得到用户的反馈，也本身形成了新的识别数据。在持续学习模型中，人为干预是可能的，但它代表了一个真正的瓶颈。

上述技术的几个问题，第一是没有提供一个自动使用实际场景的识别数据做持续再训练的有效可行的方法，第二是没有将人为干预进一步智能化的能力，第三是忽视了机器训练模型在不同硬件下的自身的精确度差异。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种人工智能师徒半监督学习的方法，解决了上述背景技术提到的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种人工智能师徒半监督学习的方法，包括实际使用场景下的识别数据，识别数据加入并替代原有识别模型后，成为新的模型数据，识别数据包括了模型综合时的数据调整，同时包含了用户人为干预监督调整和第三方算法监督调整，在指定周期内对型数据进行二次调整，形成了一个自动的训练流程，所述人工智能师徒半监督学习的方法包括以下步骤：

S1、识别数据的分析处理，实际运营过程中，识别数据产生后，记录原始视频图片、识别框、识别置信度等，识别数据通过网络上传至云端保存。

S2、独立数据处理流程，仅对后台管理界面中指定的实际场景识别数据执行处理流程，识别数据进入后，处理流程启动，开始补充综合识别监督调整数据，运行结果，在识别数据的综合识别监督调整列，添加状态数据。

S3、判断识别数据是否需要高精度模型监督调整，在满足阈值或管理配置设定条件下，补充高精度模型监督调整数据，然后运行结果，再识别数据的高精度模型监督调整列，添加状态数据。

S4、判断识别数据是否需要第三方算法监督调整，在满足阈值或管理配置设定条件下，补充第三方算法监督调整数据，然后运行结果，再识别数据的第三方算法监督调整列，添加状态数据。